Meet YOLO26: next-gen vision AI.

Link to this sectionEfficientDet ve YOLOX#

Modern bir bilgisayarlı görü hattı oluştururken, doğru modeli seçmek hem doğruluk hem de gerçek zamanlı uygulanabilirlik açısından kritik bir karardır. Bu teknik rehber, sinir ağlarının evrimindeki iki önemli mimari olan Google'ın EfficientDet modeli ile Megvii'nin YOLOX modeli arasında derinlemesine bir karşılaştırma sunmaktadır. Mimari paradigmalarını analiz edecek, kıyaslamalı performanslarını değerlendirecek ve yeni yayınlanan Ultralytics YOLO26 gibi son teknoloji çözümlere karşı nasıl bir performans sergilediklerini inceleyeceğiz.

Link to this sectionEfficientDet Genel Bakış#

Google Brain ekibi tarafından tanıtılan EfficientDet, model ölçeklendirmeye yönelik oldukça yapılandırılmış bir yaklaşıma öncülük etti ve ağır parametreli çağdaş ağlara kıyasla çok daha az parametre ile yüksek doğruluk değerlerine ulaşılabileceğini kanıtladı.

EfficientDet Detayları:

Link to this sectionMimari Öne Çıkanlar#

EfficientDet, ağın çözünürlüğünü, derinliğini ve genişliğini tekdüze bir şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi uygulayan EfficientNet omurgası üzerine inşa edilmiştir. En belirgin özelliği, hızlı ve etkili çok ölçekli özellik füzyonunu sağlayan Bi-directional Feature Pyramid Network (BiFPN) yapısıdır. BiFPN, farklı girdi özellikleri için öğrenilebilir ağırlıklar kullanarak ağın daha kritik uzamsal verilere öncelik vermesini sağlar.

EfficientDet'in teorik FLOPs değerleri oldukça düşük olsa da, TensorFlow ekosistemine ve eski AutoML konfigürasyonlarına olan bağımlılığı, onu modern ve hızlı ilerleyen PyTorch iş akışlarına entegre etmeyi zahmetli hale getirebilir. Ayrıca, karmaşık çok dallı yapısı, eğitim sırasında modern YOLO varyantlarına kıyasla beklenenden daha yüksek bellek tüketimine yol açabilir.

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionYOLOX Genel Bakış#

İki yıl sonra yayınlanan YOLOX, geleneksel YOLO mimarisini çapasız (anchor-free) bir çerçeveye dönüştürerek akademik araştırmalar ile endüstriyel dağıtım arasındaki boşluğu kapatmayı amaçladı.

YOLOX Detayları:

Link to this sectionMimari Öne Çıkanlar#

YOLOX, nesne tespiti paradigmasını önemli ölçüde basitleştirdi. Çapasız (anchor-free) bir tasarıma geçerek, karmaşık ve veri setine özgü çapa kutusu ayarlama ihtiyacını ortadan kaldırdı ve sezgisel yükü azalttı. Ayrıca, sınıflandırma ve yerelleştirme görevlerini ayıran bir ayrıştırılmış başlık (decoupled head) entegre etti; bu durum yakınsama hızını ciddi oranda artırdı. Dahası, SimOTA etiket atama stratejisinin tanıtılması, eğitim sırasında pozitif örneklerin tahsisini dinamik olarak optimize etti.

Bu gelişmelere rağmen, YOLOX depolarını yönetmek genellikle manuel C++ uzantılarının derlenmesini ve karmaşık bağımlılıkların yönetilmesini gerektirir, bu da daha az deneyimli ekipler için hızlı model dağıtımını zorlaştırabilir.

YOLOX hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Üretim için modelleri değerlendirirken, ortalama Hassasiyet (mAP) ile çıkarım hızını dengelemek çok önemlidir. Aşağıdaki tablo, EfficientDet ve YOLOX ailelerinin standart COCO kıyaslamalarındaki doğrudan karşılaştırmasını sunmaktadır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOPs
(B)
EfficientDet-d064034.610.23.923.92.54
EfficientDet-d164040.513.57.316.66.1
EfficientDet-d264043.017.710.928.111.0
EfficientDet-d364047.528.019.5912.024.9
EfficientDet-d464049.742.833.5520.755.2
EfficientDet-d564051.572.567.8633.7130.0
EfficientDet-d664052.692.889.2951.9226.0
EfficientDet-d764053.7122.0128.0751.9325.0
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
Performans İçgörüsü

EfficientDet daha büyük d7 varyantlarında yüksek doğruluk elde etse de, YOLOX GPU donanımında (TensorRT aracılığıyla) çok daha üstün bir gecikme süresi sağlar; bu da onu otonom sürüş veya spor takibi gibi yüksek FPS gerektiren uygulamalar için daha iyi bir seçenek haline getirir.

