EfficientDet ile YOLOv5 Karşılaştırması#
Optimal bir sinir ağı mimarisi seçmek, herhangi bir computer vision girişiminde belirleyici bir adımdır. Çıkarım gecikmesi, parametre verimliliği ve algılama doğruluğu arasındaki denge, bir modelin gerçek dünyada ne kadar iyi performans göstereceğini belirler. Bu kapsamlı teknik kılavuz, en etkili iki nesne tespiti çerçevesi olan Google'ın EfficientDet ve Ultralytics YOLOv5 modellerinin derinlemesine bir analizini sunar.
Geliştiriciler, mimari yeniliklerini, eğitim metodolojilerini ve dağıtım yeteneklerini karşılaştırarak, ister bulut sunucularında ölçeklendiriyor ister kısıtlı uç cihazlarda çalıştırıyor olsunlar, kendi özel dağıtım ortamları için bilinçli kararlar verebilirler.
EfficientDet: BiFPN ile Ölçeklenebilir Mimari#
Google Research tarafından tanıtılan EfficientDet, önceki en gelişmiş modellere göre daha az parametreyle yüksek doğruluk elde etmek için hem omurgayı hem de özellik ağını sistematik olarak ölçeklendirmek üzere tasarlanmıştır.
Model Detayları#
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Research
- Tarih: 20 Kasım 2019
- Arxiv: EfficientDet: Scalable and Efficient Object Detection
- GitHub: google/automl/efficientdet
Mimari Yenilikler#
EfficientDet, ana omurga olarak EfficientNet sınıflandırma modelinden yararlanır ve ağ genişliğini, derinliğini ve çözünürlüğünü orantılı bir şekilde ölçeklendiren bileşik bir ölçekleme yöntemi kullanır. object detection alanına yaptığı en dikkat çekici katkı, Çift Yönlü Özellik Piramidi Ağı'nın (BiFPN) tanıtılmasıdır. Özellikleri yalnızca yukarıdan aşağıya doğru toplayan standart Özellik Piramidi Ağlarının aksine BiFPN, karmaşık, çift yönlü çapraz ölçekli bağlantılara izin verir ve farklı girdi özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar sunar.
Oldukça doğru olmasına rağmen EfficientDet, TensorFlow ekosistemine ve özel AutoML kütüphanelerine büyük ölçüde bağımlıdır. Bu bağımlılık, özel, hafif dağıtım boru hatlarına veya dinamik hesaplama grafiklerini tercih eden ortamlara entegre edilmesini bazen zahmetli hale getirebilir.
EfficientDet hakkında daha fazla bilgi edin
Ultralytics YOLOv5: Gerçek Zamanlı Yapay Zekayı Demokratikleştirme#
EfficientDet'ten kısa bir süre sonra yayınlanan Ultralytics YOLOv5, YOLO mimarisinin inanılmaz derecede erişilebilir, yerel bir PyTorch uygulamasını sunarak endüstride devrim yarattı. Geliştirici deneyimi, eğitim verimliliği ve gerçek zamanlı dağıtım esnekliği için yeni bir standart belirledi.
Model Detayları#
- Yazarlar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 26 Haziran 2020
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Documentation
Mimari Yenilikler#
YOLOv5, öncüllerine göre önemli yükseltmeler getirdi; genel parametre sayısını azaltırken gradyan akışını önemli ölçüde artıran bir CSPDarknet (Çapraz Aşamalı Kısmi) omurgası kullandı. Ayrıca YOLOv5, manuel hiperparametre ayarlama ihtiyacını ortadan kaldırarak özel eğitim verilerine dayalı olarak en uygun sınırlayıcı kutu ön kabullerini otomatik olarak hesaplayan Otomatik Öğrenen Çapa Kutularını (Auto-Learning Anchor Boxes) içerir.
YOLOv5 ayrıca dört farklı görüntüyü tek bir eğitim döşemesinde harmanlayan Mosaic Data Augmentation özelliğinden yoğun bir şekilde yararlanır. Bu, modelin küçük nesneleri tespit etme yeteneğini büyük ölçüde geliştirir ve bağlamsal anlayışı genelleştirerek çeşitli ortamlarda son derece dayanıklı olmasını sağlar.
YOLOv5 hakkında daha fazla bilgi edin
Performans ve Kıyaslamalar#
COCO dataset gibi standart kıyaslamalarda modelleri değerlendirmek, hassasiyet ve hız arasındaki dengeyi anlamak için çok önemlidir. Aşağıdaki tablo, EfficientDet ve YOLOv5'in farklı boyutlarının standardize koşullar altında nasıl performans gösterdiğini göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Dengeleri Analiz Etme#
EfficientDet-d7 etkileyici bir şekilde 53.7'lik en yüksek mAP değerine ulaşsa da, YOLO mimarilerine kıyasla GPU donanımında belirgin bir çıkarım gecikmesinden muzdariptir. Buna karşılık YOLOv5, donanım hızlandırmada öne çıkmaktadır. YOLOv5n varyantı, NVIDIA TensorRT kullanan bir T4 GPU üzerinde şaşırtıcı derecede hızlı 1,12 ms çıkarım süresi elde ederek otonom sürüş veya yüksek hızlı üretim hatları gibi gerçek zamanlı uygulamalar için onu çok daha üstün kılar.
Ek olarak, YOLOv5 modelleri, karmaşık bileşik ölçekli ağlara veya büyük Transformer modellerine kıyasla eğitim sırasında çok daha düşük CUDA bellek gereksinimleri gösterir. Bu yalın bellek profili, araştırmacıların standart tüketici donanımlarında sağlam modeller eğitmelerine olanak tanıyarak en gelişmiş yapay zekaya erişimi demokratikleştirir.
