Başla

YOLO11 ve EfficientDet

Bilgisayarlı görü projeleri için doğru sinir ağını seçmek, mevcut mimarileri anlamayı gerektirir. Bu kılavuzda Ultralytics YOLO11 ile Google'ın EfficientDet modeli; mimari farklılıkları, performans ölçütleri, eğitim verimliliği ve ideal dağıtım senaryoları açısından karşılaştırılarak makine öğrenimi iş yüklerine uygun modeli seçmene yardımcı olunuyor.

Modellerin Geçmişi ve Teknik Özellikleri#

Her iki model de farklı tasarım felsefelerine ve yapay zekâ geliştirmenin farklı dönemlerine ait olsalar da derin öğrenme alanındaki nesne algılama araştırmalarını şekillendirdi.

YOLO11 Ayrıntıları#

EfficientDet Ayrıntıları#

EfficientDet hakkında daha fazla bilgi edin

Ekosistem Avantajı

Modelin kendisi kadar çevresindeki ekosistem de önemlidir. Ultralytics ekosistemi, kapsamlı belgeler, etkin topluluk desteği ve ONNX ile TensorRT gibi biçimlere tek satırda dışa aktarma olanağı sunar.

Mimari Yenilikler#

EfficientDet: BiFPN ve Bileşik Ölçekleme#

2019'un sonlarında tanıtılan EfficientDet, hesaplama maliyetini en aza indirirken doğruluğu en üst düzeye çıkarmayı hedefliyordu. Bunu temel olarak iki mekanizmayla başarır. İlk olarak omurgası, bileşik ölçeklendirme yoluyla derinliği, genişliği ve çözünürlüğü birlikte ölçekleyen EfficientNet ailesinden gelir. İkinci olarak, çok ölçekli özellik birleştirmeyi kolay ve hızlı kılan Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) kullanıma sunmuştur.

Dönemine göre verimli olsa da EfficientDet'in TensorFlow tabanlı AutoML uygulaması katı olabilir. Araştırmacılar, modern ve modüler PyTorch tabanlı çatılara kıyasla model budama ve özel değişiklikleri uygulamayı genellikle zor bulur.

YOLO11: Gelişmiş Özellik Çıkarımı ve Çok Yönlülük#

YOLO11, C3k2 bloklarını ve C2PSA uzamsal dikkat mekanizmasını hızlı bir Uzamsal Piramit Havuzlama (SPPF) modülüyle birleştirerek önceki modellerinin üzerine inşa edilmiştir. Bu değişiklikler özellik çıkarımını iyileştirir ve YOLO11'in ince görsel ayrıntıları yakalamasına yardımcı olur.

YOLO11'in başlıca avantajlarından biri çok yönlülüğüdür. EfficientDet yalnızca bir nesne algılama modeli iken YOLO11 yerel olarak örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler. YOLO11 ayrıca eğitim ve çıkarım sırasında düşük bellek gereksinimlerine sahiptir; bu da kaynakları kısıtlı uç yapay zekâ donanımlarında eski modellere ve daha büyük görü dönüştürücülerine kıyasla avantaj sağlar.

Performans ve Kıyaslamalar#

Ortalama Hassasiyet (mAP) ile ölçülen doğruluk ve çıkarım hızı arasındaki denge, gerçek dünyadaki dağıtımları çoğu zaman belirler. Aşağıdaki tabloda her iki model ailesinin COCO veri kümesindeki performansı gösterilmiştir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLO11, benzer doğrulukta GPU'da çok daha hızlıdır. YOLO11s, T4 üzerinde TensorRT ile 19.59 ms yerine 2.5 ms'de çalışarak EfficientDet-d3'ün doğruluğuna neredeyse ulaşır (47.0'a karşı 47.5 mAP). YOLO11x ise en yüksek doğruluğa (54.7 mAP), EfficientDet-d7'nin 128.07 ms'lik süresine karşılık 11.3 ms'de ulaşır (53.7 mAP). En az FLOPs değerine EfficientDet-d0 sahiptir (2.54B).

