Başla

YOLOv10 ve EfficientDet

Nesne algılama için en uygun sinir ağını seçmek, modern bilgisayarlı görü sistemlerinde önemli bir karardır. Alanı etkileyen iki mimari YOLOv10 ve EfficientDet'tir. Her ikisi de hesaplama yükünü en aza indirirken doğruluğu en üst düzeye çıkarmayı amaçlar, ancak mimari açıdan çok farklı yaklaşımlar benimser.

Bu kılavuz, tasarımlarını, eğitim yöntemlerini ve dağıtım özelliklerini ele alarak geliştiricilerin ve makine öğrenimi mühendislerinin görüntü işleme yapay zekâ uygulamaları için veriye dayalı kararlar almasına yardımcı olur. Ayrıca gömülü uç yapay zekâ cihazlarından güçlü bulut GPU'larına kadar farklı donanımlardaki performanslarını inceler.

YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#

Gerçek zamanlı gecikmeyi azaltmak üzere geliştirilen YOLOv10, YOLO ailesinin en kalıcı darboğazlarından biri olan Maksimum Olmayanların Bastırılması (NMS) sorununu ele aldı. Bu son işlem adımını ortadan kaldırarak model, otonom araçlar ve yüksek hızlı robotik için kritik olan öngörülebilir bir gecikme sunar.

Mimari Yenilikler#

YOLOv10, NMS içermeyen eğitim için tutarlı ikili atamalar sunar. Eğitim sırasında hem bire-çok hem de bire-bir etiket atamalarını kullanarak ağın zengin temsiller öğrenmesini sağlarken, çıkarım sırasında nesne başına tek bir sınırlayıcı kutu üretir. Mimari ayrıca verimlilik ve doğruluğu bütüncül biçimde temel alan bir tasarım kullanır; sınıflandırma başlığını sadeleştirir ve önceki sürümlerde görülen hesaplama tekrarlarını azaltır.

Model Ayrıntıları#

Sadeleştirilmiş Dağıtım

YOLOv10, NMS adımını ortadan kaldırdığı için sınırlayıcı kutu filtrelemesinde özel çalışma zamanı eklentilerine ihtiyaç duymadan ONNX biçimi ve NVIDIA TensorRT gibi biçimlere doğal olarak daha kolay aktarılabiliyor.

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 daha az bellek gerektirir.
  • Mükemmel Hız/Doğruluk Dengesi: Performans ölçütlerinden ödün vermeden düşük gecikmeli senaryolar için özel olarak optimize edildi.

Zayıf Yönler:

YOLOv10 hakkında daha fazla bilgi edin

EfficientDet: Ölçeklenebilir ve Dengeli#

Google Brain tarafından geliştirilen EfficientDet, nesne algılamaya sistematik ağ ölçeklendirme yaklaşımıyla çözüm getirir. EfficientNet görüntü sınıflandırma omurgasını temel alır ve yeni bir özellik birleştirme mekanizması sunar.

Mimari Yenilikler#

EfficientDet'in temelinde, çok ölçekli özelliklerin kolayca ve hızlıca birleştirilmesini sağlayan Çift Yönlü Özellik Piramit Ağı (BiFPN) yer alır. Yalnızca özellikleri yukarıdan aşağıya toplayan geleneksel FPN'lerden farklı olarak BiFPN, farklı girdi özelliklerinin önemini öğrenmek için çift yönlü ölçekler arası bağlantılar ve eğitilebilir ağırlıklar kullanır. Ayrıca EfficientDet; omurga, özellik ağı ve kutu/sınıf tahmin ağlarının tamamında çözünürlüğü, derinliği ve genişliği eşit oranda ölçeklendiren bileşik bir ölçeklendirme yöntemi kullanır.

