YOLO26 ve EfficientDet: Mimari, Performans ve Kullanım Durumları

Nesne detect'i alanı son on yılda önemli ölçüde gelişti. Bu alanı şekillendiren iki önemli mimari Ultralytics YOLO26 ve Google'ın EfficientDet'idir. EfficientDet, 2019'da çok ölçekli özellikleri işlemek için ölçeklenebilir ve verimli bir yol sunarken, YOLO26, 2026'da gerçek zamanlı bilgisayar görüşünün en son noktasını temsil ederek uçtan uca işleme ve uç cihazlarda üstün hız sunmaktadır.

Bu kılavuz, geliştiricilerin, araştırmacıların ve mühendislerin uygulamaları için doğru modeli seçmelerine yardımcı olmak amacıyla ayrıntılı bir teknik karşılaştırma sunar.

Modele Genel Bakış

Ultralytics YOLO26

Ocak 2026'da piyasaya sürülen YOLO26, ünlü YOLO (You Only Look Once) ailesinin en son sürümüdür. Maksimum olmayan bastırma (NMS) sonrası işlemine olan ihtiyacı ortadan kaldırarak dağıtım hatlarını basitleştiren, yerel olarak NMS içermeyen, uçtan uca bir mimari sunar. Olağanüstü verimlilik için tasarlanmış olup, uç bilişim senaryolarında üstün performans gösterir ve doğruluktan ödün vermeden CPU'larda önemli hız artışları sunar.

Baş Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Yayın Tarihi: 14.01.2026
Lisans:AGPL-3.0 (Kurumsal sürüm mevcut)

YOLO26 hakkında daha fazla bilgi edinin

Google EfficientDet

EfficientDet, 2019'un sonlarında Google Brain ekibi (şimdiki Google DeepMind) tarafından önerildi. Verimlilik ve ölçeklenebilirliğe odaklanır; backbone, özellik ağı ve tahmin ağının çözünürlüğünü, derinliğini ve genişliğini tekdüze bir şekilde ölçeklendiren bileşik bir ölçeklendirme yöntemi kullanır. Temel yeniliği, kolay ve hızlı çok ölçekli özellik füzyonuna olanak tanıyan Çift Yönlü Özellik Piramit Ağı (BiFPN) idi.

Baş Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google
Yayın Tarihi: 20.11.2019
Lisans: Apache 2.0

Performans Karşılaştırması

Bu iki mimariyi karşılaştırırken, en çarpıcı fark çıkarım hızı ve dağıtım karmaşıklığında yatmaktadır. EfficientDet 2019'da verimlilik için kıyaslamalar belirlerken, YOLO26 modern optimizasyonlardan yararlanarak onu önemli ölçüde geride bırakır, özellikle uç dağıtım için kritik olan CPU tabanlı çıkarımda.

Aşağıdaki tablo, COCO veri kümesi üzerindeki performans metriklerini vurgulamaktadır. YOLO26 serisinin önemli hız avantajına dikkat edin.

Mimari Derinlemesine İnceleme

YOLO26 Yenilikleri

YOLO26, önceki modellerde bulunan geleneksel çapa tabanlı detect mantığından bir ayrılışı temsil eder.

• NMS İçermeyen Uçtan Uca Mantık: EfficientDet gibi geleneksel detect'örler, çakışan sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) gerektirir. Bu adım hesaplama açısından pahalıdır ve donanım hızlandırıcılarında optimize edilmesi zordur. YOLO26 bunu tamamen ortadan kaldırır, nesnelerin tam kümesini doğrudan tahmin eder.
• MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitiminden esinlenerek, YOLO26, SGD ve Muon'u birleştiren hibrit bir optimizatör kullanır. Bu, özel model eğitimi sırasında daha kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
• DFL Kaldırma: Distribution Focal Loss (DFL) kaldırılmasıyla model mimarisi basitleştirilir. Karmaşıklıktaki bu azalma, doğrudan daha hızlı çıkarım hızlarına ve ONNX ve TensorRT gibi formatlara daha kolay dışa aktarıma dönüşür.
• ProgLoss + STAL: Progressive Loss Balancing ve Small-Target-Aware Label Assignment'ın kullanılması, tek aşamalı dedektörler için tarihsel bir zorluk olan küçük nesne tespitinde performansı önemli ölçüde artırır.

EfficientDet Mimarisi

EfficientDet, EfficientNet backbone üzerine inşa edilmiştir ve BiFPN (Bi-directional Feature Pyramid Network) yapısını tanıtır.

