Ultralytics YOLO27:
Get Started

EfficientDet ve YOLOv6-3.0#

Doğru sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü girişiminin temel taşıdır. Bu derinlemesine inceleme, nesne algılama alanındaki iki önemli model olan Google'ın EfficientDet'i ile Meituan'ın YOLOv6-3.0'ı arasında son derece teknik bir karşılaştırma sunuyor.

Her iki mimari de piyasaya sürüldüklerinde ileriye yönelik büyük atılımlar sunsa da yapay zekânın hızlı gelişimi, daha çok yönlü ve uç cihazlar için optimize edilmiş çözümleri beraberinde getirdi. Aşağıda EfficientDet ile YOLOv6-3.0'ın performansını, eğitim yöntemlerini ve mimari ayrıntılarını inceliyor, geliştiricilerin neden en yeni teknolojiyle dağıtım için Ultralytics YOLO26 gibi modern ekosistemlere giderek daha fazla yöneldiğini ele alıyoruz.

EfficientDet: Ölçeklenebilir AutoML Mimarisi#

Google Brain ekibi tarafından geliştirilen EfficientDet, hem omurgasını hem de özellik ağını optimize etmek için otomatik makine öğreniminden (AutoML) yararlanarak yeni bir yaklaşım getirdi.

Mimari Yenilikler#

EfficientDet'in temel yeniliği BiFPN (Çift Yönlü Özellik Piramit Ağı)'dır. Özellikleri yalnızca yukarıdan aşağıya birleştiren geleneksel FPN'lerin aksine BiFPN, karmaşık ve çift yönlü ölçekler arası bağlantılara olanak tanır; ayrıca farklı girdi özelliklerinin önemini anlamak için öğrenilebilir ağırlıklar kullanır. Bu yapı, ağın çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemiyle birleştirilir.

Güçlü ve Zayıf Yönler#

EfficientDet, parametre sayısına oranla mükemmel ortalama hassasiyet (mAP) değerlerine ulaşarak piyasaya çıktığı dönemde yüksek doğruluk sunar. Ancak eski TensorFlow ortamlarına büyük ölçüde bağımlıdır. Bu bağımlılık, modern PyTorch tabanlı tek aşamalı algılayıcılara kıyasla genellikle karmaşık hiperparametre ayarlarına, eğitim sırasında daha yüksek bellek kullanımına ve standart donanımlarda daha yavaş çıkarım gecikmesine yol açar.

EfficientDet hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel İşlem Hacmi Şampiyonu#

Toplu işleme ihtiyaçlarını karşılamak üzere piyasaya sürülen YOLOv6-3.0, NVIDIA T4 ve A100 GPU'ları gibi donanım hızlandırıcılarında işlem hacmini en üst düzeye çıkarmak için sıfırdan tasarlanmış bir evrişimli sinir ağıdır (CNN).

Mimari Yenilikler#

YOLOv6-3.0, doğru konumlandırma sinyallerini korumak için boyun kısmındaki geleneksel modülleri Çift Yönlü Birleştirme (BiC) modülüyle değiştirir. Ayrıca Çapayla Destekli Eğitim (AAT) stratejisini kullanır. AAT, ek gradyan rehberliği sağlamak için eğitim aşamasında çapa tabanlı yardımcı bir dal ekler; çapasız hız avantajını korumak için bu dal çıkarım sırasında devre dışı bırakılır.

Güçlü ve Zayıf Yönler#

Donanım dostu EfficientRep omurgası üzerine kurulan YOLOv6-3.0, özel GPU'larda toplu işleme yapılabilen yüksek hızlı endüstriyel üretim ortamlarında öne çıkar. Ancak yeniden parametreleştirme işlemlerine yoğun biçimde dayanması, uç cihazlarda veya yalnızca CPU hesaplamasına dayanan ortamlarda kullanıldığında hızda önemli düşüşlere yol açabilir.

YOLOv6-3.0 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Belirli dağıtım kısıtlarına uygun bir model seçmek için ham performans ölçümlerini anlamak çok önemlidir. Aşağıda doğruluk, hız ve hesaplama ayak izinin ayrıntılı bir dökümü yer alıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
EfficientDet-d064034.610.23.923.92.54
EfficientDet-d164040.513.57.316.66.1
EfficientDet-d264043.017.710.928.111.0
EfficientDet-d364047.528.019.5912.024.9
EfficientDet-d464049.742.833.5520.755.2
EfficientDet-d564051.572.567.8633.7130.0
EfficientDet-d664052.692.889.2951.9226.0
EfficientDet-d764053.7122.0128.0751.9325.0
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
Donanım Hususları

YOLOv6-3.0, T4 GPU'larda TensorRT ile çok yüksek hızlara ulaşsa da kısıtlı uç donanımlara veya CPU'lara dağıtım yapan geliştiriciler, Ultralytics YOLO26 gibi düşük güç tüketimli ortamlar için özel olarak tasarlanmış mimarilerden önemli ölçüde yararlanabilir.