Link to this sectionKullanım Durumları ve Öneriler#

EfficientDet ve YOLOX 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 YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

  • Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
  • SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

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 ile Tanışın#

EfficientDet ve YOLOX kendi dönemlerinde önemli sıçramaları temsil etseler de, modern bilgisayarlı görü daha fazla çok yönlülük, kolaylaştırılmış iş akışları ve tavizsiz hız gerektirir. Kullanım kolaylığına, daha düşük bellek gereksinimlerine ve bakımı iyi yapılmış bir ekosisteme öncelik veren geliştiriciler için, Ocak 2026'da yayınlanan Ultralytics YOLO26 sürümüne yükseltmenizi şiddetle tavsiye ederiz.

YOLO26, YOLO serisinde bir paradigma değişimini temsil eder ve YOLOX ve EfficientDet gibi eski modellerdeki sınırlamaları sistematik olarak aşar:

  • Uçtan Uca NMS-Free Tasarım: Maliyetli NMS (Non-Maximum Suppression) sonrası işleme gerektiren EfficientDet ve YOLOX'un aksine, YOLO26 doğal olarak uçtan uca çalışır. Bu, gecikme darboğazlarını ortadan kaldırır ve uç cihaz dağıtımını ciddi oranda basitleştirir.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: Stratejik mimari ayarlamalar ve DFL Removal (Distribution Focal Loss) sayesinde YOLO26, özel GPU'lara sahip olmayan ortamlar için benzersiz bir şekilde optimize edilmiştir ve Raspberry Pi gibi uç yapay zeka donanımlarında EfficientDet'i tamamen geride bırakır.
  • MuSGD Optimizer: LLM eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2 modeli gibi) ilham alan YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, eski TensorFlow tahmincilerinden çok daha üstün, inanılmaz derecede kararlı bir eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, hem YOLOX hem de EfficientDet için tarihsel bir zayıflık olan küçük nesne tanıma konusunda kayda değer iyileştirmeler getirir. Bu, drone analitiği ve IoT için kritiktir.
  • İnanılmaz Çok Yönlülük: EfficientDet ve YOLOX kesin olarak sadece sınırlayıcı kutu (bounding box) dedektörleri iken, YOLO26 doğal olarak Örnek Segmentasyonu, Poz Tahmini (Residual Log-Likelihood Estimation yoluyla) ve Yönelimli Sınırlayıcı Kutuları (OBB) destekler.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionKolaylaştırılmış Kullanıcı Deneyimi ve Eğitim Verimliliği#

YOLOX gibi modellerdeki en büyük engellerden biri eğitim ortamını kurmaktır. Ultralytics Platformu, en son teknoloji bir modeli eğitmenin sadece birkaç satır kod gerektirdiği birleşik bir Python SDK sunar. Ayrıca, YOLO modelleri, Transformer ağırlıklı modellere veya eski çok dallı ağlara kıyasla çok daha düşük CUDA bellek kullanımı sağlayan, yüksek oranda optimize edilmiş veri yükleyicilerine sahiptir.

from ultralytics import YOLO

# Load the cutting-edge YOLO26n model (NMS-free!)
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the model seamlessly to ONNX or OpenVINO for edge deployment
model.export(format="openvino")

Link to this sectionSonuç: Doğru Seçimi Yapmak#

Eğer TensorFlow ekosistemine derinlemesine gömülü eski bir sistemi sürdürüyorsan, EfficientDet, özellikle devasa bileşik ölçeklendirmenin teorik olarak gerekli olduğu senaryolar için kararlı bir seçenek olmaya devam eder. Tersine, eski ve çapasız kod tabanlarında saf hız gerektiriyorsan, YOLOX hızlı ve güvenilir bir dedektör olarak iş görür.

Ancak, üretime geçen her yeni proje için tercih kesinlikle Ultralytics YOLO26'dır (veya kurumsal destek için oldukça kararlı olan YOLO11). Uçtan uca NMS-free mimarisi, büyük oranda iyileştirilmiş CPU hızları ve OpenVINO ve TensorRT gibi platformlar aracılığıyla sorunsuz bir dağıtım hattı sunan YOLO26, bilgisayarlı görü uygulamalarının geleceğe hazır, yüksek doğruluklu ve bakımı inanılmaz derecede kolay olmasını sağlar.

Katkıda Bulunanlar
GLglenn-jocher15

Yorumlar