YOLOv5 modelinizden uç cihazlarda maksimum saniye başına kare (FPS) elde etmek için PyTorch ağırlıklarınızı NVIDIA GPU'lar için TensorRT'ye veya Intel CPU'lar için OpenVINO'ya dışarı aktarın. Bu adım genellikle çıkarım hızınızı iki katına çıkarabilir.
Eğitim Ekosistemi ve Geliştirici Deneyimi#
Ultralytics ekosisteminin gerçek avantajı, akıcılaştırılmış kullanıcı deneyiminde yatar. EfficientDet, TensorFlow nesne tespiti API'si hakkında derin bilgi gerektirirken, YOLOv5 tutarlı ve basit bir Python API'si sunar.
Bakımı özenle yapılan Ultralytics ekosistemi; geliştiricilerin sık güncellemelere, aktif topluluk desteğine ve Weights & Biases ile ClearML gibi deney izleme araçlarıyla sorunsuz entegrasyonlara erişebilmesini sağlar.
Kod Örneği: YOLOv5 ile Başlangıç#
Önceden eğitilmiş bir YOLOv5 modeli ile çıkarım çalıştırmak, PyTorch Hub aracılığıyla yalnızca birkaç satır kod gerektirir:
from ultralytics import YOLO
# Load the highly efficient YOLOv5s model
model = YOLO("yolov5su.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")
# Display the detected bounding boxes
results[0].show()Çok Yönlülük ve Gerçek Dünya Uygulamaları#
EfficientDet kesinlikle bir nesne tespiti çerçevesidir, bu da karmaşık vizyon boru hatlarındaki kullanışlılığını sınırlandırır. Öte yandan YOLOv5, birden fazla bilgisayarlı görü görevini destekleyecek şekilde evrimleşmiştir. Modelin modern sürümleri, son derece doğru instance segmentation ve image classification işlemlerini destekleyerek geliştiricilerin makine öğrenimi yığınlarını birleştirmesine olanak tanır.
İdeal Kullanım Senaryoları#
- EfficientDet: Maksimum doğruluğun gecikmeye tercih edildiği ve sunucu sınıfı TPU'ların veya yüksek bellekli GPU'ların mevcut olduğu çevrimdışı işleme, akademik araştırma ve bulut tabanlı analizler için en uygunudur.
- YOLOv5: edge AI deployments için kesin tercihtir. Düşük gecikme süresi, küçük parametre kapladığı alan ve yüksek doğruluğun kombinasyonu; onu dron analitiği, gerçek zamanlı perakende otomasyonu ve CoreML veya TFLite aracılığıyla mobil uygulamalar için ideal kılar.
Yeni Nesil: YOLO26'ya Yükseltme#
YOLOv5 sağlam ve yaygın olarak dağıtılan bir model olmaya devam ederken, yapay zeka alanı hızla ilerlemektedir. Yeni projelere başlayan veya modern performansın zirvesini arayan ekipler için Ultralytics, Ocak 2026'da yayınlanan YOLO26 modelini tanıttı.
YOLO26, hız ve doğruluk Pareto sınırını yeniden tanımlayarak dağıtımı kolaylaştıran ve çıkarımı hızlandıran çığır açan mimari değişiklikler getiriyor.
Önemli YOLO26 İyileştirmeleri#
- Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) işlem sonrası adımlarını yerel olarak ortadan kaldırır. Bu, dağıtım mantığını büyük ölçüde basitleştirir ve YOLOv10'daki ilk denemelerden geliştirilen çığır açıcı bir yaklaşımla gecikme değişkenliğini azaltır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lar olmadan çalışan uç bilgi işlem ve düşük güç tüketen IoT cihazları için özel olarak tasarlanmıştır.
- MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'nın Kimi K2'si gibi) esinlenen bu SGD ve Muon hibriti, LLM yeniliklerini bilgisayarlı görüye getirerek daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleme ve robotik için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar.
- DFL Kaldırma: Distribution Focal Loss (DFL) çıkarılarak model başlığı büyük ölçüde basitleştirilmiştir; bu da eski veya oldukça kısıtlı uç donanımlarına dışa aktarırken daha iyi uyumluluk sağlar.
Çok görevli boru hatları dağıtan ekipler için YOLO26; segmentasyon için çok ölçekli proto (multi-scale proto) ve oriented bounding boxes (OBB) için özel açı kaybı gibi göreve özel yükseltmeler de sunar. Ekosistem içindeki diğer modern alternatifleri keşfetmek için YOLO11 veya YOLOv8 mimarisini de inceleyebilirsiniz.
Sonuç#
EfficientDet ve YOLOv5 arasındaki seçim, büyük ölçüde dağıtım hedefine bağlıdır. EfficientDet, bulut odaklı çıkarım için uygun, matematiksel olarak zarif bir ölçekleme yaklaşımı sunar. Bununla birlikte, YOLOv5'in üstün geliştirici deneyimi, son derece hızlı PyTorch eğitim döngüleri ve yüksek düzeyde optimize edilmiş uç dağıtım yetenekleri, onu gerçek dünya ve gerçek zamanlı uygulamaların büyük çoğunluğu için tercih edilen seçenek haline getirir. Ultralytics tarafından sağlanan kapsamlı araçlardan yararlanarak, ekipler pazara çıkış sürelerini hızlandırabilir ve son derece duyarlı yapay zeka sistemleri oluşturabilirler.