YOLO26 ve EfficientDet#

Doğru sinir ağı mimarisini seçmek, herhangi bir computer vision uygulamasının başarısı için kritik önem taşır. Bu teknik kılavuz, iki öne çıkan modelin ödünleşimlerini, performans metriklerini ve mimari yeniliklerini inceler: son teknoloji ürünü Ultralytics YOLO26 ve Google'ın köklü EfficientDet modeli.

Dağıtımınız yüksek veri hacimli bulut sunucularını mı yoksa gecikme kısıtlı edge AI cihazlarını mı hedefliyor olursa olsun, bu mimariler arasındaki farkları anlamak hız, doğruluk ve verimlilik arasında optimum bir denge sağlar.

Mimariye Genel Bakış: YOLO26#

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: Ultralytics GitHub
Belgeler: YOLO26 Official Documentation

2026'nın başlarında yayınlanan YOLO26, eşsiz bir kullanıcı deneyimi ve en üst düzeyde mean Average Precision (mAP) sağlamak üzere özel olarak tasarlanmış olup YOLO ailesindeki en son evrimi temsil eder. Modern donanım için sıfırdan tasarlanmış olup object detection, instance segmentation, image classification ve pose estimation genelinde olağanüstü çok yönlülük sunar.

YOLO26, hem eğitim kararlılığını hem de çıkarım hızlarını önemli ölçüde artıran birçok çığır açıcı özellik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'da öncülük edilen kavramlar üzerine inşa edilen YOLO26, tamamen uçtan ucadır ve Maksimum Olmayan Baskılama (NMS) sonrası işleme ihtiyacını tamamen ortadan kaldırır. Bu durum daha basit bir dağıtım mantığına ve önemli ölçüde daha düşük gecikme varyansına yol açar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Derin mimari optimizasyonlar sayesinde model, standart CPUs üzerinde benzeri görülmemiş çıkarım hızlarına ulaşarak IoT ve gömülü ortamlar için son derece uygun hale gelir.
• DFL Kaldırıldı: Distribution Focal Loss kaldırılmıştır; bu da daha temiz bir dışarı aktarma süreci ve ONNX gibi araçları kullanan düşük güç tüketimli uç cihazlarla gelişmiş uyumluluk sağlar.
• MuSGD Optimizer: Moonshot AI's Kimi K2 modelinin LLM eğitim rutinlerinden esinlenen bu SGD ve Muon melezi, büyük dil modeli eğitim yeniliklerini doğrudan bilgisayarlı görüye taşıyarak daha hızlı yakınsama ve daha kararlı eğitim rejimleri sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava drone görüntüleri ve robotik içeren uygulamalar için kritik bir faktör olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

YOLO26 hakkında daha fazla bilgi edin

Mimari Genel Bakış: EfficientDet#

Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google Research
Tarih: 2019-11-20
Arxiv: EfficientDet Paper
GitHub: Google AutoML Repository

Google tarafından sunulan EfficientDet, TensorFlow ekosisteminden yoğun bir şekilde yararlanır ve bileşik ölçekleme kavramı etrafında tasarlanmıştır. Mimarisi, kaynak kısıtlamalarına dayalı olarak ana omurga ağını, özellik ağını ve kutu/sınıf tahmin ağlarını aynı anda ölçeklendirir.

EfficientDet'in temel yenilikleri şunlardır:

• BiFPN (Çift Yönlü Özellik Piramit Ağı): Kolay ve hızlı çok ölçekli özellik birleştirmeye olanak tanıyan, ağın değişen boyutlardaki nesneleri daha iyi anlamasını sağlayan bir mekanizma.
• Bileşik Ölçeklendirme: Çözünürlüğü, derinliği ve genişliği eşit şekilde ölçeklendirmek için kullanılan sezgisel bir yöntem; d0'dan (en küçük) d7'ye (en büyük) kadar bir model ailesi oluşturur.

EfficientDet, katı sınırlayıcı kutu tespiti için sağlam bir seçenek olmaya devam ederken, genel olarak modern çoklu görev çok yönlülüğünden (yerel OBB tasks gibi) ve modern geliştiricilerin beklediği kolaylaştırılmış, birleştirilmiş Python ekosisteminden yoksundur.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Hız ve doğruluk Pareto sınırını belirlemek için COCO dataset kullanarak her iki mimariyi de standart ortamlarda kıyasladık. Aşağıdaki tablo, AWS EC2 P4d örneği üzerinde ölçülen model boyutları, doğruluk ve gecikme süresindeki farkları vurgulamaktadır.

