YOLO11 ile EfficientDet karşılaştırması#

Computer vision projelerin için en optimal sinir ağını seçmek, mevcut mimariler hakkında derin bir anlayış gerektirir. Bu kılavuz, Ultralytics YOLO11 ile Google'ın EfficientDet modeli arasında derinlemesine teknik bir karşılaştırma sunar. Machine learning iş yüklerin için bilinçli bir karar vermene yardımcı olmak amacıyla mimari farklarını, performans metriklerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceleyeceğiz.

Model Geçmişleri ve Teknik Özellikler#

Her iki model de farklı tasarım felsefelerinden ve yapay zeka geliştirme dönemlerinden gelse de derin öğrenme dünyasında önemli bir iz bırakmıştır.

YOLO11 Detayları#

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

YOLO11 hakkında daha fazla bilgi edinin

EfficientDet Detayları#

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 edinin

Mimari Yenilikler#

EfficientDet: BiFPN ve Bileşik Ölçeklendirme#

2019'un sonlarında tanıtılan EfficientDet, hesaplama maliyetini en aza indirirken doğruluğu maksimize etmeyi amaçladı. Bunu öncelikle iki mekanizma aracılığıyla gerçekleştirir. Birincisi, derinliği, genişliği ve çözünürlüğü uyumlu bir şekilde ölçeklendiren bir EfficientNet omurgası kullanır. İkincisi, kolay ve hızlı çok ölçekli öznitelik birleştirmesine olanak tanıyan İki Yönlü Özellik Piramidi Ağını (BiFPN) sunmuştur.

Dönemi için oldukça verimli olmasına rağmen EfficientDet'in TensorFlow AutoML kütüphanesine bağımlı olması onu katı hale getirebilir. Araştırmacılar, modern ve modüler PyTorch tabanlı çatı biçimlerine kıyasla model budama ve özel değişiklikler yapmayı genellikle zor bulur.

YOLO11: Gelişmiş Öznitelik Çıkarımı ve Çok Yönlülük#

Nesne tespiti mimarilerinde YOLO11 önemli bir ileri atılımı temsil eder. Kendinden öncekilerin başarıları üzerine inşa edilerek gelişmiş C3k2 blokları ve iyileştirilmiş bir Uzamsal Piramit Havuzlama modülü sunar. Bu geliştirmeler, üstün öznitelik çıkarımına yol açarak YOLO11'in karmaşık görsel kalıpları olağanüstü bir netlikle yakalamasını sağlar.

YOLO11'in en büyük avantajlarından biri çok yönlülüğüdür. EfficientDet kesinlikle bir object detection modeliyken, YOLO11 yerel olarak instance segmentation, image classification, pose estimation ve oriented bounding boxes (OBB) özelliklerini destekler. Dahası YOLO11, hem eğitim hem de çıkarım sırasında inanılmaz derecede düşük bellek gereksinimlerine sahiptir; bu da onu kaynak kısıtlı edge AI ortamlarına dağıtım yaparken daha eski modellere ve hantal vision transformers modellerine kıyasla kat kat üstün kılar.

Performans ve Kıyaslamalar#

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

Eğitim 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 son derece modern bir PyTorch altyapısı üzerine kurulmuştur.

Bu iyi korunan ekosistem, geliştiricilerin paketi yükleyebileceği, önceden eğitilmiş bir modeli yükleyebileceği ve sadece birkaç satır kodla özel bir veri setinde eğitime başlayabileceği anlamına gelir.

Python 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()

Geleceğe Bakış: YOLO26 Avantajı#

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

Önemli YOLO26 yenilikleri şunlardır:

• Uçtan Uca NMS İçermeyen Tasarım: İşlem sonrası aşamada Maksimum Olmayan Bastırma (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 geliştirilmiş kayıp fonksiyonları, uydu görüntüsü analizinde ve drone çekimlerinde genellikle zorluk yaratan küçük nesnelerin tanınmasını büyük ölçüde iyileştirir.
• DFL Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin uç cihazlara aktarılma sürecini kolaylaştırır.

Kullanım Durumları ve Öneriler#

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

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ne 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: Özellikle Android veya gömülü Linux cihazlar için TensorFlow Lite dışa aktarımı gerektiren projeler.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

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 çok görevli yetenekleri, inanılmaz GPU çıkarım hızları ve sektördeki muhtemelen en geliştirici dostu API'si ile YOLO11, modern görüntü boru hatları için açık ara kazanan modeldir. Teknolojinin en ileri sınırlarını hedefleyenler için—özellikle uç öncelikli dağıtımlar söz konusu olduğunda—YOLO26 sürümüne yükseltme yapmak, NMS içermeyen hız ile benzersiz doğruluğun nihai birleşimini sunar.