YOLO26 ve EfficientDet#

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü uygulamasının başarısı için kritik öneme sahiptir. Bu teknik rehber, iki öne çıkan modelin (son teknoloji Ultralytics YOLO26 ve Google'ın köklü EfficientDet'i) dengelerini, performans ölçümlerini ve mimari yeniliklerini inceler.

Dağıtım hedefin yüksek iş hacmine sahip bulut sunucuları veya gecikmeyle sınırlı uç AI cihazları olsun, 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, YOLO ailesinin en yeni evrimini temsil eder ve özellikle benzersiz bir kullanıcı deneyimi ile üst düzey ortalama Kesinlik (mAP) sunmak üzere tasarlanmıştır. Modern donanımlar için sıfırdan geliştirilen model; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini genelinde olağanüstü çok yönlülük sunar.

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

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır ve Maksimum Olmayan Bastırma (NMS) son işleme gereksinimini tamamen ortadan kaldırır. Bu sayede dağıtım mantığı basitleşir ve gecikme değişkenliği önemli ölçüde azalır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Derin mimari optimizasyonlar sayesinde model, standart CPU'larda benzeri görülmemiş çıkarım hızlarına ulaşır; bu da onu IoT ve gömülü ortamlar için son derece uygun kılar.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıp fonksiyonu kaldırılarak daha temiz bir dışa aktarma süreci ve ONNX gibi araçları kullanan düşük güçlü uç cihazlarla geliştirilmiş uyumluluk sağlanmıştır.
• MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2 LLM eğitim rutinlerinden ilham alan bu SGD ve Muon hibriti, büyük dil modeli eğitimi yeniliklerini doğrudan bilgisayarlı görüye taşır ve daha hızlı yakınsama ile daha kararlı eğitim süreçleri sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava araçlarından alınan drone görüntüleri ve robotik uygulamaları için kritik bir etken olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.

Mimariye 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 Deposu

Google tarafından sunulan EfficientDet, TensorFlow ekosisteminden yoğun şekilde yararlanır ve bileşik ölçekleme kavramı üzerine tasarlanmıştır. Mimarisi, kaynak kısıtlarına bağlı olarak omurga ağını, özellik ağını ve kutu/sınıf tahmin ağlarını aynı anda ölçeklendirir.

EfficientDet'in başlıca yenilikleri şunlardır:

• BiFPN (Çift Yönlü Özellik Piramit Ağı): Farklı ölçeklerdeki özelliklerin kolay ve hızlı şekilde birleştirilmesini sağlayan bu mekanizma, ağın farklı boyutlardaki nesneleri daha iyi anlamasına olanak tanır.
• Bileşik Ölçekleme: Çözünürlüğü, derinliği ve genişliği eşit şekilde artırmaya yönelik sezgisel bir yöntemdir; d0'dan (en küçük) d7'ye (en büyük) kadar bir model ailesi oluşturur.

EfficientDet, katı sınırlayıcı kutu algılama için sağlam bir seçenek olmaya devam etse de genellikle modern geliştiricilerin beklediği modern çok görevli çok yönlülükten (yerel OBB görevleri gibi) ve akıcı, birleşik Python ekosisteminden yoksundur.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Hız ve doğruluğun Pareto sınırını belirlemek için her iki mimariyi de COCO veri kümesini kullanarak standart ortamlarda kıyasladık. Aşağıdaki tablo, bir AWS EC2 P4d örneğinde ölçülen model boyutları, kesinlik ve gecikme farklarını vurgular.

Yukarıda gösterildiği gibi YOLO26 üstün bir performans dengesi sunar. YOLO26x modeli en yüksek doğruluğa (57.5 mAP) ulaşarak en büyük EfficientDet-d7 modelini önemli ölçüde geride bırakır. Ayrıca YOLO26 modelleri, çok daha düşük bellek gereksinimleri ve çok daha yüksek GPU çıkarım hızları sergiler (TensorRT üzerinde 1.7 ms kadar düşük); bu da NMS'siz tasarımın avantajlarını vurgular.

Eğitim Verimliliği ve Ekosistem Avantajı#

İki mimari arasındaki önemli farklardan biri geliştirme ortamlarında yatar. EfficientDet, Google AutoML ve TensorFlow ekosistemlerine sıkı şekilde bağlıdır; bu ekosistemler güçlü olmakla birlikte DOTAv1 gibi özel veri kümeleri için zorlu öğrenme eğrilerine ve katı yapılandırmalara yol açabilir.

Buna karşılık Ultralytics, PyTorch üzerine kurulmuş ve son derece iyi sürdürülen bir ekosistem sunar. Eğitim sırasında bellek kullanımı sıkı şekilde optimize edilir; böylece mühendisler, Transformer tabanlı ağlarda yaygın olan aşırı VRAM tahsislerine ihtiyaç duymadan sağlam 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

# 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 Alanları#

YOLO26 ne zaman kullanılmalı:

• Uçta Hesaplama ve Mobil: %43'e kadar daha hızlı CPU çıkarımı ve NMS ek yükünün olmaması sayesinde YOLO26, Raspberry Pi'ler veya cep telefonları gibi işlem bütçesi ciddi şekilde kısıtlı cihazlarda üstün performans gösterir.
• Çoklu Görev: Tek bir işlem hattı sınırlayıcı kutular, segmentasyon maskeleri ve takip gerektirdiğinde YOLO26'nın çok yönlülüğü eşsizdir.
• Drone ve Hava Görüntüleri: ProgLoss ile STAL'in birleşimi, yüksek irtifalardan çekilen görüntülerde son derece küçük nesnelerin algılanmasını büyük ölçüde iyileştirir.

EfficientDet ne zaman kullanılmalı:

• Eski TensorFlow İşlem Hatları: Altyapın yalnızca TensorFlow SavedModel'lerini destekleyecek şekilde yoğun biçimde sabit kodlanmışsa veya belirli TensorFlow Serving işlem hatları gerektiriyorsa EfficientDet yerel uyumluluk sunar.
• Kaynakları Kısıtlı TPU'lar: EfficientDet, Google'ın özel Tensör İşleme Birimleri (TPU'lar) için yoğun şekilde optimize edilmiştir.

Diğer Alternatifleri Keşfetme#

Bu rehber ağırlıklı olarak YOLO26 ve EfficientDet yaklaşımına odaklansa da daha geniş Ultralytics ekosistemi başka etkileyici mimarilere de ev sahipliği yapar. Uygulaman büyük ölçüde Transformer'lara dayanıyorsa RT-DETR gerçek zamanlı, Transformer tabanlı algılama sunar. Alternatif olarak eski sistemleri destekliyorsan YOLO11 tamamen desteklenmeye ve son derece etkili olmaya devam eder. Daha kapsamlı bir genel bakış için Ultralytics Model Karşılaştırmaları Merkezi'ni ziyaret et.

Sonuç olarak, bugün oluşturulan her modern bilgisayarlı görü işlem hattı için YOLO26'nın üstün hızı, kullanım kolaylığı ve son teknoloji doğruluğu onu hem araştırmacılar hem de geliştiriciler için tartışmasız önerilen seçenek haline getirir.