YOLOv10 vs EfficientDet: Gerçek Zamanlı Nesne Detect Mimarlarını Karşılaştırma
Nesne detect için en uygun sinir ağını seçmek, modern bilgisayar görüşü sistemlerinin başarısını belirleyen kritik bir karardır. Alanı önemli ölçüde etkileyen iki önde gelen mimari YOLOv10 ve EfficientDet'tir. Her ikisi de hesaplama yükünü en aza indirirken doğruluğu en üst düzeye çıkarmayı hedeflese de, bu hedeflere ulaşmak için büyük ölçüde farklı mimari yaklaşımlar benimserler.
Bu kapsamlı kılavuz, geliştiricilerin ve ML mühendislerinin görüntü AI uygulamaları için veriye dayalı kararlar almalarına yardımcı olmak amacıyla, onların benzersiz tasarımlarını, eğitim metodolojilerini ve dağıtım özelliklerini derinlemesine inceler. Gömülü kenar AI cihazlarından güçlü bulut GPU'larına kadar değişen donanımlarda nasıl performans gösterdiklerini inceleyeceğiz.
YOLOv10: NMS-Serbest Öncü
Gerçek zamanlı gecikme sınırlarını zorlamak için geliştirilen YOLOv10, YOLO ailesindeki en kalıcı darboğazlardan biri olan Non-Maximum Suppression (NMS) sorununu ele aldı. Bu işlem sonrası adımını ortadan kaldırarak model, otonom araçlar ve yüksek hızlı robotik için kritik olan oldukça öngörülebilir bir gecikme süresi elde eder.
Mimari Yenilikler
YOLOv10, NMS içermeyen eğitim için tutarlı çift atamalar sunar. Eğitim sırasında, hem bire çok hem de bire bir etiket atamalarını kullanarak ağın zengin temsiller öğrenmesini sağlarken, çıkarım sırasında her nesne için doğal olarak tek bir en iyi sınırlayıcı kutu çıkarır. Mimari ayrıca, sınıflandırma başlığını kolaylaştıran ve önceki yinelemelerde bulunan hesaplama fazlalığını azaltan bütünsel bir verimlilik-doğruluk odaklı tasarım içerir.
Model Detayları
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
- Kuruluş:Tsinghua Üniversitesi
- Tarih: 2024-05-23
- Makale:YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne detect
- GitHub:THU-MIG/yolov10
- Belgeler:YOLOv10 Belgeleri
Kolaylaştırılmış Dağıtım
YOLOv10, NMS adımını kaldırdığı için, sınırlayıcı kutu filtreleme için özel çalışma zamanı eklentilerine ihtiyaç duymadan ONNX formatı ve NVIDIA TensorRT gibi formatlara dışa aktarılması doğal olarak daha kolaydır.
Güçlü Yönler:
- Öngörülebilir Çıkarım: NMS'nin kaldırılması, sahnedeki nesne sayısından bağımsız olarak tutarlı çıkarım süreleri sağlar.
- Daha Düşük Bellek Kullanımı: RT-DETR gibi transformatör 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.
Zayıflıklar:
- Tek Görev Odaklılığı: Daha geniş Ultralytics ekosisteminin aksine, orijinal YOLOv10 deposu büyük ölçüde detect odaklıdır ve instance segmentation veya pose estimation için yerel desteği yoktur.
YOLOv10 hakkında daha fazla bilgi edinin.
EfficientDet: Ölçeklenebilir ve Dengeli
Google Brain tarafından tanıtılan EfficientDet, nesne detect sorununa sistematik ağ ölçeklendirme perspektifinden yaklaşır. EfficientNet görüntü sınıflandırma backbone üzerine inşa edilmiştir ve yeni bir özellik birleştirme mekanizması sunar.
Mimari Yenilikler
EfficientDet'in çekirdeği, kolay ve hızlı çok ölçekli özellik birleştirmeye olanak tanıyan Çift Yönlü Özellik Piramit Ağı (BiFPN)'dır. Yalnızca yukarıdan aşağıya özelliklerin toplamını alan geleneksel FPN'lerin aksine, BiFPN, farklı giriş özelliklerinin önemini öğrenmek için çift yönlü çapraz ölçekli bağlantılar ve eğitilebilir ağırlıklar sunar. Ayrıca, EfficientDet, tüm backbone, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği tek tip olarak ölçeklendiren bileşik bir ölçeklendirme yöntemi kullanır.
Model Detayları
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş:Google Brain
- Tarih: 2019-11-20
- Makale:EfficientDet: Ölçeklenebilir ve Verimli Nesne Tespiti
- GitHub:Google AutoML EfficientDet
Güçlü Yönler:
- Yüksek Verimlilik: Mükemmel parametre-doğruluk oranı, daha küçük
-d0için-d2varyantları çok hafif hale getirir. - İlkesel Ölçeklendirme: Bileşik ölçeklendirme, kullanıcıların tam hesaplama bütçelerine uyan bir model boyutunu kolayca seçmelerine olanak tanır.
Zayıflıklar:
- Eski Çerçeve Entegrasyonu: Orijinal uygulama, eski TensorFlow sürümlerine büyük ölçüde bağımlıdır, bu da modern dağıtım hatlarını karmaşıklaştırabilir.
