Link to this sectionYOLO11 ile EfficientDet karşılaştırması#

Selecting the optimal neural network for computer vision projects requires a deep understanding of the available architectures. This guide provides an in-depth technical comparison between Ultralytics YOLO11 and Google's EfficientDet. We will explore their architectural differences, performance metrics, training efficiencies, and ideal deployment scenarios to help you make an informed decision for your machine learning workloads.

Link to this sectionModel Geçmişleri ve Teknik Özellikler#

Her iki model de derin öğrenme dünyasında önemli etkiler yaratmıştır, ancak farklı tasarım felsefelerinden ve AI gelişim dönemlerinden gelirler.

Link to this sectionYOLO11 Detayları#

Yazarlar: Glenn Jocher ve Jing Qiu
Kurum: Ultralytics
Tarih: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Dokümanlar: https://docs.ultralytics.com/models/yolo11/

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionEfficientDet Detayları#

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kurum: Google
Tarih: 2019-11-20
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https://github.com/google/automl/tree/master/efficientdet
Dokümanlar: https://github.com/google/automl/tree/master/efficientdet#readme

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Link to this sectionEfficientDet: BiFPN ve Bileşik Ölçeklendirme#

2019'un sonlarında tanıtılan EfficientDet, hesaplama maliyetini en aza indirirken doğruluğu en üst düzeye çıkarmayı hedeflemiştir. Bunu temel olarak iki mekanizma ile başarır. İlk olarak, derinliği, genişliği ve çözünürlüğü uyumlu bir şekilde ölçeklendiren bir EfficientNet backbone kullanır. İkinci olarak, kolay ve hızlı çok ölçekli öznitelik füzyonu sağlayan Çift Yönlü Öznitelik Piramit Ağı'nı (BiFPN) tanıtmıştır.

Kendi dönemi için oldukça verimli olsa da, EfficientDet'in TensorFlow AutoML kütüphanesine bağımlılığı onu esnek olmaktan çıkarabilir. Araştırmacılar, modern ve modüler PyTorch tabanlı çerçevelere kıyasla model budamayı ve özel modifikasyonları genellikle zorlayıcı bulurlar.

Link to this sectionYOLO11: Gelişmiş Öznitelik Çıkarımı ve Çok Yönlülük#

YOLO11, nesne algılama mimarilerinde önemli bir sıçramayı temsil eder. Önceki modellerinin başarılarını temel alarak iyileştirilmiş C3k2 bloklarını ve geliştirilmiş bir Spatial Pyramid Pooling modülünü tanıtır. Bu geliştirmeler, YOLO11'in karmaşık görsel desenleri olağanüstü netlikle yakalamasına olanak tanıyan üstün öznitelik çıkarımı sağlar.

A major advantage of YOLO11 is its versatility. While EfficientDet is strictly an object detection model, YOLO11 natively supports instance segmentation, image classification, pose estimation, and oriented bounding boxes (OBB). Furthermore, YOLO11 boasts incredibly low memory requirements during both training and inference, making it vastly superior to older models and bulky vision transformers when deploying to resource-constrained edge AI environments.

Link to this sectionPerformans ve Kıyaslamalar#

Ortalama Hassasiyet (mAP) ile ölçülen doğruluk ile çıkarım hızı arasındaki denge, gerçek dünya dağıtımları için kritik belirleyici faktördür. Aşağıdaki tablo, her iki model ailesinin standart COCO veri kümesindeki ham performansını göstermektedir.

Görüldüğü üzere, YOLO11 oldukça elverişli bir performans dengesi sağlar. YOLO11x en yüksek genel doğruluğu (54.7 mAP) sunarken, daha küçük YOLO11 varyantları GPU çıkarım hızlarında (TensorRT kullanılarak bir T4 üzerinde 1.5ms kadar düşük) kesinlikle baskındır.

Link to this sectionEğitim Verimliliği ve Ekosistem#

Ultralytics modellerinin belirleyici özelliklerinden biri kullanım kolaylığıdır. Bir EfficientDet modelini eğitmek genellikle karmaşık TensorFlow grafik yapılandırmalarında gezinmeyi ve karmaşık bağımlılık zincirlerini yönetmeyi gerektirir. Buna karşılık YOLO11, temiz ve tamamen modern bir PyTorch temeli üzerine inşa edilmiştir.

Bu bakımı iyi yapılmış ekosistem, geliştiricilerin paketi kurabileceği, önceden eğitilmiş bir modeli yükleyebileceği ve sadece birkaç satır kodla özel bir veri kümesi üzerinde eğitime başlayabileceği anlamına gelir.

Link to this sectionPython Kod Örneği#

İşte Ultralytics API'sinin basitliğini gösteren, tamamen çalıştırılabilir bir örnek. Bu betik, önceden eğitilmiş bir YOLO11 modelini indirir, eğitir ve hızlı bir tahmin çalıştırır.

from ultralytics import YOLO

# Initialize a pretrained YOLO11 nano model
model = YOLO("yolo11n.pt")

# Train the model efficiently using the integrated PyTorch engine
# Training efficiency is high, requiring less VRAM than legacy models
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Run real-time inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the output bounding boxes
prediction[0].show()

Link to this sectionGeleceğe Bakış: YOLO26 Avantajı#

YOLO11 son derece güçlü olsa da, yeni projelere başlayan ekipler, Ocak 2026'da piyasaya sürülen Ultralytics YOLO26 modelini mutlaka değerlendirmelidir. YOLO26, dağıtım basitliği ve uç performansında bir paradigma değişimini temsil eder.

Önemli YOLO26 yenilikleri şunlardır:

• Uçtan Uca NMS'siz Tasarım: İşleme sonrası aşamasında Non-Maximum Suppression (NMS) adımını ortadan kaldıran YOLO26, yüksek hızlı robotik ve otonom sürüş için kritik olan tutarlı ve ultra düşük gecikme süresi sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'su olmayan dağıtımlar için YOLO26, standart işlemcilerde iş hacmini en üst düzeye çıkarmak üzere özel olarak optimize edilmiştir.
• MuSGD İyileştiricisi: Moonshot AI'ın Kimi K2'sinden ilham alan bu hibrit iyileştirici, LLM eğitim kararlılığını bilgisayarlı görüye taşıyarak daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu iyileştirilmiş kayıp fonksiyonları, uydu görüntüsü analizi ve drone çekimlerinde genellikle bir sorun olan küçük nesnelerin tanınmasını önemli ölçüde geliştirir.
• DFL Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin uç cihazlara aktarılma sürecini kolaylaştırır.

Link to this sectionKullanım Durumları ve Öneriler#

YOLO11 ve EfficientDet arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionNe Zaman EfficientDet Seçilmeli#

EfficientDet şunlar için önerilir:

• 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 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 sectionSonuç#

EfficientDet, nesne algılamada bileşik ölçeklendirmenin uygulanabilirliğini kanıtlayan öncü bir mimariydi. Ancak yapay zeka araştırmalarındaki hızlı tempo, daha yetenekli, entegrasyonu daha kolay ve çalıştırılması daha hızlı modelleri ortaya çıkardı.

Güçlü çoklu görev yetenekleri, inanılmaz GPU çıkarım hızları ve sektördeki tartışmasız en geliştirici dostu API'si ile YOLO11, modern görü işlem hatları için net bir kazanan. Teknolojinin en ileri noktasını hedefleyenler—özellikle uç cihaz öncelikli dağıtımlar için—YOLO26 sürümüne yükseltme yapmak, NMS'siz hız ve eşsiz doğruluğun en üst düzey kombinasyonunu sağlar.