YOLOv10 ve EfficientDet#

Nesne algılama için en uygun sinir ağını seçmek, modern bilgisayarlı görü sistemlerinin başarısını belirleyen kritik bir karardır. Alanı önemli ölçüde etkileyen iki öne çıkan mimari YOLOv10 ve EfficientDet'tir. Her ikisi de hesaplama yükünü en aza indirirken doğruluğu en üst düzeye çıkarmayı hedeflese de bu amaçlara ulaşmak için birbirinden oldukça farklı mimari yaklaşımlar izler.

Bu kapsamlı rehber, kendilerine özgü tasarımları, eğitim yöntemlerini ve dağıtım özelliklerini ele alarak geliştiricilerin ve makine öğrenimi mühendislerinin görü yapay zekâ uygulamaları için verilere dayalı kararlar almasına yardımcı oluyor. Gömülü uç yapay zekâ cihazlarından güçlü bulut GPU'larına kadar farklı donanımlardaki performanslarını inceleyeceğiz.

YOLOv10: NMS Gerektirmeyen Algılamanın Öncüsü#

Gerçek zamanlı gecikme sınırlarını zorlamak için geliştirilen YOLOv10, YOLO ailesinin en kalıcı darboğazlarından biri olan Maksimum Olmayan Bastırma'yı (NMS) ele aldı. Bu son işleme adımını ortadan kaldıran model, otonom araçlar ve yüksek hızlı robotik sistemler için kritik önem taşıyan, yüksek düzeyde öngörülebilir gecikme sağlıyor.

Mimari Yenilikler#

YOLOv10, NMS'siz eğitim için tutarlı çiftli atamalar sunuyor. Eğitim sırasında hem çoktan-bire hem de birden-bire etiket atamalarından yararlanarak ağın zengin temsiller öğrenmesini sağlarken çıkarım sırasında her nesne için en iyi tek sınırlayıcı kutuyu doğal olarak üretiyor. Mimari ayrıca verimlilik ve doğruluğu bütünsel olarak gözeten bir tasarım içeriyor; sınıflandırma başlığını yalınlaştırıyor ve önceki sürümlerdeki hesaplama tekrarlarını azaltıyor.

Model Ayrıntıları#

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Makale: YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama
• GitHub: THU-MIG/yolov10
• Belgeler: YOLOv10 Belgeleri

Güçlü Yönler:

• Öngörülebilir Çıkarım: NMS'nin kaldırılması, sahnedeki nesne sayısından bağımsız olarak çıkarım sürelerinin tutarlı olmasını sağlıyor.
• Daha Düşük Bellek Kullanımı: RT-DETR gibi Transformer tabanlı modellerle karşılaştırıldığında YOLOv10, hem eğitim hem de çıkarım sırasında çok daha az bellek gerektiriyor.
• Mükemmel Hız/Doğruluk Dengesi: Performans ölçütlerinden ödün vermeden düşük gecikmeli senaryolar için özel olarak optimize edildi.

Zayıf Yönler:

• Tek Göreve Odaklanma: Daha geniş kapsamlı Ultralytics ekosisteminden farklı olarak özgün YOLOv10 deposu ağırlıklı olarak algılamaya odaklanıyor; yerel örnek bölümleme veya poz tahmini desteği sunmuyor.

YOLOv10 hakkında daha fazla bilgi edin

EfficientDet: Ölçeklenebilir ve Dengeli#

Google Brain tarafından geliştirilen EfficientDet, nesne algılamaya sistematik ağ ölçeklendirme perspektifinden yaklaşıyor. EfficientNet görüntü sınıflandırma omurgası üzerine kurulan model, yeni bir özellik birleştirme mekanizması sunuyor.

Mimari Yenilikler#

EfficientDet'in temelinde, çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlayan Çift Yönlü Özellik Piramidi Ağı (BiFPN) yer alıyor. Özellikleri yalnızca yukarıdan aşağıya toplayan geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için çift yönlü, ölçekler arası bağlantılar ve eğitilebilir ağırlıklar kullanıyor. Ayrıca EfficientDet, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini tutarlı biçimde ölçeklendiren birleşik bir ölçekleme yöntemi kullanıyor.

Model Ayrıntıları#

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Brain
• Tarih: 2019-11-20
• Makale: EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
• GitHub: Google AutoML EfficientDet

Güçlü Yönler:

• Yüksek Verimlilik: Parametre-doğruluk oranı mükemmel olduğundan daha küçük -d0 ile -d2 varyantları oldukça hafiftir.
• İlkelere Dayalı Ölçeklendirme: Birleşik ölçeklendirme, kullanıcıların tam hesaplama bütçelerine uygun model boyutunu kolayca seçmesini sağlıyor.

