YOLO11 EfficientDet: Kapsamlı Teknik Karşılaştırma
Bilgisayar görme projeleri için en uygun sinir ağını seçmek, mevcut mimariler hakkında derinlemesine bilgi sahibi olmayı gerektirir. Bu kılavuz, aşağıdakiler arasında derinlemesine teknik bir karşılaştırma sunar Ultralytics YOLO11 ve Google EfficientDet arasında derinlemesine bir teknik karşılaştırma sunar. Makine öğrenimi iş yükleriniz için bilinçli bir karar vermenize yardımcı olmak amacıyla, mimari farklılıklarını, performans ölçütlerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceleyeceğiz.
Model Arka Planları ve Özellikleri
Her iki model de, farklı tasarım felsefelerinden ve yapay zeka geliştirme dönemlerinden kaynaklansa da, derin öğrenme alanını önemli ölçüde etkilemiştir.
YOLO11
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: ultralytics
Belgeler: 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: google
Belgeler: google
EfficientDet hakkında daha fazla bilgi edinin
Ekosistem Avantajı
Bilgisayar görme modelleriyle çalışırken, çevredeki ekosistem modelin kendisi kadar önemlidir. Ultralytics , kapsamlı belgeler, aktif topluluk desteği ve ONNX ve TensorRTgibi formatlara sorunsuz dışa aktarım yetenekleri sunar.
Mimari Yenilikler
Verimli Det: BiFPN ve Bileşik Ölçeklendirme
2019 yılının sonlarında tanıtılan EfficientDet, hesaplama maliyetini en aza indirirken doğruluğu en üst düzeye çıkarmayı amaçlamıştır. Bunu başlıca iki mekanizma aracılığıyla gerçekleştirir. İlk olarak, EfficientNet backbone kullanır. İkincisi, kolay ve hızlı çok ölçekli özellik füzyonu sağlayan Çift Yönlü Özellik Piramidi Ağı'nı (BiFPN) kullanır.
EfficientDet, zamanına göre oldukça verimli olsa da, TensorFlow AutoML kütüphanesine bağımlı olması onu katı hale getirebilir. Araştırmacılar, modern, modüler PyTorch çerçevelere kıyasla model budama ve özel modifikasyonları genellikle zor bulmaktadır.
YOLO11: Geliştirilmiş Özellik Çıkarma ve Çok Yönlülük
YOLO11 , nesne algılama mimarilerinde önemli bir ilerlemeyi YOLO11 . Önceki sürümlerin başarılarını temel alarak, geliştirilmiş C3k2 blokları ve iyileştirilmiş Spatial Pyramid Pooling modülü sunuyor. Bu geliştirmeler, üstün özellik çıkarma sağlıyor ve YOLO11 karmaşık görsel desenleri olağanüstü netlikle YOLO11 olanak tanıyor.
YOLO11 en büyük avantajı çok yönlülüğüdür. EfficientDet tamamen bir nesne algılama modeli iken, YOLO11 örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler. Ayrıca, YOLO11 hem eğitim hem de çıkarım sırasında inanılmaz derecede düşük bellek gereksinimlerine YOLO11 , bu da onu kaynak kısıtlı uç AI ortamlarına dağıtım sırasında eski modellere ve hantal görme dönüştürücülere göre çok daha üstün kılar.
Performans ve Kıyaslamalar
Ortalama Hassasiyet (mAP) ile ölçülen doğruluk ve çıkarım hızı arasındaki denge, gerçek dünya uygulamaları için kritik bir karar faktörüdür. Aşağıdaki tablo, standart COCO inde her iki model ailesinin ham performansını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Gösterildiği gibi, YOLO11 oldukça olumlu bir performans dengesi YOLO11 . YOLO11x en yüksek genel doğruluğu (54,7 mAP) elde ederken, daha küçük YOLO11 GPU hızlarında ( TensorRT kullanan bir T4'te 1,5 ms'ye kadar düşen) mutlak üstünlük sağlamaktadır.
Eğitim Verimliliği ve Ekosistem
Ultralytics belirleyici özelliklerinden biri kullanım kolaylığıdır. EfficientDet modelini eğitmek genellikle karmaşık TensorFlow yapılandırmalarında gezinmeyi ve karmaşık bağımlılık zincirlerini yönetmeyi gerektirir. Buna karşın, YOLO11 temiz, tamamen modern bir yapı üzerine YOLO11 . PyTorch temel üzerine inşa edilmiştir.
