YOLO11 ve EfficientDet#

Bilgisayarlı görü projeleri için en uygun sinir ağını seçmek, mevcut mimarileri derinlemesine anlamayı gerektirir. Bu kılavuz, Ultralytics YOLO11 ile Google'ın EfficientDet modeli arasında kapsamlı bir teknik karşılaştırma sunuyor. Bilinçli bir karar vermene yardımcı olmak için mimari farklılıkları, performans ölçütlerini, eğitim verimliliğini ve ideal dağıtım senaryolarını inceleyeceğiz; böylece makine öğrenimi iş yüklerin için doğru seçimi yapabilirsin.

Modellerin Geçmişi ve Teknik Özellikleri#

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

YOLO11 Ayrıntıları#

• 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

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 hedefliyordu. Bunu öncelikle iki mekanizmayla gerçekleştiriyor. İlk olarak derinliği, genişliği ve çözünürlüğü birlikte ölçekleyen bir EfficientNet omurgası kullanıyor. İkinci olarak, çok ölçekli özellik birleştirmeyi kolay ve hızlı hâle getiren Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) sunuyor.

EfficientDet, dönemi için oldukça verimli olsa da TensorFlow AutoML kütüphanesine bağlı olması modeli kısıtlayıcı hâle getirebilir. Araştırmacılar, modern ve modüler PyTorch tabanlı çerçevelere kıyasla model budama ve özel değişiklikler yapmayı genellikle zor buluyor.

YOLO11: Gelişmiş Özellik Çıkarımı ve Çok Yönlülük#

YOLO11, nesne algılama mimarilerinde önemli bir ilerlemeyi temsil ediyor. Önceki sürümlerinin başarısını temel alarak iyileştirilmiş C3k2 blokları ve geliştirilmiş bir Uzamsal Piramit Havuzlama modülü sunuyor. Bu geliştirmeler, özellik çıkarımını iyileştirerek YOLO11'in karmaşık görsel örüntüleri olağanüstü netlikle yakalamasını sağlıyor.

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

Performans ve Kıyaslamalar#

Ortalama Hassasiyet (mAP) ile ölçülen doğruluk ve çıkarım hızı arasındaki denge, gerçek dünya dağıtımlarında belirleyici faktördür. Aşağıdaki tablo, standart COCO veri kümesinde her iki model ailesinin ham performansını gösteriyor.

Görüldüğü gibi YOLO11 son derece elverişli bir performans dengesi sunuyor. YOLO11x genel olarak en yüksek doğruluğa (54.7 mAP) ulaşırken küçük YOLO11 sürümleri GPU çıkarım hızlarında açık ara öne çıkıyor (TensorRT ile T4 üzerinde 1.5 ms'ye kadar düşüyor).

Eğitim Verimliliği ve Ekosistem#

Ultralytics modellerinin belirleyici özelliklerinden biri kullanım kolaylığıdır. EfficientDet modelini eğitmek çoğu zaman karmaşık TensorFlow grafik yapılandırmaları arasında gezinmeyi ve girift bağımlılık zincirlerini yönetmeyi gerektirir. Buna karşılık YOLO11, yalın ve tamamen 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#

YOLO11 son derece güçlü olsa da yeni projelere sıfırdan başlayan ekipler, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini ciddi biçimde değerlendirmeli. YOLO26, dağıtım kolaylığı ve uç performansında yeni bir paradigma sunuyor.

YOLO26'nın temel yenilikleri:

• Uçtan Uca NMS'siz Tasarım: İsteğe bağlı, bire bir eşleştirme yapan bir başlık (nms=False) Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak YOLO26'ya tutarlı, son derece düşük gecikme süresi kazandırır; bu özellik yüksek hızlı robotik ve otonom sürüş için kritik önem taşır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'ları olmayan dağıtımlar için YOLO26, standart işlemcilerde verimi en üst düzeye çıkaracak şekilde özel olarak optimize edilmiştir.
• MuSGD Optimize Edici: Moonshot AI'ın Kimi K2 modelinden esinlenen bu hibrit optimize edici, LLM eğitimindeki kararlılığı bilgisayarlı görüye taşıyarak daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, uydu görüntüsü analizinde ve drone görüntülerinde sıkça karşılaşılan küçük nesneleri tanıma sorununu önemli ölçüde iyileştirir.
• DFL'yi Kaldırma: Dağılım Odaklı Kayıp'ın kaldırılması, modelin uç cihazlara dışa aktarma sürecini kolaylaştırır.

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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik 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 çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

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

Sonuç#

EfficientDet, nesne algılamada bileşik ölçeklemenin uygulanabilirliğini kanıtlayan öncü bir mimariydi. Ancak yapay zekâ araştırmalarının hızlı ilerleyişi, daha yetenekli, daha kolay entegre edilen ve daha hızlı çalıştırılan modelleri ortaya çıkardı.

Sağlam çoklu görev yetenekleri, olağanüstü GPU çıkarım hızları ve sektörün belki de geliştirici dostu API'siyle YOLO11, modern görüntü işleme işlem hatlarında açık ara öne çıkar. Teknolojinin en ileri noktasını hedefleyenler —özellikle uç öncelikli dağıtımlarda— için YOLO26'ya geçmek, NMS'siz hız ile benzersiz doğruluğu bir arada sunar.