- Daha Yavaş Eğitim: EfficientDet'i sıfırdan eğitmek, YOLO mimarilerinin hızlı yakınsamasına kıyasla oldukça yavaştır ve dikkatli hiperparametre ayarı gerektirir.
- Çıkarım Hızı: Parametre açısından verimli olsa da, karmaşık BiFPN işlemleri, yüksek düzeyde optimize edilmiş YOLO modellerine kıyasla standart donanımlarda genellikle daha yavaş gerçek dünya çıkarım hızlarına neden olur.
EfficientDet hakkında daha fazla bilgi edinin
Performans ve Kıyaslamalar
Bu modellerin gerçek testi, COCO dataset gibi standart kıyaslamalardaki deneysel performanslarında yatar. Aşağıdaki tablo, parametre sayısı, kayan nokta işlemleri (FLOPs) ve NVIDIA T4 GPU'ları üzerindeki çıkarım gecikmesindeki kritik farklılıkları göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Yukarıda gösterildiği gibi, YOLOv10 ham çıkarım hızında önemli bir avantaja sahiptir. Örneğin, YOLOv10-S, yalnızca 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.
Kullanım Durumları ve Öneriler
YOLOv10 ve EfficientDet arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.
YOLOv10 Ne Zaman Tercih Edilmeli?
YOLOv10 için güçlü bir seçenektir:
- NMS-Serbest Gerçek Zamanlı Algılama: Non-Maximum Suppression olmadan uçtan uca algılamadan faydalanan, dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Dengelemeleri: Çeşitli model ölçeklerinde çıkarım hızı ve algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süreli Uygulamalar: Tahmin edilebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları, örneğin robotik veya otonom sistemler.
Ne Zaman EfficientDet Seçmeli
EfficientDet şunlar için önerilir:
- Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısı ile derinlemesine entegre sistemler.
- Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslama.
- TFLite aracılığıyla Mobil Dağıtım: Android veya gömülü Linux cihazları için özellikle TensorFlow Lite dışa aktarımı gerektiren projeler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli
Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Modern Standart: Ultralytics YOLO26
YOLOv10 çığır açan NMS içermeyen paradigmayı tanıtırken ve EfficientDet ilkesel ölçeklendirmeyi sergilerken, bilgisayar görüşü alanı gelişmeye devam etti. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26, tartışmasız en son teknolojiyi temsil etmektedir. Ocak 2026'da piyasaya sürülen bu sürüm, tüm dünyaların en iyilerini Ultralytics Platformu içinde son derece cilalı, üretime hazır bir pakette birleştirir.
YOLO26 Neden Rakiplerini Geride Bırakıyor
- Uçtan Uca NMS İçermeyen Tasarım: YOLO26, YOLOv10'da öncülük edilen uçtan uca NMS içermeyen mimariyi doğal olarak benimseyerek dağıtımı kolaylaştırır ve çıkarımı hızlandırır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel hızlandırıcılardan yoksun kenar cihazlar için YOLO26, standart CPU'larda verimli bir şekilde çalışmak üzere özel olarak optimize edilmiştir.
- Gelişmiş MuSGD Optimize Edici: LLM eğitim yeniliklerinden esinlenerek, YOLO26, inanılmaz derecede kararlı eğitim ve hızlı yakınsama için SGD ve Muon'un bir hibritini kullanır ve EfficientDet'e kıyasla eğitim verimliliğini büyük ölçüde artırır.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, hem YOLOv10 hem de EfficientDet için geleneksel bir zayıf nokta olan küçük nesne tanımada dikkat çekici artışlar sağlar.
- DFL Kaldırma: Distribution Focal Loss'un kaldırılmasıyla, YOLO26, OpenVINO ve CoreML dahil olmak üzere hemen hemen her donanım formatına sorunsuz bir şekilde dışa aktarılabilir.
Ayrıca, YOLO26 eşsiz çok yönlülük sunar. EfficientDet ve YOLOv10 kesinlikle detect modelleri olsa da, YOLO26 aynı sezgisel Ultralytics Python paketini kullanarak yönlendirilmiş sınırlayıcı kutuları, görüntü sınıflandırmayı ve örnek segmentasyonu sorunsuz bir şekilde işler.
İyi Yönetilen Ekosistem
Hem YOLO11 hem de YOLOv8, Ultralytics ekosistemi içinde tam olarak desteklenmeye devam etmektedir. Performans, kararlılık ve uzun vadeli desteğin en iyi kombinasyonu için, resmi olarak bakımı yapılan Ultralytics modellerini kullanmanızı öneririz.
Ultralytics ile Kullanım Kolaylığı
Ultralytics tarafından sağlanan iyi yönetilen ekosistem, sorunsuz bir geliştirici deneyimi sağlar. Bir modeli eğitmek, doğrulamak ve TensorRT entegrasyonuna dışa aktarmak yalnızca birkaç satır kod gerektirir.
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", half=True)
Sonuç
YOLOv10 ve EfficientDet karşılaştırıldığında, seçim büyük ölçüde çerçeve tercihlerinize ve hız kısıtlamalarınıza 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 ve YOLO26'yı kullanma şiddetle tavsiye edilir. Bu, YOLOv10'un NMS içermeyen yeniliklerini alır, MuSGD optimize edici gibi son teknoloji eğitim tekniklerini uygular ve bunu, büyük bir küresel topluluk tarafından desteklenen sağlam, açık kaynaklı bir çerçeveye sarar.