Başla

YOLOv5 ile EfficientDet

Yeni bir bilgisayarlı görü projesine başlarken doğru sinir ağı mimarisini seçmek vereceğin en önemli kararlardan biridir. Bu kılavuz, Ultralytics YOLOv5 ile Google'ın EfficientDet modelini ayrıntılı ve teknik açıdan karşılaştırır. Mimarileri, performans metriklerini ve eğitim ekosistemlerini inceleyerek geliştiricilerin ve araştırmacıların kendi dağıtım ortamları için en iyi nesne algılama modelini belirlemelerine yardımcı olur.

EfficientDet bileşik ölçekleme ve özellik birleştirme alanında yeni kavramlar sunarken YOLOv5; sezgisel PyTorch uygulaması, akıcı kullanıcı deneyimi ve hız ile doğruluk arasındaki güçlü denge sayesinde yüksek performanslı nesne algılamayı geniş kitleler için erişilebilir kıldı.

Ultralytics YOLOv5: Erişilebilirlikte Sektör Standardı#

Haziran 2020'de yayımlanan YOLOv5, YOLO soyunda önemli bir değişime işaret etti. Önceki YOLO sürümlerinin kullandığı C tabanlı Darknet çerçevesi yerine yerel olarak PyTorch ile geliştirilen YOLOv5, modelleri hızla oluşturmak, eğitmek ve dağıtmak isteyen geliştiricilerin tercih ettiği mimari hâline geldi.

Mimari Yenilikler#

YOLOv5, optimize edilmiş mimarisi ve sadeleştirilmiş makine öğrenimi yaşam döngüsüyle bilinir. Değiştirilmiş bir CSPDarknet53 omurgasını, birden çok uzamsal ölçekte özellik yayılımını iyileştiren Yol Toplama Ağı (PANet) boyun yapısıyla birlikte kullanır.

Öne çıkan gelişmeler:

  • Mozaik Veri Artırımı: Bu eğitim tekniği, birbirinden farklı dört eğitim görüntüsünü tek bir mozaikte birleştirir. Böylece model karmaşık uzamsal bağlamlardaki nesneleri tanımayı öğrenir ve küçük hedefleri algılama yeteneği gelişir.
  • Bağlantı Kutularının Otomatik Öğrenilmesi: Eğitim başlamadan önce YOLOv5, özel eğitim verilerini analiz eder ve k-ortalama kümelemesini kullanarak en uygun bağlantı kutusu boyutlarını otomatik hesaplar.
  • Bellek Verimliliği: Ağır Transformer tabanlı modellerle karşılaştırıldığında YOLOv5, eğitim ve çıkarım sırasında daha az bellek kullanır ve tüketici sınıfı donanımlarda sorunsuz çalışabilir.

EfficientDet: Ölçeklenebilir Nesne Algılama#

2019'da Google Research tarafından tanıtılan EfficientDet, ölçeklenebilir nesne algılayıcılarından oluşan bir aile sunmayı amaçladı. EfficientNet görüntü sınıflandırma omurgasını temel alır ve yeni bir özellik birleştirme mekanizması sunar.

Mimari Yenilikler#

EfficientDet'in temel iddiası, ölçeklendirme ve özellik toplama konusundaki sistematik yaklaşımına dayanır:

  • BiFPN (Çift Yönlü Özellik Piramidi Ağı): Bilgiyi yalnızca yukarıdan aşağıya aktaran geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar ekleyerek hızlı ve kolay çok ölçekli özellik birleştirmesi sağlar.
  • Bileşik Ölçekleme: EfficientDet; omurga, özellik ağı ve kutu/sınıf tahmin ağlarının tümünde çözünürlüğü, derinliği ve genişliği birlikte ölçeklendirerek hafif D0'dan en büyük D7'ye kadar uzanan modeller üretir.

EfficientDet hakkında daha fazla bilgi edin

Çerçeveler Arasındaki Farklar

EfficientDet büyük ölçüde TensorFlow ekosistemine ve AutoML kitaplıklarına dayanırken YOLOv5, doğrudan PyTorch içinde çalışır ve birçok geliştiricinin daha sezgisel, Python'a özgü ve hata ayıklaması kolay bulduğu bir iş akışı sunar.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken COCO veri kümesi gibi standart kıyaslamalardaki performanslarını değerlendirmek kritik önem taşır. Aşağıdaki tablo; boyut, hesaplama gereksinimi (FLOPs) ve çıkarım hızı arasındaki ödünleşimleri gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

Dengeli Değerlendirme#

YOLOv5, dağıtım esnekliği ve donanım hızlandırma uyumluluğuyla öne çıkar. T4 TensorRT hızları, benzer doğrulukta EfficientDet'ten çok daha yüksektir; örneğin YOLOv5m, EfficientDet-d2'nin 10,92 ms'de ulaştığı 43,0 mAP değerine karşılık 4,03 ms'de 45,4 mAP değerine ulaşır. Bu özellik YOLOv5'i yüksek aktarım hacimli video analitiği ve gerçek zamanlı çıkarım süreçleri için uygun kılar. Ayrıca Ultralytics ekosistemi, ONNX, CoreML ve TensorRT gibi biçimlere dışa aktarmayı tek satırlık bir komut hâline getirir.

