YOLO11 ve EfficientDet#

Bilgisayarlı görü projeleri için en uygun sinir ağını seçmek, mevcut mimariler hakkında derinlemesine bilgi sahibi olmayı gerektirir. Bu kılavuzda Ultralytics YOLO11 ile Google'ın EfficientDet modeli arasında kapsamlı bir teknik karşılaştırma sunulmaktadır. Bilinçli bir karar vermene yardımcı olmak amacıyla mimari farklılıklarını, performans metriklerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceleyeceğiz; böylece makine öğrenimi iş yüklerin için en doğru seçimi yapabilirsin.

Model Geçmişi ve Özellikleri#

Her iki model de derin öğrenme alanını önemli ölçüde etkiledi; ancak farklı tasarım felsefelerinden ve yapay zekâ geliştirmenin farklı dönemlerinden ortaya çıktılar.

YOLO11 Ayrıntıları#

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

EfficientDet Ayrıntıları#

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

EfficientDet hakkında daha fazla bilgi edin

Mimari Yenilikler#

EfficientDet: BiFPN ve Bileşik Ölçekleme#

2019'un sonlarında tanıtılan EfficientDet, hesaplama maliyetini en aza indirirken doğruluğu en üst düzeye çıkarmayı amaçladı. Bunu öncelikle iki mekanizma aracılığıyla gerçekleştirir. İlk olarak, derinliği, genişliği ve çözünürlüğü uyumlu biçimde ölçekleyen bir EfficientNet omurga kullanır. İkinci olarak, kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanıyan Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) kullanıma sundu.

EfficientDet, dönemine göre oldukça verimli olsa da TensorFlow AutoML kütüphanesine olan bağımlılığı onu katı bir yapıya büründürebilir. Araştırmacılar, modern ve modüler PyTorch tabanlı çerçevelerle karşılaştırıldığında model budama ve özel değişiklikleri genellikle zor bulur.

YOLO11: Gelişmiş Özellik Çıkarma ve Çok Yönlülük#

YOLO11, nesne algılama mimarilerinde önemli bir ilerlemeyi temsil eder. Önceki modellerinin başarılarını temel alarak geliştirilmiş C3k2 bloklarını ve iyileştirilmiş bir Uzamsal Piramit Havuzlama modülünü sunar. Bu geliştirmeler, üstün özellik çıkarımı sağlayarak YOLO11'in karmaşık görsel örüntüleri olağanüstü bir netlikle yakalamasına olanak tanır.

YOLO11'in en önemli avantajlarından biri çok yönlülüğüdür. EfficientDet kesin olarak bir nesne algılama modeli iken YOLO11, örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler. Ayrıca YOLO11, hem eğitim hem de çıkarım sırasında son derece düşük bellek gereksinimlerine sahiptir; bu da onu kaynakları kısıtlı uç yapay zekâ ortamlarına dağıtımda eski modellerden ve hantal görü Transformer'larından çok daha üstün kılar.

Performans ve Karşılaştırmalı Testler#

Ortalama Kesinlik (mAP) ile ölçülen doğruluk ve çıkarım hızı arasındaki denge, gerçek dünya dağıtımları için kritik karar faktörüdür. Aşağıdaki tablo, her iki model ailesinin standart COCO veri kümesi üzerindeki ham performansını göstermektedir.

Görüldüğü üzere YOLO11, son derece elverişli bir performans dengesi sunar. YOLO11x en yüksek genel doğruluğa (54,7 mAP) ulaşırken daha küçük YOLO11 varyantları GPU çıkarım hızlarında kesin biçimde öne çıkar (TensorRT kullanılarak T4 üzerinde 1,5 ms kadar düşük süreler).

Eğitim Verimliliği ve Ekosistem#

Ultralytics modellerinin belirleyici özelliklerinden biri kullanım kolaylığıdır. EfficientDet modeliyle eğitim yapmak çoğu zaman karmaşık TensorFlow grafik yapılandırmalarında gezinmeyi ve karmaşık bağımlılık zincirlerini yönetmeyi gerektirir. Buna karşılık YOLO11, temiz ve tamamen modern bir PyTorch temel üzerine kurulmuştur.

Bu iyi sürdürülen ekosistem, geliştiricilerin paketi kurup önceden eğitilmiş bir modeli yükleyerek yalnızca birkaç satır kodla özel bir veri kümesi üzerinde eğitime başlamasını sağlar.

Python Kod Örneği#

Aşağıda, Ultralytics API'sinin basitliğini gösteren ve tamamen çalıştırılabilir bir örnek yer almaktadır. Bu betik, önceden eğitilmiş bir YOLO11 modelini indirir, modeli 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()

Geleceğe Bakış: YOLO26 Avantajı#

YOLO11 olağanüstü güçlü olsa da yeni projelere başlayan ekipler, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini kesinlikle değerlendirmelidir. YOLO26, dağıtım kolaylığı ve uç performansı açısından bir paradigma değişimini temsil eder.

YOLO26'in başlıca yenilikleri şunlardır:

• Uçtan Uca NMS'siz Tasarım: YOLO26, son işleme sırasında Maksimum Olmayan Bastırmayı (NMS) ortadan kaldırarak yüksek hızlı robotik ve otonom sürüş için kritik olan tutarlı ve ultra düşük gecikme sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lar bulunmayan dağıtımlar için YOLO26, standart işlemcilerde aktarım hızını en üst düzeye çıkarmak üzere özel olarak optimize edilmiştir.
• MuSGD Optimizasyon Aracı: Moonshot AI'ın Kimi K2'sinden ilham alan bu hibrit optimizasyon aracı, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşıyarak daha hızlı yakınsamayı mümkün kılar.
• ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, uydu görüntüsü analizinde ve drone görüntülerinde sıklıkla sorun oluşturan küçük nesnelerin tanınmasını büyük ölçüde iyileştirir.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin uç cihazlara dışa aktarma sürecini basitleştirir.

Kullanım Alanları ve Öneriler#

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

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

EfficientDet Ne Zaman Seçilmeli?#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
• Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

EfficientDet, nesne algılamada bileşik ölçeklemenin uygulanabilirliğini kanıtlayan öncü bir mimariydi. Ancak yapay zekâ araştırmalarındaki hızlı ilerleme, daha yetenekli, entegrasyonu daha kolay ve çalıştırılması daha hızlı modeller ortaya çıkardı.

Güçlü çok görevli yetenekleri, olağanüstü GPU çıkarım hızları ve sektördeki muhtemelen geliştirici dostu en API'siyle YOLO11, modern görü iş akışları için açık ara kazanan modeldir. Teknolojinin mutlak sınırlarını hedefleyenler, özellikle uç öncelikli dağıtımlar için YOLO26 modeline yükselterek NMS'siz hız ile benzersiz doğruluğun en iyi birleşimine ulaşabilir.