Bu iyi bakımlı ekosistem, geliştiricilerin paketi yükleyip önceden eğitilmiş bir modeli yükleyerek, sadece birkaç satır kodla özel bir veri seti üzerinde eğitime başlayabilmelerini sağlar.
Python Kod Örneği
Ultralytics basitliğini gösteren, tamamen çalıştırılabilir bir örnek aşağıda verilmiştir. Bu komut dosyası, önceden eğitilmiş bir YOLO11 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 son derece güçlü YOLO11 da, yeni yeşil alan projeleri başlatan ekipler, Ocak 2026'da piyasaya sürülen Ultralytics ciddi olarak değerlendirmelidir. YOLO26, dağıtım kolaylığı ve uç performansında bir paradigma değişikliğini temsil etmektedir.
Temel YOLO26 yenilikleri şunlardır:
- Uçtan Uca NMS Tasarım: YOLO26, son işlem sırasında Maksimum Baskılama (NMS) özelliğini ortadan kaldırarak, yüksek hızlı robotik ve otonom sürüş için çok önemli olan tutarlı, ultra düşük gecikme süresini garanti eder.
- %43'e kadar daha hızlı CPU : Özel GPU'lar bulunmayan dağıtımlar için YOLO26, standart işlemcilerde verimi en üst düzeye çıkarmak üzere özel olarak optimize edilmiştir.
- MuSGD Optimizer: Moonshot AI'nın Kimi K2'sinden esinlenilen bu hibrit optimizer, bilgisayar görüşüne LLM eğitiminin istikrarını getirerek daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, uydu görüntüsü analizi ve drone görüntülerinde sıklıkla sorun teşkil eden küçük nesnelerin tanınmasını önemli ölçüde iyileştirir.
- DFL Kaldırma: Dağıtım Odak Kaybının kaldırılması, modelin kenar cihazlara aktarım sürecini kolaylaştırır.
Keşfedilecek Alternatif Modeller
Projenizin çok özel gereksinimleri varsa, RT-DETR modelini veya yaygın olarak kullanılan YOLOv8modelini karşılaştırmak isteyebilirsiniz.
Kullanım Durumları ve Öneriler
YOLO11 EfficientDet arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarına ve ekosistem tercihlerinize bağlıdır.
Ne Zaman YOLO11 Seçmeli
YOLO11 aşağıdakiler için güçlü bir YOLO11 :
- Üretim Kenarı Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA gibi cihazlarda ticari uygulamalar.
- Çoklu Görev Görme Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, poz tahmini ve OBB gerektiren projeler.
- Hızlı Prototip Oluşturma ve Dağıtım: Verimli Ultralytics Python kullanarak veri toplama aşamasından üretime hızlı bir şekilde geçmesi gereken ekipler.
Ne Zaman EfficientDet Seçmeli
EfficientDet şu durumlarda önerilir:
- Google ve TPU : EfficientDet'in yerel optimizasyona sahip olduğu Google Vision API'leri veya TPU ile derinlemesine entegre sistemler.
- Bileşik Ölçeklendirme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklendirmesinin etkilerini incelemeye odaklanan akademik karşılaştırma.
- TFLite aracılığıyla Mobil Dağıtım: Android gömülü Linux cihazlar için TensorFlow dışa aktarımını özel olarak gerektiren projeler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli
Çoğu yeni proje için Ultralytics , performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS Edge Dağıtımı: Non-Maximum Suppression son işlemlerinin karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- CPU Ortamları: Özel GPU olmayan cihazlarda, YOLO26'nın %43'e varan daha hızlı CPU belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerinde 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, AI araştırmalarının hızlı ilerlemesi, daha yetenekli, entegrasyonu daha kolay ve çalıştırması daha hızlı modellerin ortaya çıkmasını sağladı.
Güçlü çoklu görev yetenekleri, inanılmaz GPU hızları ve sektördeki en geliştirici dostu API ile YOLO11 modern görüntü işleme süreçleri için açık ara kazananıdır. Teknolojinin en son noktasına ulaşmayı hedefleyenler, özellikle de uç öncelikli dağıtımlar için, YOLO26'ya yükseltme yapmak NMS hız ve benzersiz doğruluğun mükemmel birleşimini sunar.