EfficientDet, parametre verimliliği açısından mükemmeldir. Belirli bir parametre sayısında çoğu zaman yüksek bir ortalama Ortalama Kesinlik (mAP) elde eder. Ancak BiFPN katmanının karmaşık yönlendirmesi nedeniyle parametre verimliliği her zaman GPU'larda daha kısa gerçek çıkarım sürelerine dönüşmez; bu katman hesaplama gücünden çok bellek bant genişliğiyle sınırlı olabilir.

Ekosistem ve Kullanım Kolaylığı#

Ultralytics modelini seçmenin temel avantajı, onu çevreleyen ekosistemdir. YOLOv5, etkin biçimde bakımı yapılan ve geniş bir topluluğa sahip bir deponun parçasıdır.

Ultralytics Platformu ile kullanıcılar veri toplamadan dağıtıma kadar tüm süreçlerini tek bir yerden yürütebilir. Platform otomatik etiketleme, bulutta eğitim ve model izlemeyi destekler. Buna karşılık EfficientDet'i eğitmek çoğu zaman eski TensorFlow nesne algılama API'lerinin karmaşıklığıyla uğraşmayı gerektirir; bu da hızlı prototipleme için öğrenme sürecini zorlaştırabilir.

Ayrıca YOLOv5'in çok yönlülüğü sınırlayıcı kutuların ötesine geçer. Sonraki sürümlerde YOLOv5 deposuna örnek bölümleme (v7.0) ve görüntü sınıflandırma (v6.2) eklendi ve böylece birden fazla bilgisayarlı görü görevi için birleşik bir kod tabanı sağlandı.

İdeal Kullanım Alanları#

  • Şu durumlarda YOLOv5'i seç: Hızlı prototipleme, basit bir eğitim deneyimi ve optimize edilmiş uç dağıtımı gerekiyorsa. Düşük gecikmenin kritik olduğu dronlar, perakende analitiği ve mobil uygulamalar için idealdir.
  • Şu durumlarda EfficientDet'i seç: Yalnızca Google Cloud/TensorFlow AutoML ortamında çalışıyorsan ve gerçek zamanlı gecikme konusunda katı kısıtların olmadan parametre başına en yüksek doğruluğu istiyorsan.

Yeni Nesil: YOLO26'ya Geçiş#

YOLOv5 güvenilir bir iş gücü olmaya devam etse de bilgisayarlı görü alanı ilerledi. 2026'da yeni projelere başlayan geliştiriciler için YOLO26, en yeni ve önerilen Ultralytics modelidir.

Önceki modellerinin mirasını (YOLOv8 ve YOLO11 gibi) sürdüren YOLO26, çeşitli yenilikler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesine duyulan ihtiyacı ortadan kaldırır. Bu, gecikme değişkenliğini azaltır ve dağıtım mimarisini basitleştirir.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da düşük güçlü uç yapay zekâ cihazlarına ve özel GPU'ları olmayan standart CPU'lara fayda sağlar.
  • MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, kararlı eğitim ve hızlı yakınsama sağlar.
  • Gelişmiş Eğitim Stratejileri: ProgLoss ve STAL'ın birlikte kullanımı, yüksek irtifadan çekilen drone görüntüleri ve robotik için hayati öneme sahip küçük hedeflerin tanınmasını iyileştirir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin dışa aktarılma sürecini kolaylaştırır ve farklı donanım hızlandırıcılarıyla uyumluluğu artırır.

Ultralytics ekosistemindeki diğer yeni mimarileri incelemek isteyen kullanıcılar YOLOv10 veya RT-DETR gibi modelleri de karşılaştırabilir.

Geçiş Kolay

Ultralytics Python API'si, model nesilleri arasında aynı arayüzü kullanır. ultralytics paketinde YOLOv5u ağırlıklarını kullanıyorsan YOLO26'ya geçmek, kodundaki model ağırlığı dizesini değiştirmek kadar kolaydır; özgün YOLOv5 deposunu temel alan projelerin önce ultralytics paketine geçmesi gerekir.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics paketinde bir YOLO modelini nasıl eğitebileceğin ve çıkarım çalıştırabileceğin aşağıda gösterilmiştir. Kod doğrudan çalışır; veri kümesini indirme, eğitim döngüleri ve doğrulama işlemlerini otomatik olarak yönetir.

from ultralytics import YOLO

# Bir YOLOv5u modeli yükle (en yeni mimariyi denemek için 'yolo26n.pt' ile değiştir)
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 örnek veri kümesinde 20 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# Web'deki bir görüntü üzerinde çıkarım çalıştır
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Sınırlayıcı kutuları içeren görüntüyü göster
inference_results[0].show()

Ultralytics, kullanıcı deneyimine öncelik vererek, ekosisteminin bakımını yaparak ve YOLO26 gibi güncellemeler yayımlayarak geliştiricilere gerçek dünyadaki görüntü yapay zekâsı zorluklarını çözmek için güncel araçlar sunar.

Katkıda Bulunanlar

Yorumlar

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