Zayıf Yönler:

• Eski Çerçevelerle Entegrasyon: Özgün uygulama büyük ölçüde eski TensorFlow sürümlerine dayanıyor; bu da modern dağıtım iş akışlarını karmaşıklaştırabiliyor.
• Daha Yavaş Eğitim: EfficientDet'i sıfırdan eğitmek oldukça yavaştır ve YOLO mimarilerinin hızlı yakınsamasına kıyasla hiperparametrelerin dikkatle ayarlanmasını gerektirir.
• Çıkarım Hızı: Parametre açısından verimli olsa da karmaşık BiFPN işlemleri, standart donanımlarda gerçek dünya çıkarım hızlarının yüksek düzeyde optimize edilmiş YOLO modellerine kıyasla daha yavaş olmasına neden oluyor.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Kıyaslamalar#

Bu modellerin gerçek sınavı, COCO veri kümesi gibi standart kıyaslamalardaki deneysel performanslarıdır. Aşağıdaki tablo, NVIDIA T4 GPU'larında parametre sayısı, kayan nokta işlemleri (FLOPs) ve çıkarım gecikmesi arasındaki kritik farkları gösteriyor.

Yukarıda gösterildiği gibi YOLOv10, ham çıkarım hızında önemli bir üstünlüğe sahip. Örneğin YOLOv10-S, yalnızca 2.49 ms TensorRT gecikmesiyle 46.3 mAP değerine ulaşırken EfficientDet-d3 benzer bir 47.5 mAP değerine ulaşmak için yaklaşık 20 ms harcıyor; bu da YOLOv10'u gerçek zamanlı video akışı veya hızlı üretim hatları için çok daha üstün kılıyor.

Kullanım Alanları ve Öneriler#

YOLOv10 ve EfficientDet arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

• NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
• LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Modern Standart: Ultralytics YOLO26 Sahneye Çıkıyor#

YOLOv10 çığır açan NMS'siz yaklaşımı sunarken EfficientDet ilkelere dayalı ölçeklendirmeyi ortaya koydu; ancak bilgisayarlı görü dünyası gelişmeye devam etti. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26, tartışmasız son teknoloji ürünü. Ocak 2026'da yayımlanan model, Ultralytics Platform içinde tüm dünyaların en iyi özelliklerini son derece gelişmiş ve üretime hazır bir pakette bir araya getiriyor.

YOLO26 Neden Rakiplerinden Daha İyi Performans Gösteriyor#

1. Uçtan Uca, NMS'siz Tasarım: YOLO26, YOLOv10'un öncülük ettiği uçtan uca NMS'siz tasarımı isteğe bağlı bir bire-bir başlık (nms=False) olarak sunarak dağıtımı sadeleştiriyor ve çıkarımı hızlandırıyor.
2. %43'e Varan Daha Hızlı CPU Çıkarımı: Özel hızlandırıcıları olmayan uç cihazlarda YOLO26, standart CPU'larda verimli çalışacak şekilde özel olarak optimize edilmiştir.
3. Gelişmiş MuSGD Optimize Edicisi: LLM eğitimindeki yeniliklerden ilham alan YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ve Muon'un bir birleşimini kullanarak eğitim verimliliğini EfficientDet'e kıyasla önemli ölçüde artırıyor.
4. ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, hem YOLOv10'un hem de EfficientDet'in geleneksel zayıf noktası olan küçük nesne tanımada kayda değer iyileşmeler sağlıyor.
5. DFL'nin Kaldırılması: Distribution Focal Loss'u kaldıran YOLO26, OpenVINO ve CoreML dâhil neredeyse tüm donanım biçimlerine sorunsuz biçimde aktarılıyor.

Ayrıca YOLO26, eşsiz bir çok yönlülük sunuyor. EfficientDet ve YOLOv10 yalnızca algılama modelleriyken YOLO26, aynı sezgisel Ultralytics Python paketi üzerinden yönlendirilmiş sınırlayıcı kutuları, görüntü sınıflandırmayı ve örnek bölümlemeyi sorunsuz biçimde gerçekleştiriyor.

Ultralytics ile Kullanım Kolaylığı#

Ultralytics'in sunduğu bakımı iyi yapılan ekosistem, sorunsuz bir geliştirici deneyimi sağlıyor. Bir modeli eğitmek, doğrulamak ve TensorRT entegrasyonuna aktarmak yalnızca birkaç satır kod alıyor.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv10 modeli yükle (veya yerel olarak YOLO26'ya yükselt)
model = YOLO("yolov10n.pt")

# Modeli özel bir veri kümesinde verimli şekilde eğit
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Çıkarım yap ve sonuçları hemen görselleştir
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Hızlı dağıtım için dışa aktar
model.export(format="engine", quantize=16)

Sonuç#

YOLOv10 ile EfficientDet'i karşılaştırırken seçim, büyük ölçüde framework tercihine ve hız kısıtlarına bağlıdır. EfficientDet, TensorFlow ekosisteminde model ölçeklendirmeye yapılandırılmış bir yaklaşım sunar. Ancak YOLOv10; NMS içermeyen mimarisi sayesinde üstün gerçek zamanlı performans, daha düşük bellek kullanımı ve daha kolay bir dağıtım süreci sağlar.

Performans, kullanım kolaylığı ve çoklu görev esnekliği arasında en iyi dengeyi yakalamak için Ultralytics Platform platformuna geçmen ve YOLO26 kullanman önemle tavsiye edilir. YOLOv10'un NMS içermeyen yeniliklerini temel alır, MuSGD optimizer gibi son teknoloji eğitim tekniklerini uygular ve bunları büyük bir küresel topluluğun desteklediği sağlam, açık kaynaklı bir framework içinde sunar.