EfficientDet ve YOLOv7#

En etkili sinir ağı mimarisini seçmek, her bilgisayarlı görü girişiminin başarısı için çok önemlidir. Yüksek performanslı yapay zekâ çözümlerine yönelik talep arttıkça EfficientDet ve YOLOv7 gibi yerleşik modelleri karşılaştırmak, hem doğruluğu hem de hesaplama verimliliğini optimize etmek isteyen geliştiriciler için gerekli hâle geliyor.

Bu kapsamlı teknik analiz, her iki modelin mimari inceliklerini, performans ölçütlerini ve ideal dağıtım senaryolarını ele alıyor. Ayrıca, Ultralytics'in sunduğu entegre ekosistemin ve bu ekosistemin son teknoloji ürünü Ultralytics YOLO26 ile ulaştığı noktanın modern bilgisayarlı görü görevleri için neden daha üstün bir alternatif sunduğunu göstereceğiz.

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:

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google
• Tarih: 2019-11-20
• Arxiv: EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
• GitHub: Google AutoML Deposu

Mimari ve Yenilikler#

EfficientDet'in temelinde çift yönlü özellik piramit ağı (BiFPN) bulunur. Geleneksel FPN'lerden farklı olarak BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar kullanarak çok ölçekli özelliklerin kolay ve hızlı şekilde birleştirilmesini sağlar. Bu yapı; omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve aynı oranda ölçeklendiren bileşik bir yöntemle tamamlanır.

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, modeli modern PyTorch odaklı iş akışlarına entegre etmeyi son derece zorlaştırır. Ayrıca daha yüksek doğruluk sağlayan varyantlara 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 açısından büyük bir sıçrama yaparak o dönemde yaygın olan YOLO ailesi için yeni bir ölçüt belirledi.

YOLOv7 Ayrıntıları:

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kurum: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: YOLOv7: Eğitilebilir ücretsiz avantajlar paketi gerçek zamanlı nesne algılayıcıları için yeni bir son teknoloji belirliyor
• GitHub: Resmî YOLOv7 Deposu

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 analizi ve yüksek hızlı robot navigasyonu gibi gerçek zamanlı senaryolarda üstündür. Sunucu sınıfı GPU'larda son derece iyi ölçeklenir ve akademik araştırmacıların erişimine olanak tanıyan yerel bir PyTorch uygulaması sunar.

Etkileyici hızına rağmen YOLOv7, son işlem için hâlâ Maksimum Olmayan Bastırma (NMS) kullanır; bu da kalabalık sahnelerde değişken gecikmeye yol açabilir. Ayrıca eğitim sırasındaki bellek ayak izi yeni nesillere kıyasla belirgin ölçüde daha büyüktür ve büyük toplu iş boyutlarını işlemek için daha güçlü donanım gerektirir.

YOLOv7 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken hassasiyet, çıkarım hızı ve parametre boyutu arasındaki ödünleşimleri incelemek çok önemlidir. Aşağıda çeşitli EfficientDet ve YOLOv7 yapılandırmalarının ayrıntılı bir değerlendirmesi yer alıyor.

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 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.

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 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 Avantajı#

Doğru mimariyi seçmek, yalnızca ham ölçütleri değerlendirmekten ibaret değildir; makine öğrenimi yaşam döngüsünün tamamını incelemeyi gerektirir. Ultralytics ekosistemi, güçlü yapay zekâ dağıtımlarının önündeki engelleri önemli ölçüde azaltarak geliştiricilere benzersiz bir deneyim sunar.

• Kullanım Kolaylığı: Ultralytics, son derece birleşik bir Python API'si sunar. Geliştiriciler modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilir; böylece EfficientDet'de yaygın olan 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: Ultralytics YOLO modelleri, yüksek ölçüde optimize edilmiş PyTorch veri yükleyicilerinden ve yalın ağ yapılarından yararlanarak eğitim sırasında çok dallı ağlara ve Transformer ağırlıklı modellere kıyasla çok daha az CUDA belleği gerektirir.
• Çok Yönlülük: Yalnızca sınırlayıcı kutu algılamaya bağlı eski mimarilerin aksine Ultralytics modelleri, örnek segmentasyonunu, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyen çok görevli güç merkezleridir.

