Link to this sectionEfficientDet ve YOLOv9 karşılaştırması#

Bilgisayarlı görü dünyası, sinir ağı tasarımındaki sürekli atılımlarla şekillendi. Bir model seçerken hesaplama verimliliği ile tespit doğruluğu arasında doğru dengeyi kurmak kritik öneme sahiptir. Google'ın EfficientDet modeli, 2019 yılında ölçeklenebilir mimariler sunarak güçlü bir temel oluştururken, 2024 yılında piyasaya sürülen YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) kullanarak nesne tespiti sınırlarını zorladı.

Bu rehber, bu iki model arasında kapsamlı bir teknik karşılaştırma sunar ve üretim ortamları için optimize edilmiş, uçtan uca sağlam bir çözüm sağlayan modern Ultralytics YOLO26 çerçevesini tanıtır.

Link to this sectionModel Mimarileri ve Yenilikler#

EfficientDet ve YOLOv9'un temel mekanizmalarını anlamak, en uygun kullanım durumlarını belirlemek için elzemdir.

Link to this sectionEfficientDet: Bileşik Ölçekleme ve BiFPN#

Google Research tarafından geliştirilen EfficientDet, sistematik ölçeklendirmeye ve verimli özellik füzyonuna odaklanır. Omurga yapısında EfficientNet kullanır ve yeni bir özellik ağı mimarisi tanıtır.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google
• Tarih: 20 Kasım 2019
• Bağlantılar: Arxiv, GitHub

Temel Mimari Özellikler: EfficientDet, kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanıyan Çift Yönlü Özellik Piramidi Ağına (BiFPN) büyük ölçüde dayanır. Bununla birlikte, ağın çözünürlüğünü, derinliğini ve genişliğini tekdüze bir şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Zamanı için oldukça doğru olsa da, EfficientDet eski TensorFlow ortamlarına sıkı sıkıya bağlıdır, bu da modern dağıtım hatlarını karmaşık hale getirir.

EfficientDet hakkında daha fazla bilgi edin

Link to this sectionYOLOv9: Bilgi Darboğazını Çözmek#

Academia Sinica'daki araştırmacılar tarafından geliştirilen YOLOv9, veriler derin sinir ağlarından geçerken bilginin bozulması sorununu ele alır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica
• Tarih: 21 Şubat 2024
• Bağlantılar: Arxiv, GitHub, Dokümanlar

Temel Mimari Özellikler: YOLOv9, ağ ağırlıklarını güvenilir bir şekilde güncellemek için kritik verilerin korunmasını sağlayan yardımcı denetim sunmak amacıyla Programlanabilir Gradyan Bilgisini (PGI) tanıtır. Ayrıca, parametre verimliliğini en üst düzeye çıkarmak için Genelleştirilmiş Verimli Katman Toplama Ağına (GELAN) sahiptir. Bu ilerlemelere rağmen, YOLOv9 hala işlem sonrası aşamada gecikmeye neden olan NMS (NMS) gerektirir.

YOLOv9 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Bu modelleri değerlendirirken, ampirik verileri analiz etmek, hangi mimarinin özel donanım gereksinimlerin için en iyi dengeyi sağladığını belirlemeye yardımcı olur.

Link to this sectionEleştirel Analiz#

YOLOv9 hız konusunda nesiller boyu bir sıçrama sağlar. Örneğin, YOLOv9e, 16.77ms TensorRT gecikmesiyle %55.6 mAP değerine ulaşır. Buna karşılık olarak EfficientDet-d7, %53.7'lik daha düşük bir mAP sunar ancak muazzam bir gecikmeden (128.07ms) muzdariptir, bu da onu gerçek zamanlı video akışları için dağıtmayı son derece zorlaştırır.

Link to this sectionKullanım Durumları ve Öneriler#

EfficientDet ile YOLOv9 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe 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: Android veya gömülü Linux cihazlar için özel olarak TensorFlow Lite dışa aktarma gerektiren projeler.

Link to this sectionNe Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için önerilir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı: YOLO26'yı Seçmek#

YOLOv9 ve EfficientDet yolu açmış olsa da, gerçekten modern ve üretim için hazır bir çerçeve arayan geliştiriciler, Ultralytics YOLO modellerini, özellikle yeni piyasaya sürülen YOLO26'yı düşünmelidir.

Ultralytics Platform, güçlü yerel eğitim betiklerini bulut tabanlı bir arayüzle birleştirerek benzersiz bir kullanım kolaylığı sunar. YOLO26, model tasarımında büyük bir revizyonu temsil eder ve birçok ticari uygulama için eski mimarileri geçersiz kılar.

Link to this sectionYOLO26 Teknik Öne Çıkanlar#

• Uçtan Uca NMS-Free Tasarım: YOLO26, işlem sonrası darboğazları tamamen ortadan kaldırır. Non-Maximum Suppression'ı kaldırarak, dağıtım grafikleri birleştirilir ve uç yapay zeka çiplerinde doğal olarak daha hızlı hale gelir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Gömülü cihazlar için yoğun şekilde optimize edilmiştir, bu da GPU'ların mevcut olmadığı durumlarda onu hem YOLOv9'dan hem de EfficientDet'ten önemli ölçüde daha hızlı kılar.
• MuSGD Optimize Edici: LLM yeniliklerini görüntü yapay zekasına entegre eden bu hibrit optimize edici, eğitim süreçlerini stabilize ederek modellerin daha az kaynakla daha hızlı yakınsamasına olanak tanır.
• Düşük Bellek Gereksinimleri: Transformer ağırlıklı mimarilerin veya optimize edilmemiş CNN'lerin aksine, YOLO26 eğitim sırasında CUDA bellek tüketimini en aza indirerek tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanmana olanak tanır.
• ProgLoss + STAL: Üstün kayıp fonksiyonu tasarımı, küçük nesneleri tespit etme doğruluğunu önemli ölçüde artırır ve YOLO26'yı hava görüntüleri ve IoT ağları için ideal hale getirir.
• DFL Kaldırma: Basitleştirilmiş yapısal tasarım, mobil dağıtım formatlarına sorunsuz bir dönüşümü sağlar.

YOLO26 hakkında daha fazla bilgi edin

Other robust options in the Ultralytics ecosystem include YOLO11 and YOLOv8, which also provide multi-task versatility such as instance segmentation and pose estimation.

Link to this sectionPython SDK ile Basitleştirilmiş Eğitim#

Ultralytics modelleri, geliştirici deneyimine öncelik verir. En gelişmiş modeli eğitmek, sadece birkaç satır Python koduna indirgenmiştir.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

Link to this sectionGerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak, büyük ölçüde dağıtım hedefine bağlıdır.

• Eski Bulut Dağıtımları: EfficientDet, yüksek doğruluğun gerekli olduğu ve katı gerçek zamanlı kısıtlamaların bulunmadığı çevrimdışı, bulut tabanlı toplu işleme için popülerdi.
• Akademik Araştırma: YOLOv9, teorik CNN sınırlarını zorlayan ve ağ katmanları arasındaki gradyan akışlarını analiz eden araştırmacılar için ilginç bir seçenek olmaya devam ediyor.
• Uç Bilişim ve IoT: YOLO26, gerçek dünya uygulamalarına hükmeder. NMS-free işlem hattı ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) yetenekleri, onu akıllı şehir trafik analizi, perakende envanter izleme ve drone tabanlı denetim için üstün bir seçenek haline getirerek yüksek doğruluk ve hızlı çıkarım hızlarının rakipsiz bir dengesini sunar.