Kullanım Alanları ve Öneriler#

EfficientDet ile YOLOv6 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda iyi bir seçenektir:

  • Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik sistemler.
  • Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
  • LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlarda önerilir:

  • Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
  • Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
  • Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 Neden Daha Üstün Bir Seçenek?#

EfficientDet ve YOLOv6-3.0, bilgisayarlı görü araştırmalarında dönüm noktaları olsa da bunları modern üretim ortamlarında dağıtmak genellikle karmaşık bağımlılıklarla, birbiriyle uyumsuz API'lerle ve yüksek bellek gereksinimleriyle uğraşmayı gerektirir. Ultralytics ekosistemi bu iş akışı darboğazlarını yerel olarak çözer.

En yüksek performansı ve kullanım kolaylığını arayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) yeni nesil bir sıçrama sunuyor. Yeni dağıtımlar için önerilen bu model, eski mimarileri her açıdan geride bırakıyor.

YOLO26'nın Çığır Açan Yenilikleri#

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26 yerel uçtan uca çıkarımı destekler; nms=False ile bire bir eşleşen başlık seçildiğinde son işlem aşamasında Maksimum Olmayan Bastırma (NMS) ihtiyacını ortadan kaldırır. Bu, gecikme değişkenliğini önemli ölçüde azaltır ve çeşitli uç donanımlarda model dağıtımını kolaylaştırır.
  • MuSGD Optimizatörü: LLM eğitiminden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ile Muon'un bir birleşimini kullanır. Bu yaklaşım, büyük dil modellerinin kararlılığını bilgisayarlı görüye taşır; daha hızlı yakınsama ve son derece verimli eğitim süreçleri sağlar.
  • CPU'da %43'e Varan Hız Artışı: Özellikle uç bilişim ve düşük güç tüketimli cihazlar için optimize edilen YOLO26, geleneksel endüstriyel modellerin zorlandığı alanlarda eşsiz CPU hızları sunar.
  • DFL'nin Kaldırılması: Dağılım Odaklı Kayıp kaldırılarak dışa aktarma grafiği basitleştirildi; böylece OpenVINO ve CoreML gibi dağıtım çalışma ortamlarıyla sorunsuz uyumluluk sağlandı.
  • ProgLoss + STAL: Gelişmiş kayıp fonksiyonları küçük nesne tanımada dikkate değer iyileştirmeler sunarak YOLO26'yı drone haritalama, IoT sensörleri ve robotik için vazgeçilmez kılıyor.

Eşsiz Çok Yönlülük#

Sınırlı olarak sınırlayıcı kutu algılamaya odaklanan EfficientDet'in aksine YOLO26, yerel olarak çok görevli öğrenme sunar. Birleşik Python API, kullanıma hazır şekilde örnek segmentasyonu, poz tahminini, görüntü sınıflandırmasını ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler; ayrıca Semantik Segmentasyon Kaybı ve Artık Log-Olabilirlik Tahmini (RLE) gibi göreve özgü iyileştirmeler doğrudan mimariye entegre edilmiştir.

Sorunsuz Kod Entegrasyonu#

Gelişmiş bir sinir ağını eğitmek artık yüzlerce satır standart kod yazmayı gerektirmiyor. Ultralytics kütüphanesi, araştırmacıların modeli COCO gibi standart veri kümelerinde sorunsuzca yüklemesine, eğitmesine ve doğrulamasına olanak tanır:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx", nms=False)

Değerlendirilebilecek Diğer Modeller#

Projen eski donanım profillerini desteklemeyi gerektiriyorsa veya eski bir kod tabanını sürdürüyor olsan da kapsamlı Ultralytics ekosistemi ihtiyaçlarını karşılar.

  • Ultralytics YOLO11: YOLO26'nın hemen önceki sürümü; olgun ve iyi belgelenmiş işlem hatları gerektiren kurumsal ortamlarda son derece güvenilirdir.
  • Ultralytics YOLOv8: Geliştirici deneyimini yeniden tanımlayan standart model; TensorBoard ve Weights & Biases gibi araçlarla derinlemesine entegre genel amaçlı bilgisayarlı görü görevleri için hâlâ mükemmel bir seçenektir.
Katkıda Bulunanlar
GLglenn-jocher19PDpderrenger1

Yorumlar