Link to this sectionYOLO26 ve EfficientDet#

Doğru sinir ağı mimarisini seçmek, herhangi bir bilgisayarlı görü uygulamasının başarısı için kritiktir. Bu teknik kılavuz, iki önemli modelin ödünleşimlerini, performans metriklerini ve mimari yeniliklerini inceliyor: son teknoloji Ultralytics YOLO26 ve Google'ın yerleşik EfficientDet'i.

Dağıtımınız ister yüksek verimli bulut sunucularını ister gecikmeye duyarlı uç yapay zeka cihazlarını hedeflesin, bu mimariler arasındaki farkları anlamak hız, doğruluk ve verimlilik arasında optimum bir denge sağlar.

Link to this sectionMimariye Genel Bakış: YOLO26#

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: Ultralytics GitHub
Dokümanlar: YOLO26 Resmi Dokümantasyonu

2026'nın başlarında piyasaya sürülen YOLO26, YOLO ailesindeki en son gelişmeyi temsil eder ve benzersiz bir kullanıcı deneyimi ile üst düzey ortalama Hassasiyet (mAP) sağlamak için özel olarak tasarlanmıştır. Modern donanımlar için sıfırdan tasarlanmış olup nesne algılama, örnek bölümleme, görüntü sınıflandırma ve poz kestirimi konularında 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 CPU'larda benzeri görülmemiş çıkarım hızlarına ulaşarak IoT ve gömülü ortamlar için son derece uygun hale gelir.
• DFL Kaldırma: Dağılım Odaklı Kayıp (Distribution Focal Loss) kaldırılmış olup, bu da daha temiz bir dışa aktarma süreci ve ONNX gibi araçlar kullanan düşük güçlü uç cihazlarla geliştirilmiş uyumluluk sağlar.
• MuSGD Optimizer: Moonshot AI'ın Kimi K2 LLM eğitim rutinlerinden esinlenen bu SGD ve Muon melezi, büyük dil modeli eğitimindeki yenilikleri doğrudan bilgisayarlı görü alanına getirerek 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

Link to this sectionMimari 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 bir şekilde yararlanır ve bileşik ölçeklendirme kavramı etrafında tasarlanmıştır. Mimarisi, kaynak kısıtlamalarına dayalı olarak bel kemiği 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 algılama için sağlam bir seçenek olmaya devam etse de, genellikle modern çoklu görev çok yönlülüğünden (yerel OBB görevleri gibi) ve modern geliştiricilerin beklediği düzenli, birleşik Python ekosisteminden yoksundur.

EfficientDet hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Metrik Karşılaştırması#

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

Link to this sectionEğitim Verimliliği ve Ekosistem Avantajı#

İki mimari arasındaki temel fark, geliştirme ortamlarında yatar. EfficientDet, Google AutoML ve TensorFlow ekosistemine derinlemesine gömülüdür; bu güçlü olsa da, DOTAv1 gibi özel veri kümeleri için dik öğrenme eğrileri ve katı yapılandırmalar oluşturabilir.

Buna karşılık Ultralytics, PyTorch üzerinde oluşturulmuş inanılmaz derecede iyi korunmuş bir ekosistem sunar. Eğitim sırasındaki bellek kullanımı sıkı bir şekilde optimize edilmiştir ve mühendislerin, transformer tabanlı ağlarda yaygın olan aşırı VRAM tahsislerine ihtiyaç duymadan sağlam modeller eğitmelerine olanak tanır.

Link to this sectionUygulama 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")

Link to this sectionİdeal 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 hat (pipeline) sınırlayıcı kutular, segmentasyon maskeleri ve takip gerektirdiğinde, YOLO26'nın çok yönlülüğü benzersizdir.
• 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 Tensör İşlem Birimleri (TPU'lar) için yoğun bir şekilde optimize edilmiştir.

Link to this sectionDiğer Alternatifleri Keşfetme#

Bu kılavuz ağırlıklı olarak YOLO26 vs EfficientDet paradigmasına odaklansa da, daha geniş Ultralytics ekosistemi başka inanılmaz mimarilere de ev sahipliği yapar. Uygulamanız büyük ölçüde transformer'lara dayanıyorsa, RT-DETR gerçek zamanlı transformer tabanlı algılama sunar. Alternatif olarak, eski sistemleri destekliyorsanız YOLO11 tamamen desteklenmeye devam eder ve oldukça etkilidir. Daha genel bir bakış için Ultralytics Model Karşılaştırmaları Merkezini 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.