Link to this sectionYOLOv10 ile EfficientDet karşılaştırması#

Nesne algılama için en uygun sinir ağını seçmek, modern bilgisayarlı görü sistemlerinin başarısını belirleyen kritik bir karardır. Alanı önemli ölçüde etkileyen iki önde gelen mimari YOLOv10 ve EfficientDet'tir. Her ikisi de hesaplama yükünü minimize ederken doğruluğu maksimize etmeyi amaçlasa da, bu hedeflere ulaşmak için birbirinden çok farklı mimari yaklaşımlar benimserler.

Bu kapsamlı rehber, geliştiricilerin ve makine öğrenimi mühendislerinin vizyon yapay zeka uygulamaları için veriye dayalı kararlar almalarına yardımcı olmak amacıyla bu modellerin benzersiz tasarımlarını, eğitim metodolojilerini ve dağıtım özelliklerini incelemektedir. Gömülü uç yapay zeka cihazlarından güçlü bulut GPU'larına kadar değişen donanımlarda nasıl performans gösterdiklerini inceleyeceğiz.

Link to this sectionYOLOv10: NMS-Free Öncüsü#

Gerçek zamanlı gecikme sınırlarını zorlamak için geliştirilen YOLOv10, YOLO ailesindeki en ısrarlı darboğazlardan birini ele aldı: NMS (Non-Maximum Suppression). Bu işlem sonrası adımını ortadan kaldırarak, model otonom araçlar ve yüksek hızlı robotik için kritik olan son derece öngörülebilir bir gecikme süresine ulaşır.

Link to this sectionMimari Yenilikler#

YOLOv10, NMS içermeyen eğitim için tutarlı ikili atamalar sunar. Eğitim sırasında, hem bire-çok hem de bire-bir etiket atamalarından yararlanarak ağın zengin temsiller öğrenmesini sağlarken, çıkarım sırasında nesne başına tek bir en iyi sınırlayıcı kutuyu doğal bir şekilde çıktı olarak verir. Mimari ayrıca sınıflandırma başlığını basitleştiren ve önceki iterasyonlarda bulunan hesaplama yedekliliğini azaltan, verimlilik ve doğruluk odaklı bütünsel bir tasarım içerir.

Link to this sectionModel Detayları#

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

Güçlü Yönler:

• Öngörülebilir Çıkarım: NMS'in kaldırılması, sahnedeki nesne sayısından bağımsız olarak tutarlı çıkarım süreleri sağlar.
• Daha Düşük Bellek Kullanımı: RT-DETR gibi Transformer tabanlı modellere kıyasla, YOLOv10 hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük bellek gereksinimlerine sahiptir.
• Mükemmel Hız/Doğruluk Dengesi: performans metriklerinden ödün vermeden düşük gecikmeli senaryolar için özel olarak optimize edilmiştir.

Zayıf Yönler:

• Tek Görev Odaklı: Daha geniş Ultralytics ekosisteminin aksine, orijinal YOLOv10 deposu büyük ölçüde algılamaya odaklanmıştır ve örnek bölümleme veya poz tahmini için yerel desteği yoktur.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionEfficientDet: Ölçeklenebilir ve Dengeli#

Google Brain tarafından tanıtılan EfficientDet, nesne algılamaya sistematik ağ ölçeklendirme merceğinden yaklaşır. EfficientNet görüntü sınıflandırma omurgası üzerine inşa edilmiştir ve yeni bir özellik füzyon mekanizması sunar.

Link to this sectionMimari Yenilikler#

EfficientDet'in özü, kolay ve hızlı çok ölçekli özellik füzyonuna izin veren Bi-directional Feature Pyramid Network (BiFPN)'dir. Yalnızca özellikleri yukarıdan aşağıya toplayan geleneksel FPN'lerin aksine, BiFPN farklı girdi özelliklerinin önemini öğrenmek için çift yönlü ölçekler arası bağlantılar ve eğitilebilir ağırlıklar sunar. Ayrıca EfficientDet, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği tek tip şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır.

Link to this sectionModel Detayları#

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

Güçlü Yönler:

• Yüksek Verimlilik: Mükemmel parametre-doğruluk oranı, -d0 ile -d2 arasındaki küçük varyantları çok hafif hale getirir.
• İlkeli Ölçeklendirme: Bileşik ölçeklendirme, kullanıcıların tam hesaplama bütçelerine uyan bir model boyutunu kolayca seçmelerine olanak tanır.

Zayıf Yönler:

• Eski Çerçeve Entegrasyonu: Orijinal uygulama, modern dağıtım hatlarını karmaşıklaştırabilen eski TensorFlow sürümlerine büyük ölçüde bağımlıdır.
• Daha Yavaş Eğitim: EfficientDet'i sıfırdan eğitmek oldukça yavaştır ve YOLO mimarilerinin hızlı yakınsamasına kıyasla dikkatli hiperparametre ayarı gerektirir.
• Çıkarım Hızı: Parametre açısından verimli olsa da, karmaşık BiFPN işlemleri, son derece optimize edilmiş YOLO modellerine kıyasla standart donanımlarda genellikle daha yavaş gerçek dünya çıkarım hızlarına yol açar.