Yukarıda gösterildiği gibi, YOLO26 üstün bir performans dengesi kurar. YOLO26x modeli, en ağır EfficientDet-d7'den önemli ölçüde daha iyi performans göstererek en yüksek doğruluğu (57.5 mAP) elde eder. Ayrıca YOLO26 modelleri, önemli ölçüde daha düşük bellek gereksinimleri ve çok daha hızlı GPU çıkarım hızları (TensorRT üzerinde 1.7 ms kadar düşük) sergileyerek NMS'siz tasarımın avantajlarını vurgular.

Eğitim Verimliliği ve Ekosistem Avantajı#

İki mimari arasındaki büyük bir ayrım, geliştirme ortamlarında yatmaktadır. EfficientDet, Google AutoML ve TensorFlow ekosistemine derinlemesine gömülmüştür; bu da güçlü olmakla birlikte DOTAv1 gibi özel veri kümeleri için dik öğrenme eğrileri ve katı yapılandırmalar getirebilir.

Buna karşılık Ultralytics, PyTorch üzerine kurulu, inanılmaz derecede iyi sürdürülen bir ekosistem sunar. Eğitim sırasındaki bellek kullanımı katı bir şekilde optimize edilmiştir ve mühendislerin, transformer tabanlı ağlarda yaygın olan aşırı VRAM tahsislerine ihtiyaç duymadan sağlam modeller eğitmesine olanak tanır.

Uygulama Örneği#

Ultralytics API'sinin sağladığı kullanım kolaylığı, sadece birkaç satır kodla en gelişmiş bir YOLO26 modelini eğitebileceğiniz ve doğrulayabileceğiniz anlamına gelir.

from ultralytics import YOLO

# Initialize the End-to-End NMS-Free YOLO26 model
model = YOLO("yolo26n.pt")

# Train using the innovative MuSGD optimizer on a custom dataset
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Train on GPU
)

# Export natively to TensorRT for ultra-low latency deployment
model.export(format="engine")

İdeal Kullanım Senaryoları#

YOLO26 ne zaman kullanılır:

• Uç Bilişim ve Mobil: %43'e kadar daha hızlı CPU çıkarımı ve NMS yükü olmaması sayesinde YOLO26, Raspberry Pi veya cep telefonları gibi bilgi işlem bütçesi sıkı bir şekilde kısıtlanmış cihazlarda mükemmel performans gösterir.
• Çoklu Görev: Tek bir boru hattı sınırlayıcı kutular, segmentation masks ve izleme gerektirdiğinde, YOLO26'nın çok yönlülüğü eşsizdir.
• Drone ve Hava Görüntüleri: ProgLoss ve STAL kombinasyonu, yüksek irtifalardan aşırı küçük nesnelerin algılanmasını büyük ölçüde geliştirir.

EfficientDet ne zaman kullanılır:

• Eski TensorFlow Hatları: Altyapınız yalnızca TensorFlow SavedModel'lerini desteklemek için yoğun bir şekilde kodlanmışsa veya belirli TensorFlow Serving hatları gerektiriyorsa, EfficientDet yerel uyumluluk sağlar.
• Kaynak kısıtlı TPU'lar: EfficientDet, Google'ın özel Tensor İşleme Birimleri (TPUs) için yoğun bir şekilde optimize edilmiştir.

Diğer Alternatifleri Keşfetme#

Bu kılavuz büyük ölçüde YOLO26 vs EfficientDet paradigmasına odaklanırken, daha geniş Ultralytics ekosistemi başka inanılmaz mimarilere de ev sahipliği yapar. Uygulamanız büyük ölçüde transformer'lara güveniyorsa, RT-DETR gerçek zamanlı transformer tabanlı algılama sunar. Alternatif olarak, eski sistemleri destekliyorsanız YOLO11 tam olarak desteklenmeye ve oldukça etkili olmaya devam etmektedir. Daha geniş bir genel bakış için Ultralytics Model Comparisons Hub adresini ziyaret edin.

Sonuç olarak, günümüzde oluşturulan herhangi bir modern bilgisayarlı görü hattı için, YOLO26'nın sunduğu hız, kullanım kolaylığı ve son teknoloji doğruluk, onu hem araştırmacılar hem de geliştiriciler için tartışmasız bir öneri haline getirmektedir.