Eğitim Verimliliği ve Ekosistem#

Ultralytics modelleri kullanım kolaylığı için tasarlanmıştır. EfficientDet modelini eğitmek çoğu zaman karmaşık TensorFlow grafik yapılandırmaları ve bağımlılık zincirleriyle uğraşmayı gerektirirken YOLO11, modern bir PyTorch temeli üzerine kurulmuştur.

Bu bakımı iyi yapılan ekosistem sayesinde geliştiriciler paketi yükleyebilir, önceden eğitilmiş bir modeli yükleyebilir ve yalnızca birkaç satır kodla özel bir veri kümesi üzerinde eğitime başlayabilir.

Python Kod Örneği#

Ultralytics API'sinin ne kadar kolay olduğunu gösteren, doğrudan çalıştırılabilir bir örnek aşağıda verilmiştir. Bu betik, önceden eğitilmiş bir YOLO11 modelini indirir, modeli eğitir ve hızlı bir tahmin çalıştırır.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 nano modelini başlat
model = YOLO("yolo11n.pt")

# Entegre PyTorch motorunu kullanarak modeli verimli biçimde eğit
# Eski modellere kıyasla daha az VRAM gerektiren yüksek eğitim verimliliği
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Örnek bir görüntüde gerçek zamanlı çıkarım çalıştır
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Çıktıdaki sınırlayıcı kutuları göster
prediction[0].show()

Geleceğe Bakış: YOLO26'nın Avantajı#

Yeni projelere başlayan ekipler, Ocak 2026'da yayımlanan ve dağıtımı basitleştirip uç performansını artıran Ultralytics YOLO26 modelini değerlendirmeli.

YOLO26'nın temel yenilikleri:

  • Uçtan Uca NMS'siz Tasarım: İsteğe bağlı bir bire bir başlık (nms=False), Maksimum Olmayanların Bastırılması (NMS) son işlemini atlayarak YOLO26'nın yüksek hızlı robotik ve otonom sürüş uygulamalarında tutarlı, düşük gecikme sunmasını sağlar.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: Özel GPU bulunmayan dağıtımlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • MuSGD Optimizasyonu: Moonshot AI'nin Kimi K2 modelinden ilham alan SGD ve Muon birleşimi, bilgisayarlı görüye büyük dil modeli (LLM) eğitiminin kararlılığını kazandırır ve yakınsamayı hızlandırır.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), uydu görüntüsü analizinde ve drone görüntülerinde sıkça karşılaşılan küçük nesneleri tanıma sorununu iyileştirir.
  • DFL'yi Kaldırma: Dağılım Odaklı Kayıp'ın kaldırılması, modelin uç cihazlara dışa aktarma sürecini kolaylaştırır.
İncelenebilecek Alternatif Modeller

Projenin son derece özel gereksinimleri varsa Transformer tabanlı algılama için RT-DETR modelini veya eski kurumsal dağıtımlarda hâlâ yaygın biçimde kullanılan YOLOv8 modelini de karşılaştırmalı olarak değerlendirebilirsin.

Kullanım Alanları ve Öneriler#

YOLO11 ile EfficientDet arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Ultralytics Python API'sini kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda önerilir:

  • 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.

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 YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Sonuç#

EfficientDet, nesne algılamada bileşik ölçeklendirmenin değerini kanıtlayan öncü bir mimariydi. Daha yeni modeller daha yetenekli, entegrasyonu daha kolay ve GPU'larda daha hızlı çalışıyor.

Çoklu görev desteği, hızlı GPU çıkarımı ve basit API'siyle YOLO11, modern görü işlem hatları için daha güçlü bir seçenektir. Yeni projelerde, özellikle uç öncelikli dağıtımlarda, YOLO26 isteğe bağlı NMS'siz çıkarım ve daha yüksek doğruluk sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.