YOLO26 ve EfficientDet#

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü uygulamasının başarısı için kritik önem taşır. Bu teknik kılavuz, önde gelen iki modelin (son teknoloji Ultralytics YOLO26 ve Google'ın köklü EfficientDet modeli) ödünleşimlerini, performans ölçütlerini ve mimari yeniliklerini inceliyor.

Dağıtım hedefin yüksek aktarım hızlı bulut sunucuları da olsa gecikme kısıtlı uç AI cihazları da olsa bu mimariler arasındaki farkları anlamak, hız, doğruluk ve verimlilik arasında en iyi dengeyi kurmanı sağlar.

Mimariye Genel Bakış: YOLO26#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics GitHub
• Belgeler: YOLO26 Resmî Belgeleri

2026'nın başlarında yayımlanan YOLO26, kullanıcı deneyimini benzersiz kılmak ve üst düzey ortalama Ortalama Kesinlik (mAP) sunmak üzere özel olarak tasarlanan YOLO ailesinin en yeni evrimini temsil eder. Modern donanımlar için sıfırdan tasarlanan model; nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini görevlerinde olağanüstü çok yönlülük sunar.

YOLO26, hem eğitim kararlılığını hem de çıkarım hızını büyük ölçüde iyileştiren çığır açıcı özellikler sunar:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 ile öncülük edilen kavramları temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesine olan ihtiyacı ortadan kaldıran, isteğe bağlı uçtan uca bire bir eşleşmeli bir başlık (nms=False) sunar. Böylece dağıtım mantığı basitleşir ve gecikme değişkenliği önemli ölçüde azalır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Derin mimari optimizasyonlar sayesinde model, standart CPU'larda eşi görülmemiş çıkarım hızlarına ulaşarak IoT ve gömülü ortamlar için son derece uygun hâle gelir.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp fonksiyonu kaldırılmıştır. Böylece dışa aktarma süreci sadeleşir ve ONNX gibi araçları kullanan düşük güçlü uç cihazlarla uyumluluk artar.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2 LLM eğitim rutinlerinden esinlenen SGD ve Muon hibriti, büyük dil modeli eğitim yeniliklerini doğrudan bilgisayarlı görüye taşır; daha hızlı yakınsama ve daha kararlı eğitim süreçleri sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada kayda değer iyileştirmeler sağlar. Bu, hava drone görüntüleri ve robotik uygulamaları içeren görevlerde kritik bir etkendir.

Mimariye Genel Bakış: EfficientDet#

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

Google tarafından tanıtılan EfficientDet, TensorFlow ekosisteminden yoğun biçimde yararlanır ve bileşik ölçekleme kavramı temel alınarak tasarlanmıştır. Mimarisi; kaynak kısıtlamalarına göre omurga ağını, özellik ağını ve kutu/sınıf tahmin ağlarını eş zamanlı olarak ölçeklendirir.

EfficientDet'in temel yenilikleri şunlardır:

• BiFPN (Çift Yönlü Özellik Piramidi Ağı): Farklı ölçeklerdeki özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlayan, böylece ağın farklı boyutlardaki nesneleri daha iyi anlamasına olanak tanıyan bir mekanizma.
• Bileşik Ölçekleme: Çözünürlüğü, derinliği ve genişliği eşit biçimde artıran; en küçük d0'dan en büyük d7'ye kadar bir model ailesi oluşturan sezgisel bir yöntem.

EfficientDet, katı sınırlayıcı kutu tespiti için güçlü bir seçenek olmayı sürdürse de genellikle modern çok görevli esneklikten (yerleşik OBB görevleri gibi) ve günümüz geliştiricilerinin beklediği yalın, birleşik Python ekosisteminden yoksundur.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Hız ve doğruluk açısından Pareto sınırını belirlemek için her iki mimariyi de COCO veri kümesini kullanarak standart ortamlarda kıyasladık. Aşağıdaki tablo; model boyutu, hassasiyet ve gecikme farklarını gösteriyor. CPU hızları ONNX Runtime, GPU hızları ise NVIDIA T4 üzerinde TensorRT kullanılarak ölçüldü.