Ultralytics ile Eğitim Verimliliği#

Aşağıdaki kod, eski TensorFlow işlem hatlarını yapılandırmaktan çok daha basit bir şekilde, Ultralytics Python paketiyle son teknoloji ürünü bir modeli nasıl eğitebileceğini 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 görü için temel oluşturmuş olsa da alan, Ocak 2026'da Ultralytics YOLO26 modelinin tanıtılmasıyla büyük bir dönüşüm geçirdi. Hem olağanüstü doğruluk hem de eşsiz uç performansı için tasarlanan YOLO26, tüm yeni görsel projeler için en iyi öneridir.

YOLO26'nın Temel Yenilikleri#

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, YOLOv10 ile atılan temeller üzerine kurulu, yerel bir uçtan uca başlık (nms=False) sunar. Maksimum Olmayan Bastırma (NMS) son işlemini tamamen ortadan kaldırarak daha düşük ve daha tutarlı gecikme sağlar. Bu, otonom sürüş gibi güvenlik açısından kritik sistemler için çok önemlidir.
• CPU'da %43'e Varan Hızlı Çıkarım: Dağılım Odaklı Kayıp'ın (DFL) kaldırılması sayesinde YOLO26, dışa aktarma sürecini büyük ölçüde basitleştirir ve Raspberry Pi gibi uç cihazlarda eşsiz bir hız sunarak uç bilişimin tartışmasız şampiyonu olur.
• MuSGD Optimizasyonu: YOLO26, Moonshot AI'nin büyük dil modeli eğitimi yeniliklerinden esinlenen SGD ve Muon hibriti, çığır açıcı MuSGD Optimizasyonu'nu içerir. Bu, olağanüstü kararlı eğitim dinamikleri ve çok daha hızlı yakınsama oranları sağlar.
• ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama'nın entegrasyonu, modelin minicik nesneleri algılama yeteneğini büyük ölçüde geliştirerek drone görüntüleri ve güvenlik alarm sistemleri için önemli bir sorunu çözer.
• Göreve Özel İyileştirmeler: YOLO26 yalnızca bir algılayıcı değildir. Kusursuz segmentasyon için Semantik Segmentasyon kaybı ve çok ölçekli proto; son derece hassas poz takibi için Artık Log-Olasılık Tahmini (RLE) ve OBB sınır belirsizliklerini gidermek için özelleştirilmiş açı kaybı sunar.

Alternatif Modelleri İnceleme#

YOLO26 günümüz teknolojisinin zirvesini temsil etse de Ultralytics ekosistemi farklı kullanım alanlarına yönelik çeşitli modelleri destekler.

Geleneksel çıpa gerektirmeyen ölçeklendirme yaklaşımına hâlâ ihtiyaç duyan eski sistemleri yöneten geliştiriciler için YOLO11, Ultralytics Platform'da güçlü ve kapsamlı desteğe sahip bir seçenek olmaya devam ediyor. Ayrıca özellikle Transformer tabanlı mimariler gerektiren senaryolarda RT-DETR, görsel Transformer'lardan yararlanarak gerçek zamanlı algılama sunar ve üst düzey dikkat mekanizmalarıyla gerçek zamanlı çalışma hızları arasındaki boşluğu kapatır.

Sonuç olarak, EfficientDet bileşik ölçeklendirme konusunda akademik içgörüler sunarken YOLOv7 güçlü bir gerçek zamanlı performans temel çizgisi sağlıyor; modern işletmeler için en iyi seçenek Ultralytics Platform kullanmak. YOLO26'dan yararlanan ekipler en yüksek performansı, minimum eğitim zorluğunu ve yapay zekâ dağıtımlarının geleceğe hazır olmasını sağlayabilir.