• Bileşik Ölçeklendirme: EfficientDet, bileşik bir katsayı (phi) kullanarak çözünürlüğü, genişliği ve derinliği eş zamanlı olarak ölçeklendirir. Bu, kullanıcıların D0'dan D7'ye kadar doğruluktan kaynaklara sistematik olarak ödün vermesine olanak tanır.
• BiFPN: Standart bir FPN'den farklı olarak, BiFPN bilginin hem yukarıdan aşağıya hem de aşağıdan yukarıya akmasına izin verir ve farklı girdi özelliklerinin önemini belirlemek için öğrenilebilir ağırlıklar kullanır.
• Çapa Tabanlı: EfficientDet, önceden tanımlanmış bir dizi çapa kutusuna dayanır ve özel veri kümelerinde optimum performans için en boy oranlarının ve ölçeklerin dikkatli ayarlanmasını gerektirir.

Kullanılabilirlik ve Ekosistem

YOLO26 ve EfficientDet kullanımı arasındaki belirleyici farklardan biri, onları çevreleyen yazılım ekosistemidir.

Ultralytics Deneyimi

Ultralytics, kullanım kolaylığına ve birleşik bir API'ye öncelik verir. İster nesne tespiti, ister instance segmentation, ister poz tahmini, isterse de oriented object detection (obb) gerçekleştiriyor olun, sözdizimi tutarlı kalır.

• Basit python API'si: Bir modeli eğitmek yalnızca birkaç satır kod gerektirir.
• Çok Yönlülük: YOLO26, kutudan çıktığı gibi birden fazla görevi destekler. EfficientDet öncelikli olarak bir nesne dedektörüdür, ancak özel uygulamalarla segmentation başlıkları eklenebilir.
• Dağıtıma Hazır: Ultralytics ekosistemi, CoreML, TFLite, OpenVINO ve daha fazlasına dışa aktarım için yerleşik destek içererek araştırmadan üretime giden yolu kolaylaştırır.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

EfficientDet Ekosistemi

EfficientDet'e genellikle TensorFlow Object Detection API veya çeşitli PyTorch uygulamaları aracılığıyla erişilir. Güçlü olsalar da, bu çerçeveler genellikle daha fazla tekrar eden kod, karmaşık yapılandırma dosyaları ve yeni başlayanlar için daha dik bir öğrenme eğrisi gerektirir. Özel veriler üzerinde verimli eğitim, YOLO modellerinin "kutudan çıktığı gibi" hazır olma durumuna kıyasla genellikle önemli hiperparametre ayarlaması gerektirir.

Kullanım Durumu Önerileri

YOLO26 Ne Zaman Seçilmeli

YOLO26, çoğu modern bilgisayar görüşü uygulaması için ideal seçimdir, özellikle:

1. Uç Bilişim: Raspberry Pi, mobil cihazlar (iOS/Android) veya NVIDIA Jetson'a dağıtım yapıyorsanız, %43'e kadar daha hızlı CPU çıkarımı YOLO26'yı üstün kılar.
2. Gerçek Zamanlı Video: Otonom sürüş veya güvenlik gözetimi gibi yüksek FPS gerektiren uygulamalar için YOLO26'nın düşük gecikme süresi kritiktir.
3. Karmaşık Görevler: Projeniz sadece detect değil, aynı zamanda poz tahmini veya segmentation içeriyorsa, tek bir birleşik çerçeve kullanmak geliştirme yükünü azaltır.
4. Hızlı Prototipleme: Aktif topluluk ve kapsamlı dokümantasyon, geliştiricilerin hızlı bir şekilde yineleme yapmasına olanak tanır.

EfficientDet Ne Zaman Düşünülmeli?

Genel olarak daha yavaş olsa da, EfficientDet belirli araştırma bağlamlarında hala geçerlidir:

1. Akademik Araştırma: Özellikle özellik piramit ağlarını inceliyorsanız, BiFPN mimarisi değerli bir referans olmaya devam etmektedir.
2. Eski Sistemler: Eski TensorFlow sürümleriyle yoğun bir şekilde entegre olan mevcut işlem hatları, mevcut bir EfficientDet modelini taşımak yerine sürdürmeyi daha kolay bulabilir.

Sonuç

While EfficientDet özellik birleştirme ve model ölçeklendirmede çığır açan kavramlar sunarken, YOLO26 yeni nesil yapay görme yapay zekasını temsil etmektedir. Uçtan uca NMS-free tasarımı, üstün çıkarım hızları ve daha düşük bellek gereksinimleri ile YOLO26, günümüzün yapay zeka zorlukları için daha pratik ve güçlü bir çözüm sunar.

Sağlam, gerçek zamanlı uygulamalar geliştirmek isteyen geliştiriciler için Ultralytics YOLO26'nın kolaylaştırılmış iş akışı ve performans dengesi, onu açık bir öneri haline getirir.

Daha Fazla Okuma

Ultralytics dokümantasyonundaki diğer modelleri keşfedin:

• YOLO11: Önceki nesil son teknoloji model.
• YOLOv10: NMS-free eğitimin öncüsü.
• RT-DETR: Gerçek zamanlı DEtection TRansformer, mükemmel bir uçtan uca seçenek daha.

Yorumlar