EfficientDet ve YOLOX
Modern bir bilgisayarlı görü işlem hattı tasarlarken doğru modeli seçmek, hem doğruluğu hem de gerçek zamanlı kullanım uygunluğunu belirleyen kritik bir karardır. Bu teknik kılavuz, nesne algılamaya yönelik iki önemli mimariyi karşılaştırıyor: Google'ın EfficientDet modeli ve Megvii'nin YOLOX modeli. Bu mimarilerin yaklaşımlarını inceliyor, kıyaslama performanslarını değerlendiriyor ve yeni yayımlanan Ultralytics YOLO26 modeliyle nasıl karşılaştırıldıklarını açıklıyor.
EfficientDet'e Genel Bakış#
Google Brain ekibi tarafından sunulan EfficientDet, model ölçeklendirmeye yönelik yapılandırılmış bir yaklaşımın öncüsü oldu ve yoğun parametreli çağdaş ağlara kıyasla çok daha az parametreyle yüksek doğruluk elde edilebileceğini gösterdi.
EfficientDet ayrıntıları:
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
- Belgeler: EfficientDet Belgeleri
Mimari Öne Çıkanlar#
EfficientDet, EfficientNet omurgası üzerine kuruludur ve ağın çözünürlüğünü, derinliğini ve genişliğini aynı oranda ölçekleyen bir bileşik ölçekleme yöntemi uygular. Ayırt edici özelliği, hızlı ve etkili çok ölçekli özellik birleştirmeyi mümkün kılan Çift Yönlü Özellik Piramidi Ağıdır (BiFPN). Farklı girdi özellikleri için öğrenilebilir ağırlıklar kullanarak ağın daha kritik uzamsal verilere öncelik vermesini sağlar.
EfficientDet'in kuramsal FLOPs değeri çok düşük olsa da TensorFlow ekosistemine ve eski AutoML yapılandırmalarına dayanması, onu güncel ve hızlı PyTorch iş akışlarına entegre etmeyi zahmetli hâle getirebilir. Karmaşık çok dallı ağı, modern YOLO varyantlarına kıyasla eğitim sırasında beklenenden yüksek bellek tüketimine de yol açabilir.
EfficientDet hakkında daha fazla bilgi edin
YOLOX'e Genel Bakış#
İki yıl sonra yayımlanan YOLOX, geleneksel YOLO mimarisini bağlantı noktası içermeyen bir çatıya dönüştürerek akademik araştırma ile endüstriyel dağıtım arasındaki boşluğu kapatmayı amaçladı.
YOLOX Ayrıntıları:
- Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
- Kuruluş: Megvii
- Tarih: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- Belgeler: YOLOX Belgeleri
Mimari Öne Çıkanlar#
YOLOX, nesne algılama tasarımını önemli ölçüde basitleştirdi. Çapasız tasarıma geçerek karmaşık ve veri kümesine özgü çapa kutusu ayarı gereksinimini ortadan kaldırdı ve sezgisel yöntemlerin getirdiği ek yükü azalttı. Ayrıca sınıflandırma ve konumlandırma görevlerini ayıran ayrık bir başlık ekleyerek yakınsama hızını önemli ölçüde artırdı. SimOTA etiket atama stratejisi, eğitim sırasında pozitif örneklerin dağılımını dinamik olarak optimize etti.
Bu gelişmelere rağmen YOLOX deposunu kurmak, C++ uzantıları oluşturmayı ve karmaşık bağımlılıkları yönetmeyi gerektirebilir; bu da daha az deneyimli ekipler için hızlı model dağıtımını zorlaştırabilir.
YOLOX hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Modelleri üretim ortamları için değerlendirirken Ortalama Hassasiyet (mAP) ile çıkarım hızı arasındaki dengeyi gözetmek çok önemlidir. Aşağıdaki tabloda EfficientDet ve YOLOX aileleri, standart COCO kıyaslamaları üzerinden doğrudan karşılaştırılıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
EfficientDet daha büyük d7 varyantlarında yüksek doğruluk sunsa da YOLOX, GPU donanımlarında (TensorRT aracılığıyla) çok daha düşük gecikme sağlar; bu nedenle otonom sürüş veya spor takibi gibi yüksek FPS gerektiren uygulamalar için daha iyi bir seçenektir.