Yukarıda görüldüğü üzere YOLO26, daha üstün bir performans dengesi sunuyor. YOLO26x modeli en yüksek doğruluğa (57.5 mAP) ulaşarak en büyük EfficientDet-d7 modelini önemli ölçüde geride bırakıyor. Ayrıca YOLO26 modelleri çok daha az bellek gerektiriyor ve GPU çıkarımını çok daha hızlı gerçekleştiriyor (TensorRT ile 1.7 ms kadar düşük sürelerde); bu da NMS'siz tasarımın avantajlarını ortaya koyuyor.

Eğitim Verimliliği ve Ekosistem Avantajı#

İki mimari arasındaki başlıca farklardan biri geliştirme ortamlarında yatıyor. EfficientDet, güçlü olmasına karşın DOTAv1 gibi özel veri kümeleri için öğrenme sürecini zorlaştırabilen ve katı yapılandırmalar getirebilen Google AutoML ve TensorFlow ekosistemine sıkı biçimde bağlıdır.

Buna karşılık Ultralytics, PyTorch üzerine kurulu, bakımı son derece iyi yapılan bir ekosistem sunar. Eğitim sırasındaki bellek kullanımı sıkı biçimde optimize edilmiştir; böylece mühendisler, transformer tabanlı ağlarda sıkça gereken aşırı VRAM tahsislerine ihtiyaç duymadan güçlü modeller eğitebilir.

Uygulama Örneği#

Ultralytics API'sinin kullanım kolaylığı sayesinde, son teknoloji bir YOLO26 modelini yalnızca birkaç satır kodla eğitip doğrulayabilirsin.

from ultralytics import YOLO

# Uçtan uca, NMS'siz YOLO26 modelini başlat
model = YOLO("yolo26n.pt")

# Özel veri kümesi üzerinde eğit (optimizer='auto', uzun eğitimler için MuSGD'yi seçer)
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # GPU üzerinde eğit
)

# Çok düşük gecikmeli dağıtım için doğrudan TensorRT'ye aktar
model.export(format="engine")

İdeal Kullanım Alanları#

YOLO26'yı ne zaman kullanmalısın:

• Uç Bilişim ve Mobil: %43'e kadar daha hızlı CPU çıkarımı ve NMS ek yükü olmaması sayesinde YOLO26, Raspberry Pi'ler veya cep telefonları gibi işlem gücü bütçesi son derece kısıtlı cihazlarda üstün performans gösterir.
• Çoklu Görev: Tek bir iş akışında sınırlayıcı kutular, segmentasyon maskeleri ve izleme gerektiğinde YOLO26'nın esnekliği eşsizdir.
• Drone ve Havadan Görüntüleme: ProgLoss ve STAL birleşimi, yüksek irtifalardan çekilen görüntülerde son derece küçük nesnelerin tespitini büyük ölçüde iyileştirir.

EfficientDet'i ne zaman kullanmalısın:

• Eski TensorFlow İş Akışları: Altyapın yalnızca TensorFlow SavedModels'ı destekleyecek şekilde büyük ölçüde sabit kodlanmışsa veya belirli TensorFlow Serving iş akışları gerektiriyorsa EfficientDet yerel uyumluluk sunar.
• Kaynakları kısıtlı TPU'lar: EfficientDet, Google'ın özel Tensor İşlem Birimleri (TPU'lar) için yoğun biçimde optimize edilmiştir.

Diğer Alternatifleri Keşfet#

Bu kılavuz ağırlıklı olarak YOLO26 ve EfficientDet karşılaştırmasına odaklansa da daha geniş Ultralytics ekosisteminde başka etkileyici mimariler de bulunur. Uygulaman transformer'lara yoğun biçimde dayanıyorsa RT-DETR, transformer tabanlı gerçek zamanlı tespit sunar. Eski sistemleri destekliyorsan YOLO11 hâlâ tam desteklenir ve oldukça etkilidir. Daha geniş bir genel bakış için Ultralytics Model Karşılaştırmaları Merkezi'ni ziyaret et.

Sonuç olarak, bugün geliştirilen tüm modern bilgisayarlı görü iş akışlarında YOLO26'nın sunduğu olağanüstü hız, kullanım kolaylığı ve son teknoloji doğruluk, onu hem araştırmacılar hem de geliştiriciler için tartışmasız en iyi öneri hâline getiriyor.