Başla

YOLO26 ve EfficientDet

Doğru sinir ağı mimarisini seçmek, her bilgisayarlı görü uygulamasının başarısı için kritik öneme sahiptir. Bu teknik kılavuz, öne çıkan iki modelin ( Ultralytics YOLO26 ve Google'ın köklü EfficientDet modeli) ödünleşimlerini, performans ölçütlerini ve mimari yeniliklerini inceliyor.

Dağıtım hedefin yüksek verimli bulut sunucuları da olsa gecikme kısıtlaması olan uç yapay zekâ cihazları da olsa bu mimariler arasındaki farkları anlamak hız, doğruluk ve verimlilik arasında denge kurmana yardımcı olur.

Mimariye Genel Bakış: YOLO26#

2026'nın başlarında yayımlanan YOLO26, YOLO ailesinin kullanım kolaylığı ve modern donanımlarda yüksek ortalama hassasiyet (mAP) sunmak üzere tasarlanan en yeni modelidir. Nesne algılama, örnek bölütleme, anlamsal bölütleme, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler.

YOLO26, hem eğitim kararlılığını hem de çıkarım hızını artıran birkaç özellik sunuyor:

  • Uçtan Uca NMS İçermeyen Tasarım: YOLO modellerine YOLOv10 tarafından kazandırılan NMS içermeyen eğitim yaklaşımını temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemeye gerek bırakmayan, isteğe bağlı uçtan uca bire bir başlık (nms=False) sunar. Bu da dağıtım mantığını basitleştirir ve gecikme değişkenliğini azaltır.
  • CPU'da %43'e Varan Hızlı Çıkarım: Mimari optimizasyonlar, YOLO26n'i standart CPU'larda YOLO11n'den %43'e kadar daha hızlı hâle getirerek IoT ve gömülü ortamlar için uygun kılar.
  • 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 Optimizasyonu: Moonshot AI'nin Kimi K2 LLM eğitim rutinlerinden ilham alan bu SGD ve Muon melezi, büyük dil modeli eğitimindeki yenilikleri doğrudan bilgisayarlı görüye taşır; daha hızlı yakınsama ve daha kararlı eğitim sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), hava aracı görüntüleri ve robotik uygulamaları için önemli olan küçük nesnelerin tanınmasını iyileştirir.
Kolaylaştırılmış Dışa Aktarım

DFL'nin kaldırılması ve NMS içermeyen mimarisi sayesinde YOLO26 modellerini NVIDIA TensorRT veya Intel OpenVINO gibi uç cihazlara uygun biçimlere aktarmak için neredeyse hiç özel eklenti geliştirmek gerekmez.

Mimariye Genel Bakış: EfficientDet#

Google tarafından geliştirilen EfficientDet, TensorFlow ekosistemi üzerine kuruludur ve bileşik ölçekleme kavramı temelinde tasarlanmıştır. Mimari, kaynak kısıtlamalarına bağlı olarak omurga ağını, özellik ağını ve kutu/sınıf tahmin ağlarını eş zamanlı 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, sınırlayıcı kutu algılama için hâlâ sağlam bir seçenek olsa da modern çoklu görev esnekliğinden (yerel OBB görevleri gibi) ve günümüz geliştiricilerinin beklediği akıcı, birleşik Python ekosisteminden yoksundur.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Aşağıdaki tablo, her iki mimariyi de COCO veri kümesi üzerinde karşılaştırarak model boyutu, doğruluk ve gecikme farklarını gösteriyor. CPU hızları ONNX Runtime, GPU hızları ise NVIDIA T4 üzerinde TensorRT kullanılarak ölçülmüştür.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

YOLO26x en yüksek doğruluğa (57.5 mAP) ulaşır; bu, EfficientDet-d7'den 3.8 puan daha yüksektir. T4 üzerinde TensorRT ile 128.07 ms yerine 11.8 ms'de çalışır. YOLO26, GPU'da tüm model boyutlarında çok daha hızlıdır (en düşük 1.7 ms).

Eğitim Verimliliği ve Ekosistem Avantajı#

İki mimari arasındaki önemli bir fark geliştirme ortamlarıdır. EfficientDet, Google AutoML ve TensorFlow ekosistemine sıkı biçimde bağlıdır; bu durum özel veri kümeleri ve DOTAv1 üzerinde yönlendirilmiş algılama gibi yeni görevler için öğrenme sürecini zorlaştırabilir ve yapılandırmaları kısıtlayabilir.

Ultralytics, mütevazı GPU'larda çalışan, bellek verimliliği yüksek eğitim sunan ve PyTorch üzerine kurulu, bakımı düzenli yapılan bir ekosistem sunar.

Birleşik Platform Entegrasyonu

Ultralytics Platform sayesinde geliştiriciler; veri etiketleme, bulutta eğitim ve model dağıtımını kapsayan uçtan uca bir MLOps iş akışına erişerek prototipten üretime geçiş sürecini kısaltır.

Uygulama Örneği#

Ultralytics API'si, YOLO26 modelini yalnızca birkaç satır kodla eğitip dışa aktarmanı sağlar.

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: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlıdır ve isteğe bağlı NMS'siz çıkarım sunar. Bu özellikler, Raspberry Pi veya cep telefonları gibi hesaplama bütçesi kesin biçimde kısıtlı cihazlarda YOLO26'nın iyi performans göstermesini sağlar.
  • Çoklu Görev: Tek bir işlem hattında sınırlayıcı kutular, bölütleme maskeleri ve izleme gerektiğinde YOLO26 bunların tümünü tek bir çerçevede gerçekleştirir.
  • Drone ve Hava Görüntüleri: ProgLoss ile STAL'ın birleşimi, yüksek irtifalardan küçük nesnelerin algılanmasını iyileştirir.

EfficientDet'i ne zaman kullanmalısın:

  • Eski TensorFlow İşlem Hatları: Altyapın yalnızca TensorFlow SavedModel'ları destekliyorsa veya belirli TensorFlow Serving işlem hatları gerektiriyorsa EfficientDet yerel uyumluluk sunar.
  • Kaynakları Kısıtlı TPU'lar: EfficientDet, Google'ın özel Tensor İşlem Birimleri (TPU'lar) için optimize edilmiştir.

Diğer Alternatifleri Keşfet#

Bu kılavuz YOLO26 ve EfficientDet'e odaklanıyor, ancak Ultralytics ekosistemi başka mimarileri de içeriyor. Uygulaman transformer'lara dayanıyorsa RT-DETR, transformer tabanlı gerçek zamanlı algılama sunar. Eski sistemleri destekliyorsan YOLO11 tam olarak desteklenmeye devam ediyor. Daha geniş bir genel bakış için Ultralytics Model Karşılaştırmaları Merkezi'ni ziyaret et.

Yeni bilgisayarlı görü işlem hatlarında YOLO26'nın hızı, kullanım kolaylığı ve doğruluğu, onu araştırmacılar ve geliştiriciler için önerilen seçenek hâline getiriyor.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.