Kullanım Alanları ve Öneriler#
EfficientDet ile YOLOX arasında seçim yapmak, projenin gereksinimlerine, dağıtım kısıtlarına 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.
YOLOX Ne Zaman Seçilmeli#
YOLOX şu durumlarda önerilir:
- Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
- Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu düşük güçlü gömülü sistemlere veya eski mobil donanımlara dağıtım.
- SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.
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, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük 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'in Avantajı: YOLO26 ile Tanış#
EfficientDet ve YOLOX kendi dönemlerinde önemli ilerlemelerdi; ancak modern bilgisayarlı görü daha fazla çok yönlülük, sadeleştirilmiş iş akışları ve yüksek hız gerektiriyor. Kullanım kolaylığına, daha düşük bellek gereksinimlerine ve bakımı iyi yapılan bir ekosisteme öncelik veren geliştiriciler için önerilen yükseltme, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelidir.
YOLO26, YOLO serisinde önemli bir adımdır ve YOLOX ile EfficientDet gibi eski modellerin sınırlamalarını giderir:
- Uçtan Uca NMS'siz Tasarım: Maliyetli Maksimum Olmayan Bastırma (NMS) son işlemesini gerektiren EfficientDet ve YOLOX'in aksine YOLO26, isteğe bağlı bire bir başlığı (
nms=False) aracılığıyla yerel uçtan uca çıkarımı destekler. Böylece NMS kaynaklı gecikme darboğazları ortadan kalkar ve uç dağıtım basitleşir. - %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari ayarlamalar ve DFL'nin Kaldırılması (Distribution Focal Loss) sayesinde YOLO26, özel GPU bulunmayan ortamlar için optimize edilmiştir. YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlıdır ve Raspberry Pi gibi uç yapay zekâ donanımlarında mükemmel performans sunar.
- MuSGD Optimizer: LLM eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2 modeli gibi) ilham alan YOLO26, SGD ve Muon'un bir karışımını kullanır. Bu yaklaşım, eski eğitim kurulumlarına kıyasla daha kararlı eğitim ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama, hem YOLOX'in hem de EfficientDet'in geçmişten gelen zayıflığı olan küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar. Bu özellik, drone analitiği ve IoT için kritik önemdedir.
- Çoklu Görev Çok Yönlülüğü: EfficientDet ve YOLOX yalnızca sınırlayıcı kutu algılayıcılarıyken YOLO26, Örnek Segmentasyonunu, Residual Log-Likelihood Estimation aracılığıyla Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler.
Daha Yalın Kullanıcı Deneyimi ve Eğitim Verimliliği#
YOLOX gibi modellerdeki en büyük zorluklardan biri eğitim ortamını kurmaktır. Birleşik Ultralytics Python API ile model eğitmek için yalnızca birkaç satır kod yeterlidir. YOLO modellerinde ayrıca optimize edilmiş veri yükleyiciler ve yalın mimariler bulunur; bu sayede Transformer ağırlıklı modellere veya eski çok dallı ağlara kıyasla CUDA bellek kullanımı önemli ölçüde azalır.
from ultralytics import YOLO
# YOLO26n modelini yükle (nms=False ile NMS'siz çıkarım kullanılabilir)
model = YOLO("yolo26n.pt")
# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Uçta dağıtım için modeli ONNX veya OpenVINO biçiminde dışa aktar
model.export(format="openvino")Sonuç: Doğru Seçimi Yapmak#
TensorFlow ekosistemine derinlemesine gömülü eski bir sistemin bakımını yapıyorsan, özellikle bileşik ölçekli varyantları zaten entegre edilmişse EfficientDet kararlı bir seçenek olmaya devam eder. Mevcut çapasız kod tabanlarında ham hıza ihtiyaç duyuyorsan YOLOX hızlı ve güvenilir bir algılayıcıdır.
Ancak üretime alınacak yeni projeler için önerilen seçenek Ultralytics YOLO26 (veya mevcut kurumsal dağıtımlar için kararlı YOLO11) modelidir. İsteğe bağlı uçtan uca NMS'siz çıkarım, daha yüksek CPU hızları ve OpenVINO ile TensorRT gibi biçimler aracılığıyla basit bir dağıtım işlem hattı sunan YOLO26, bilgisayarlı görü uygulamalarını doğru, güncel ve bakımı kolay tutar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.