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Kıyaslamalar#

Bu modellerin gerçek testi, COCO veri seti gibi standart karşılaştırmalardaki ampirik performanslarında yatmaktadır. Aşağıdaki tablo, parametre sayısı, kayan nokta işlemleri (FLOPs) ve NVIDIA T4 GPU'larında çıkarım gecikmesindeki kritik farkları göstermektedir.

Yukarıda gösterildiği gibi, YOLOv10 ham çıkarım hızında önemli bir avantaja sahiptir. Örneğin, YOLOv10-S, 2,66ms'lik bir TensorRT gecikmesiyle 46,7 mAP elde ederken, EfficientDet-d3 benzer bir 47,5 mAP elde eder ancak neredeyse 20ms sürer; bu da YOLOv10'u gerçek zamanlı video akışı veya hızlı hareket eden üretim hatları için çok daha üstün kılar.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv10 ile EfficientDet arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionNe Zaman EfficientDet Seçilmeli#

EfficientDet şunlar için önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısıyla derinlemesine entegre edilmiş sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemenin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazlar için özel olarak TensorFlow Lite dışa aktarma gerektiren projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionModern Standart: Ultralytics YOLO26 ile Tanışın#

YOLOv10 çığır açan NMS içermeyen paradigmayı tanıtırken ve EfficientDet ilkeli ölçeklendirmeyi sergilerken, bilgisayarlı görü ortamı gelişmeye devam etti. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 tartışmasız en güncel teknolojiyi temsil eder. Ocak 2026'da piyasaya sürülen bu sürüm, dünyaların en iyilerini Ultralytics Platformu içinde son derece profesyonel, üretime hazır bir pakette birleştirir.

Link to this sectionYOLO26 Neden Rakiplerinden Daha İyi Performans Gösteriyor#

1. Uçtan Uca NMS-Free Tasarım: YOLO26, YOLOv10'da öncülük edilen uçtan uca NMS içermeyen mimariyi doğal bir şekilde benimseyerek dağıtımı kolaylaştırır ve çıkarımı hızlandırır.
2. %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel hızlandırıcılardan yoksun uç cihazlar için YOLO26, standart CPU'larda verimli bir şekilde çalışacak şekilde özel olarak optimize edilmiştir.
3. Gelişmiş MuSGD Optimizer: LLM eğitim yeniliklerinden esinlenen YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ve Muon hibritini kullanır ve EfficientDet'e kıyasla eğitim verimliliğini büyük ölçüde artırır.
4. ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, hem YOLOv10 hem de EfficientDet için geleneksel bir zayıf nokta olan küçük nesne tanımasında kayda değer iyileştirmeler sağlar.
5. DFL Kaldırma: Distribution Focal Loss'u kaldırarak, YOLO26 OpenVINO ve CoreML dahil olmak üzere neredeyse tüm donanım formatlarına sorunsuz bir şekilde aktarılır.

Furthermore, YOLO26 provides unmatched versatility. While EfficientDet and YOLOv10 are strictly detection models, YOLO26 seamlessly handles oriented bounding boxes, image classification, and instance segmentation using the same intuitive Ultralytics Python package.

Link to this sectionUltralytics ile Kullanım Kolaylığı#

Ultralytics tarafından sağlanan iyi korunmuş ekosistem, sorunsuz bir geliştirici deneyimi sağlar. Bir modeli eğitmek, doğrulamak ve TensorRT entegrasyonuna aktarmak sadece birkaç satır kod alır.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (or upgrade to YOLO26 natively)
model = YOLO("yolov10n.pt")

# Train the model efficiently on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and immediately visualize results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export for rapid deployment
model.export(format="engine", quantize=16)

Link to this sectionSonuç#

YOLOv10 ve EfficientDet'i karşılaştırırken, seçim büyük ölçüde çerçeve tercihlerine ve hız kısıtlamalarına bağlıdır. EfficientDet, TensorFlow ekosistemi içinde model ölçeklendirmeye yapılandırılmış bir yaklaşım sunar. Ancak YOLOv10, NMS içermeyen mimarisi sayesinde üstün gerçek zamanlı performans, daha düşük bellek kullanımı ve daha basit bir dağıtım yolu sağlar.

Mutlak en iyi performans dengesi, kullanım kolaylığı ve çok görevli çok yönlülük için Ultralytics Platformuna yükseltme yapmanız ve YOLO26 kullanmanız şiddetle tavsiye edilir. YOLOv10'un NMS içermeyen yeniliklerini alır, MuSGD optimize edici gibi en son eğitim tekniklerini uygular ve bunu devasa bir küresel topluluk tarafından desteklenen sağlam, açık kaynaklı bir çerçeve içinde sunar.