Başla

EfficientDet ve YOLOv7

En etkili sinir ağı mimarisini seçmek, her bilgisayarlı görü projesinin başarısı açısından kritik öneme sahiptir. EfficientDet ve YOLOv7 gibi köklü modelleri karşılaştırmak, geliştiricilerin hem doğruluğu hem de hesaplama verimliliğini optimize etmesine yardımcı olur.

Bu teknik analizde her iki modelin mimari ayrıntıları, performans ölçütleri ve en uygun dağıtım senaryoları ele alınıyor. Ayrıca, en yeni Ultralytics YOLO26 modelini de içeren tümleşik Ultralytics ekosisteminin modern bilgisayarlı görü görevleri için neden güçlü bir alternatif olduğu açıklanıyor.

EfficientDet'i Anlamak#

EfficientDet, farklı kaynak kısıtlamaları altında hesaplama maliyetlerini sistematik biçimde yönetirken doğruluğu en üst düzeye çıkarmak üzere tasarlandı. Bunu, ölçeklendirme ve özellik birleştirmeye yönelik yeni bir yaklaşımla başardı.

EfficientDet ayrıntıları:

Mimari ve Yenilikler#

EfficientDet'in temelinde çift yönlü bir Özellik Piramidi Ağı (BiFPN) bulunur. Geleneksel FPN'lerden farklı olarak BiFPN, farklı giriş özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar ekleyerek hızlı, çok ölçekli özellik birleştirmeyi mümkün kılar. Buna; omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini eş zamanlı olarak tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi eşlik eder.

Güçlü ve Zayıf Yönler#

EfficientDet yüksek ölçüde ölçeklenebilir. Daha küçük varyantları (d0-d2) parametre açısından son derece verimlidir ve katı depolama kısıtlamaları olan ortamlar için uygundur. Daha büyük varyantları (d7 gibi) ise üst düzey çevrimdışı işleme için ortalama Hassasiyet (mAP) sınırlarını zorlar.

Ancak EfficientDet, eski TensorFlow uygulamalarına ve karmaşık AutoML işlem hatlarına büyük ölçüde bağımlıdır. Bu eski altyapı, PyTorch merkezli modern iş akışlarına entegrasyonu zorlaştırır. Ayrıca, daha yüksek doğruluklu sürümlere ölçeklendiğinde uç cihazlarda önemli çıkarım gecikmesi yaşar.

EfficientDet hakkında daha fazla bilgi edin

YOLOv7'yi Anlamak#

2022'de tanıtılan YOLOv7, gerçek zamanlı uygulamalarda hız ve doğruluk bakımından büyük bir ilerleme sağladı ve o dönemde YOLO ailesi için yeni bir ölçüt belirledi.

YOLOv7 Ayrıntıları:

Mimari ve Yenilikler#

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı'nı (E-ELAN) kullanıma sundu. Bu mimari iyileştirme, özgün gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirir ve modelin daha çeşitli özellikleri verimli bir şekilde öğrenmesini sağlar. Ayrıca doğruluk oranını çıkarım maliyetini artırmadan yükseltmek için planlı yeniden parametreleştirme ve dinamik etiket atama gibi tekniklerden yararlanan "eğitilebilir ücretsiz avantajlar paketi" uygular.

Güçlü ve Zayıf Yönler#

YOLOv7, video analitiği ve yüksek hızlı robot navigasyonu gibi gerçek zamanlı senaryolarda iyi performans gösterir. Sunucu sınıfı GPU'larda iyi ölçeklenir ve yerel bir PyTorch uygulaması sunarak akademik araştırmacıların erişimini kolaylaştırır.

Hızına rağmen YOLOv7, son işleme için hâlâ Maksimum Olmayan Bastırma (NMS) kullanır; bu da kalabalık sahnelerde değişken gecikmeye yol açabilir. Eğitim sırasındaki bellek ayak izi, yeni nesillere kıyasla belirgin ölçüde daha büyüktür ve büyük yığın boyutlarını işlemek için daha güçlü donanım gerektirir.

YOLOv7 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken doğruluk, çıkarım hızı ve parametre boyutu arasındaki ödünleşimleri incelemek çok önemlidir. Aşağıdaki tabloda çeşitli EfficientDet ve YOLOv7 yapılandırmaları değerlendiriliyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Performans Özeti

EfficientDet-d7 en yüksek mAP değerine ulaşsa da T4 GPU'da yaklaşık 128 ms gerektirir. YOLOv7x ise 11,57 ms'de karşılaştırılabilir 53,1 mAP değerine ulaşarak gerçek zamanlı dağıtımlar için hesaplama verimliliğini bir büyüklük mertebesi artırır.

