EfficientDet ile YOLOv7 karşılaştırması#

En etkili sinir ağı mimarisini seçmek, her türlü computer vision girişiminin başarısı için çok önemlidir. Yüksek performanslı AI çözümlerine olan talep arttıkça, doğruluk ve hesaplama verimliliğini optimize etmeyi amaçlayan geliştiriciler için EfficientDet ve YOLOv7 gibi köklü modelleri karşılaştırmak esprili bir hale gelmektedir.

Bu kapsamlı teknik analiz, her iki model için de mimari nüansları, performance metrics değerlerini ve ideal dağıtım senaryolarını inceler. Ek olarak, en son teknoloji ürünü Ultralytics YOLO26 ile zirveye ulaşan Ultralytics tarafından sağlanan entegre ekosistemin, modern bilgisayarla görü görevleri için neden üstün bir alternatif sunduğunu göstereceğiz.

EfficientDet'i Anlamak#

EfficientDet, çeşitli kaynak kısıtlamaları genelinde hesaplama maliyetlerini sistematik olarak yönetirken doğruluğu en üst düzeye çıkarmak için tasarlanmıştır. Bunu, ölçeklendirme ve özellik birleştirmeye yönelik yenilikçi bir yaklaşım ile başarmıştır.

EfficientDet Ayrıntıları:
Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google
Tarih: 2019-11-20
Arxiv: EfficientDet: Scalable and Efficient Object Detection
GitHub: Google AutoML Repository

Mimari ve Yenilikler#

Özünde EfficientDet, Çift Yönlü Özellik Piramit Ağı (BiFPN) kullanır. Geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar sunarak kolay ve hızlı çok ölçekli özellik birleştirmeye olanak tanır. Bu, omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda tekdüze bir şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemiyle birleştirilmiştir.

Güçlü ve Zayıf Yönler#

EfficientDet son derece ölçeklenebilirdir. Daha küçük varyantları (d0-d2) son derece parametre verimlidir ve bu da onları katı depolama kısıtlamalarına sahip ortamlar için uygun hale getirir. Daha büyük varyantlar (d7 gibi) ise üst düzey çevrimdışı işleme için mean Average Precision (mAP) sınırlarını zorlar.

Ancak EfficientDet, eski TensorFlow uygulamalarına ve karmaşık AutoML boru hatlarına büyük ölçüde bağımlıdır. Bu eski altyapı, modern PyTorch merkezli iş akışlarına entegre edilmesini son derece zorlaştırmaktadır. Dahası, daha yüksek doğruluk varyantlarına ölçeklendirildiğinde uç cihazlarda önemli bir çıkarım gecikmesinden muzdariptir.

EfficientDet hakkında daha fazla bilgi edinin

YOLOv7'yi Anlamak#

2022'de tanıtılan YOLOv7, gerçek zamanlı uygulamalar için hız ve doğrulukta büyük bir sıçrama yaparak, o dönem için çok popüler olan YOLO ailesi adına yeni bir temel oluşturdu.

YOLOv7 Ayrıntıları:
Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
Tarih: 2022-07-06
Arxiv: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
GitHub: Official YOLOv7 Repository

Mimari ve Yenilikler#

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) tanıttı. Bu mimari iyileştirme, orijinal gradyan yolunu bozmadan ağın öğrenme yeteneğini geliştirerek modelin daha çeşitli özellikleri verimli bir şekilde öğrenmesini sağlar. Ayrıca, çıkarım maliyetini artırmadan doğruluğu artırmak için planlı yeniden parametrelendirme ve dinamik etiket atama gibi tekniklerden yararlanarak bir "eğitilebilir ücretsizler çantası" (trainable bag-of-freebies) uygular.

Güçlü ve Zayıf Yönler#

video analytics ve yüksek hızlı robotik navigasyon gibi gerçek zamanlı senaryolarda YOLOv7 öne çıkmaktadır. Sunucu sınıfı GPUs üzerinde olağanüstü iyi ölçeklenir ve yerel bir PyTorch uygulaması sunarak akademik araştırmacılar için erişilebilir hale gelir.

Etkileyici hızına rağmen, YOLOv7 hala son işleme için NMS'ye (Non-Maximum Suppression) güvenir, bu da kalabalık sahnelerde değişken gecikmelere yol açabilir. Ayrıca, eğitim sırasındaki bellek kullanımı, yeni nesillere kıyasla belirgin şekilde daha büyüktür ve büyük yığın boyutlarını işlemek için daha sağlam donanım gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, hassasiyet, çıkarım hızı ve parametre boyutu arasındaki dengeleri incelemek hayati önem taşır. Aşağıda, çeşitli EfficientDet ve YOLOv7 konfigürasyonlarının detaylı bir değerlendirmesi bulunmaktadır.

Kullanım Durumları ve Öneriler#

EfficientDet ile YOLOv7 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman EfficientDet Seçilmeli#

EfficientDet şu durumlar için güçlü bir tercihtir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısıyla derinlemesine entegre edilmiş sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemenin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Özellikle Android veya gömülü Linux cihazlar için TensorFlow Lite dışa aktarımı gerektiren projeler.

