EfficientDet ve YOLOv6-3.0
Doğru sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü projesinin temel taşıdır. Bu kılavuz, Google'ın EfficientDet'i ve Meituan'ın YOLOv6-3.0'ı olmak üzere iki önemli nesne tespiti modelini teknik açıdan karşılaştırıyor.
Her iki mimari de piyasaya sürüldüklerinde önemli ilerlemeler sağlamış olsa da yapay zekâ, o zamandan beri daha çok yönlü ve uçta optimize edilmiş çözümler üretti. Bu kılavuz EfficientDet ve YOLOv6-3.0'ın performansını, eğitim yöntemlerini ve mimari ayrıntılarını karşılaştırıyor; ayrıca pek çok geliştiricinin dağıtım için neden artık Ultralytics YOLO26 gibi modern ekosistemleri seçtiğini açıklıyor.
EfficientDet: Ölçeklenebilir AutoML Mimarisi#
Google Brain ekibi tarafından geliştirilen EfficientDet, AutoML ile tasarlanmış EfficientNet omurgasını temel alır ve bunu bileşik ölçeklendirilmiş bir özellik ağıyla birleştirir.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Research
- Tarih: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
- Belgeler: EfficientDet README
Mimari Yenilikler#
EfficientDet'in temel yeniliği BiFPN'dir (Çift Yönlü Özellik Piramidi Ağı). Yalnızca özellikleri yukarıdan aşağıya birleştiren geleneksel FPN'lerin aksine BiFPN, karmaşık iki yönlü çapraz ölçek bağlantılarına olanak tanır ve farklı giriş özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar kullanır. Buna, ağın çözünürlüğünü, derinliğini ve genişliğini eş zamanlı olarak tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi eşlik eder.
Güçlü ve Zayıf Yönler#
EfficientDet, parametre sayısına kıyasla mükemmel ortalama hassasiyet (mAP) değerlerine ulaşarak dönemine göre yüksek doğruluk sunar. Ancak eski TensorFlow ortamlarına büyük ölçüde bağımlıdır. Bu bağımlılık, modern PyTorch tabanlı tek aşamalı dedektörlere kıyasla çoğunlukla karmaşık hiperparametre ayarlarına, eğitim sırasında daha yüksek bellek kullanımına ve standart donanımlarda daha yavaş çıkarıma yol açar.
EfficientDet hakkında daha fazla bilgi edin
YOLOv6-3.0: Endüstriyel İşlem Hacmi Şampiyonu#
Yüksek hacimli endüstriyel işleme için geliştirilen YOLOv6-3.0, NVIDIA T4 ve A100 GPU'lar gibi donanım hızlandırıcılarında iş hacmini en üst düzeye çıkarmak üzere sıfırdan tasarlanmış bir evrişimli sinir ağıdır (CNN).
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Kuruluş: Meituan Vision AI
- Tarih: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Belgeler: YOLOv6 Belgeleri
Mimari Yenilikler#
YOLOv6-3.0, doğru konumlandırma sinyallerini korumak için boyundaki geleneksel modülleri Çift Yönlü Birleştirme (BiC) modülüyle değiştirir. Ayrıca Çapa Destekli Eğitim (AAT) stratejisini kullanır. AAT, ek gradyan rehberliği sağlamak amacıyla eğitim aşamasında çapa tabanlı yardımcı bir dal ekler; bağlantısız 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 yığın işlemeye olanak tanıyan yüksek hızlı üretim ortamlarında iyi performans gösterir. Ancak tasarımı GPU iş hacmine göre ayarlanmıştır; bu nedenle hız avantajı uç cihazlarda veya yalnızca CPU kullanılan ortamlarda azalabilir.
YOLOv6-3.0 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Belirli dağıtım kısıtlarına uygun bir model seçmek için ham performans ölçütlerini anlamak temel önem taşır. Aşağıdaki tabloda doğruluk, hız ve hesaplama ayak izi ayrıntılı olarak karşılaştırılıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
YOLOv6-3.0, T4 GPU'larda çok yüksek TensorRT hızları sunsa da kısıtlı uç donanımlara veya CPU'lara dağıtım yapan geliştiriciler, Ultralytics YOLO26 gibi düşük güç tüketimli ortamlar için özel tasarlanmış mimarilerden önemli ölçüde yararlanır.
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 referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı 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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:
- Uçta NMS'siz Dağıtım: Maksimum Olmayan Bastırma (NMS) son işlemesinin karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
- 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: Neden YOLO26'yı Seçmelisin#
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.
Güçlü performans ve kullanım kolaylığı arayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önemli bir ilerlemedir. Yeni dağıtımlar için önerilen modeldir.
YOLO26 Yenilikleri#
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26,
nms=Falseile bire bir başlığı seçtiğinde NMS son işlemesi ihtiyacını ortadan kaldıran yerel uçtan uca çıkarımı destekler. Bu, çeşitli uç donanımlarda model dağıtımını basitleştirirken gecikme değişkenliğini azaltır. - MuSGD Optimize Edici: LLM eğitiminden (Moonshot AI'nin Kimi K2'si gibi) esinlenen YOLO26, SGD ve Muon'un birleşimini kullanır. Bu yaklaşım, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşıyarak daha hızlı yakınsama ve verimli eğitim sağlar.
- CPU'da %43'e Kadar Daha Hızlı Çıkarım: Uç bilişim ve düşük güç tüketimli cihazlar için optimize edilen YOLO26, geleneksel endüstriyel modellerin zorlandığı yerlerde CPU'da hızlı çıkarım sağlar; YOLO26n, YOLO11n'den %43'e kadar daha hızlıdır.
- DFL'nin Kaldırılması: Dışa aktarma grafiğini basitleştirmek için Distribution Focal Loss kaldırılmıştır; bu, OpenVINO ve CoreML gibi dağıtım çalışma ortamlarıyla uyumluluğu artırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedef duyarlı etiket ataması, küçük nesne tanımada kayda değer iyileştirmeler sağlar. Bu özellikler YOLO26'yı drone haritalama, IoT sensörleri ve robotik için uygun kılar.
Çok Yönlülük#
Sınırlayıcı kutu tespitiyle kısıtlı EfficientDet'in aksine YOLO26, yerel olarak çok görevlidir. Aynı birleşik Python API'si, Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini kutudan çıkar çıkmaz destekler; Anlamsal Segmentasyon Kaybı ve Residual Log-Likelihood Estimation (RLE) gibi göreve özel iyileştirmeler doğrudan mimariye eklenmiştir.
Kod Entegrasyonu#
Gelişmiş bir sinir ağını eğitmek artık yüzlerce satır standart kod gerektirmiyor. Ultralytics kütüphanesi, araştırmacıların COCO gibi standart veri kümelerinde bir modeli birkaç satır kodla 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 sürümüdür; olgun ve iyi belgelenmiş işlem hatları gerektiren kurumsal ortamlarda yaygın biçimde kullanılır.
- Ultralytics YOLOv8: Geliştirici deneyimi için yüksek bir standart belirleyen ve yaygın biçimde benimsenen bu model, TensorBoard ve Weights & Biases gibi araçlarla derin entegrasyona sahip genel amaçlı bilgisayarlı görü görevleri için iyi bir seçenek olmaya devam ediyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.