Kullanım Alanları ve Öneriler#

EfficientDet ile YOLOv7 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına 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.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlarda önerilir:

  • Akademik Kıyaslama: 2022 dönemi son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
  • Yeniden Parametreleştirme Araştırması: Planlanan yeniden parametreleştirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
  • Mevcut Özel İşlem Hatları: YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve kolayca yeniden düzenlenemeyen, kapsamlı biçimde özelleştirilmiş işlem hatlarına sahip projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj 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 Avantajı#

Doğru mimariyi seçmek yalnızca ham ölçütlerin ötesine geçer; makine öğrenimi yaşam döngüsünün tamamını değerlendirmeyi gerektirir. Ultralytics ekosistemi, geliştirici deneyimini güçlendirerek sağlam yapay zekâ dağıtımlarının önündeki engelleri önemli ölçüde azaltır.

  • Kullanım Kolaylığı: Ultralytics, birleşik bir Python API'si sunar. Geliştiriciler modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilir; böylece EfficientDet'de sık görülen karmaşık ve parçalı kod tabanlarını yönetme ihtiyacı ortadan kalkar.
  • Bakımı Düzenli Ekosistem: Hızlı güncellemelerden, kapsamlı belgelerden ve etkin bir topluluktan yararlanan Ultralytics, TensorRT ve OpenVINO gibi en güncel dağıtım çerçeveleriyle uyumluluğu güvence altına alır.
  • Bellek Gereksinimleri: Optimize edilmiş PyTorch veri yükleyicileri ve yalınlaştırılmış ağ yapıları sayesinde Ultralytics YOLO modelleri, eğitim sırasında çok dallı ağlara ve Transformer ağırlıklı modellere kıyasla önemli ölçüde daha az CUDA belleği gerektirir.
  • Çok Yönlülük: Yalnızca sınırlayıcı kutu tespitine bağlı eski mimarilerin aksine Ultralytics modelleri, Örnek Segmentasyonu, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekleyen çok görevli çerçevelerdir.

Ultralytics ile Eğitim Verimliliği#

Aşağıdaki kod, eski TensorFlow işlem hatlarını yapılandırmaya kıyasla Ultralytics Python paketiyle bir modeli eğitmenin ne kadar kolay olduğunu gösteriyor.

from ultralytics import YOLO

# Şiddetle önerilen YOLO26 modelini yükle
model = YOLO("yolo26s.pt")

# Modeli yerleşik veri artırmayla eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modeli dağıtım için TensorRT'ye aktar
model.export(format="engine")

Yeni Standart: YOLO26#

YOLOv7 ve EfficientDet modern bilgisayarlı görünün temelini atmış olsa da, Ocak 2026'da Ultralytics YOLO26'nın tanıtılmasıyla alan önemli ölçüde değişti. Hem yüksek doğruluk hem de uçta hızlı performans için tasarlanan YOLO26, yeni görü projelerinde önerilen modeldir.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10 ile atılan temeller üzerine inşa edilen YOLO26, yerel bir uçtan uca başlık (nms=False) sunar. NMS son işlemesini tamamen ortadan kaldırarak daha düşük ve tutarlı gecikme sağlar; bu, otonom sürüş gibi güvenlik açısından kritik sistemler için çok önemlidir.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Distribution Focal Loss'un (DFL) kaldırılması sayesinde YOLO26'nın dışa aktarma süreci daha basittir ve Raspberry Pi gibi uç cihazlarda hızlı çıkarım sağlar (YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlıdır); bu da onu uç bilişim için uygun kılar.
  • MuSGD Optimize Edici: YOLO26, Moonshot AI'nin LLM eğitim tekniklerinden esinlenen SGD ve Muon birleşimi MuSGD Optimize Edici'yi içerir. Bu, kararlı bir eğitim dinamiği ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Duyarlı Etiket Ataması, modelin küçük nesneleri tespit etme becerisini geliştirir. Bu, drone görüntülerinde ve güvenlik alarm sistemlerinde sıkça karşılaşılan bir sorundur.
  • Göreve Özel İyileştirmeler: YOLO26 bir dedektörden çok daha fazlasıdır. Daha kaliteli örnek segmentasyonu için anlamsal segmentasyon kaybı ve çok ölçekli proto, daha doğru poz tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB sınır belirsizliklerini çözmek için özel açı kaybı içerir.

Alternatif Modelleri İnceleme#

YOLO26 önerilen varsayılan model olsa da Ultralytics ekosistemi farklı kullanım durumlarına göre uyarlanmış çeşitli modelleri destekler.

Mevcut sistemlerini sürdüren geliştiriciler için YOLO11, Ultralytics Platform'da sağlam ve desteği süren bir seçenek olmaya devam ediyor. Özellikle Transformer tabanlı mimariler gerektiren senaryolarda RT-DETR, Transformer kodlayıcı-kod çözücüsüyle gerçek zamanlı tespit sunarak dikkat mekanizmalarıyla gerçek zamanlı çalışma hızları arasındaki boşluğu kapatır.

Sonuç olarak, EfficientDet bileşik ölçeklendirme konusunda akademik içgörüler sunarken YOLOv7 güçlü bir temel gerçek zamanlı performans sağlıyor; ancak modern işletmeler için en iyi seçenek Ultralytics Platform'u benimsemektir. YOLO26 ile ekipler güçlü performans, minimum eğitim sürtünmesi ve etkin biçimde sürdürülen bir dağıtım yolu elde eder.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.