Ne Zaman YOLOv7 Seçilmeli#

YOLOv7 şunlar için önerilir:

• Akademik Kıyaslama: 2022 dönemi en son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ve eğitilebilir ücretsizler çantası tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel Boru Hatları: YOLOv7'nin belirli mimarisi etrafında inşa edilmiş, kolayca yeniden düzenlenemeyen, yoğun şekilde özelleştirilmiş boru hatlarına sahip projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Doğru mimariyi seçmek saf metriklerin ötesine geçer; tüm makine öğrenimi yaşam döngüsünü değerlendirmeyi içerir. Ultralytics ecosystem benzersiz bir geliştirici deneyimi sunarak güçlü AI dağıtımları için giriş bariyerini önemli ölçüde düşürür.

• Kullanım Kolaylığı: Ultralytics, son derece birleşik bir Python API'si sağlar. Geliştiriciler modelleri sadece birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilir, böylece EfficientDet'te tipik olarak görülen karmaşık ve parçalı kod tabanlarını yönetme ihtiyacını ortadan kaldırır.
• İyi Bakımı Yapılan Ekosistem: Hızlı güncellemelerden, kapsamlı belgelendirmeden ve aktif bir topluluktan yararlanan Ultralytics, TensorRT ve OpenVINO gibi en son deployment frameworks ile uyumluluk sağlar.
• Bellek Gereksinimleri: Yüksek oranda optimize edilmiş PyTorch veri yükleyicileri ve düzenlenmiş ağ yapılarını kullanarak, Ultralytics YOLO modelleri eğitim sırasında çok dallı ağlara ve transformatör ağırlıklı modellere kıyasla önemli ölçüde daha az CUDA belleği gerektirir.
• Çok Yönlülük: Sınırlayıcı kutu tespitiyle katı bir şekilde bağlantılı olan eski mimarilerin aksine, Ultralytics modelleri Instance Segmentation, Pose Estimation ve Oriented Bounding Boxes (OBB) destekleyen çok görevli güç merkezleridir.

Ultralytics ile Eğitim Verimliliği#

Aşağıdaki kod, eski TensorFlow boru hatlarını yapılandırmanın tam tersine, Ultralytics Python paketini kullanarak en son teknoloji bir modeli eğitmenin basitliğini göstermektedir.

from ultralytics import YOLO

# Load the highly recommended YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model automatically handling hyperparameter tuning and augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the model to TensorRT for deployment
model.export(format="engine")

Yeni Standart: YOLO26#

YOLOv7 ve EfficientDet modern bilgisayarla görünün temelini atarken, manzara Ocak 2026'da Ultralytics YOLO26 sürümü ile dramatik bir şekilde evrimleşti. Hem aşırı doğruluk hem de benzersiz uç performans için tasarlanan YOLO26, tüm yeni görü projeleri için nihai tavsiyedir.

Temel YOLO26 Yenilikleri#

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlemini tamamen ortadan kaldırarak otonom sürüş gibi güvenlik açısından kritik sistemler için çok önemli olan daha düşük ve daha tutarlı bir gecikme süresi sunar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırma sayesinde YOLO26, önemli ölçüde basitleştirilmiş bir dışa aktarma süreci ve Raspberry Pi gibi uç cihazlarda benzersiz hız sunarak uç bilişimin tartışmasız şampiyonu haline gelir.
• MuSGD Optimize Edici: YOLO26, Moonshot AI'dan gelen büyük dil modeli eğitim yeniliklerinden esinlenen SGD ve Muon'un bir hibriti olan devrim niteliğindeki MuSGD Optimize Edici'yi içerir. Bu, oldukça kararlı eğitim dinamikleri ve çok daha hızlı yakınsama oranları sağlar.
• ProgLoss + STAL: Progressive Loss ve Scale-Targeted Alignment Loss entegrasyonu, modelin küçük nesneleri tespit etme yeteneğini büyük ölçüde geliştirerek drone görüntüleri ve security alarm systems için devasa bir acı noktasını çözer.
• Göreve Özgü İyileştirmeler: YOLO26 sadece bir detektör değildir. Kusursuz segmentation için bir Semantic segmentation loss ve çok ölçekli proto, son derece doğru pose tracking için Residual Log-Likelihood Estimation (RLE) ve OBB sınır belirsizliklerini çözmek için özel açı kaybı içerir.

YOLO26 hakkında daha fazla bilgi edin

Alternatif Modelleri Keşfetme#

YOLO26 mevcut teknolojinin zirvesini temsil etse de, Ultralytics ekosistemi farklı kullanım durumları için uyarlanmış çeşitli modelleri destekler.

Hâlâ geleneksel çapasız ölçeklendirme gerektiren eski sistemleri yöneten geliştiriciler için YOLO11, Ultralytics platformunda sağlam, yüksek düzeyde desteklenen bir seçenek olmaya devam etmektedir. Ek olarak, transformer tabanlı mimarileri açıkça gerektiren senaryolar için RT-DETR, yüksek uçlu dikkat mekanizmaları ile gerçek zamanlı yürütme hızları arasındaki boşluğu dolduran vizyon transformer'larını kullanan gerçek zamanlı algılama sunar.

Sonuç olarak, EfficientDet bileşik ölçeklendirme hakkında akademik içgörüler sunarken ve YOLOv7 güçlü bir temel gerçek zamanlı performans sağlarken, modern işletmelere en iyi hizmet Ultralytics Platform benimsenerek sunulur. YOLO26'dan yararlanarak ekipler maksimum performans, minimum eğitim sürtünmesi sağlayabilir ve AI dağıtımlarını geleceğe hazırlayabilir.