Model Ayrıntıları#

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 eski TensorFlow sürümlerine dayanır; bu da modern dağıtım iş akışlarını karmaşıklaştırabilir.
  • Daha Yavaş Eğitim: EfficientDet'i sıfırdan eğitmek 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 asıl sınavı, COCO veri kümesi gibi standart kıyaslamalardaki ampirik performanslarıdır. Aşağıdaki tablo, parametre sayısı, kayan nokta işlemleri (FLOP) ve NVIDIA T4 GPU'larındaki çıkarım gecikmesi açısından temel farkları gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

YOLOv10, GPU çıkarım hızında büyük bir avantaja sahiptir. Örneğin YOLOv10s, TensorRT ile 2.49 ms gecikmede 46.3 mAP elde ederken EfficientDet-d3 benzer bir 47.5 mAP değerine ulaşır ancak 19.59 ms sürer. Üst uçta YOLOv10m (51.1 mAP, 4.74 ms), EfficientDet-d5'in (51.5 mAP, 67.86 ms) performansına neredeyse ulaşır. Bu nedenle YOLOv10, gerçek zamanlı video akışı veya hızlı üretim iş akışları için çok daha uygundur. EfficientDet-d0, tablodaki en düşük FLOP değerine (2.54B) sahiptir.

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 referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Modern Standart: Ultralytics YOLO26 Sahneye Çıkıyor#

YOLOv10, NMS içermeyen YOLO algılamasını başlattı; EfficientDet ise ilkeli ölçeklendirmenin değerini gösterdi. Ancak bilgisayarlı görü gelişmeye devam etti. Bugün yeni projelere başlayan geliştiriciler için önerilen model Ultralytics YOLO26'dır. Ocak 2026'da yayımlanan model, bu fikirleri Ultralytics Platform tarafından desteklenen ve üretime hazır bir pakette bir araya getirir.

YOLO26 Neden Rakiplerinden Daha İyi Performans Gösteriyor#

  1. Uçtan Uca NMS İçermeyen Tasarım: YOLO26, YOLOv10'un uçtan uca, NMS içermeyen tasarımını isteğe bağlı bire bir başlık (nms=False) olarak sunarak dağıtımı kolaylaştırır ve çıkarımı hızlandırır.
  2. CPU'da %43'e Kadar Daha Hızlı Çıkarım: Özel hızlandırıcısı olmayan uç cihazlarda YOLO26n, standart CPU'larda YOLO11n'den %43'e kadar daha hızlı çalışır.
  3. Gelişmiş MuSGD Optimizasyon Algoritması: Büyük dil modeli (LLM) eğitim yöntemlerinden esinlenen YOLO26, istikrarlı eğitim ve hızlı yakınsama için SGD ile Muon'un bir melezi olan yöntemi kullanır ve EfficientDet'e kıyasla eğitim verimliliğini artırır.
  4. ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), eski algılayıcıların sıklıkla zorlandığı küçük nesnelerin tanınmasını iyileştirir.
  5. DFL'nin Kaldırılması: Dağılımsal Odak Kaybı'nın kaldırılması, OpenVINO ve CoreML dâhil olmak üzere birçok donanım biçimine dışa aktarmayı kolaylaştırır.

YOLO26 ayrıca daha fazla çok yönlülük sunar. EfficientDet ve YOLOv10 algılama modelleriyken YOLO26, aynı Ultralytics Python paketini kullanarak örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları da işler.

Bakımı İyi Yapılan Ekosistem

Hem YOLO11 hem de YOLOv8, Ultralytics ekosisteminde tam olarak desteklenmeye devam ediyor. Performans, kararlılık ve uzun vadeli desteğin en iyi bileşimi için resmî olarak bakımı yapılan Ultralytics modellerini kullanmanı öneriyoruz.

Ultralytics ile Kullanım Kolaylığı#

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

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, çerçeve tercihine ve hız kısıtlarına bağlıdır. EfficientDet, TensorFlow ekosistemi içinde model ölçeklendirmeye yapılandırılmış bir yaklaşım sunar. Ancak YOLOv10, NMS içermeyen mimarisi sayesinde daha hızlı gerçek zamanlı performans, daha düşük bellek kullanımı ve daha kolay bir dağıtım yolu sağlar.

Performans, kullanım kolaylığı ve çoklu görev çok yönlülüğü arasında en iyi denge için Ultralytics Platform'da YOLO26 kullanmanı öneriyoruz. YOLOv10'un NMS içermeyen yaklaşımını temel alır, MuSGD optimizasyon algoritması gibi daha yeni eğitim teknikleri ekler ve geniş bir küresel topluluk tarafından desteklenen açık kaynaklı bir çerçeveyle sunulur.

Katkıda Bulunanlar

Yorumlar

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