Link to this sectionYOLOv5 ve EfficientDet: Gerçek Zamanlı Nesne Algılama Mimarilerinin Değerlendirilmesi#

Yeni bir computer vision projesine başlarken, doğru sinir ağı mimarisini seçmek vereceğin en önemli kararlardan biridir. Bu kılavuz, Ultralytics YOLOv5 ile Google'ın EfficientDet modeli arasında derinlemesine bir teknik karşılaştırma sunar. Mimarilerini, performans metriklerini ve eğitim ekosistemlerini analiz ederek, geliştiricilerin ve araştırmacıların belirli dağıtım ortamları için en iyi object detection modelini belirlemelerine yardımcı olmayı hedefliyoruz.

EfficientDet, bileşik ölçeklendirme ve özellik birleştirme konularında yeni kavramlar sunarken, YOLOv5 inanılmaz derecede sezgisel PyTorch uygulaması, optimize edilmiş kullanıcı deneyimi ve hız ile doğruluk arasındaki benzersiz dengesi sayesinde yüksek performanslı yapay zekaya erişimi demokratikleştirerek sektörü kökten değiştirdi.

Link to this sectionUltralytics YOLOv5: Erişilebilirlik Konusunda Endüstri Standardı#

2020 yazında piyasaya sürülen YOLOv5, YOLO soy ağacında çok önemli bir değişimi temsil ediyordu. C tabanlı Darknet çerçevesinden yerel PyTorch'a geçiş yaparak, modelleri hızla oluşturmak, eğitmek ve dağıtmak isteyen geliştiriciler için vazgeçilmez bir mimari haline geldi.

• Yazarlar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Dokümanlar: https://docs.ultralytics.com/models/yolov5

Link to this sectionMimari Yenilikler#

YOLOv5, sorunsuz bir machine learning yaşam döngüsüne öncelik veren yüksek düzeyde optimize edilmiş mimarisiyle bilinir. Birden fazla uzamsal ölçekte özellik yayılımını önemli ölçüde iyileştiren bir Path Aggregation Network (PANet) boynu ile eşleştirilmiş, değiştirilmiş bir CSPDarknet53 bel kemiği kullanır.

Önemli geliştirmeler şunlardır:

• Mosaic Veri Artırma: Bu eğitim tekniği, dört farklı eğitim görüntüsünü tek bir mozaik içinde birleştirir. Bu, modeli karmaşık uzamsal bağlamlarda nesneleri nasıl tanımlayacağını öğrenmeye zorlar ve küçük hedefleri tespit etme yeteneğini önemli ölçüde artırır.
• Otomatik Öğrenen Çapa Kutuları (Anchor Boxes): Eğitim başlamadan önce, YOLOv5 özel training data verilerini analiz eder ve k-means kümelemesini kullanarak en uygun anchor box boyutlarını otomatik olarak hesaplar.
• Bellek Verimliliği: Ağır transformer tabanlı modellere kıyasla, YOLOv5 hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük bir bellek ayak izi bırakır ve tüketici sınıfı donanımlarda sorunsuz çalışmasına olanak tanır.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionEfficientDet: Ölçeklenebilir Nesne Algılama#

2019 yılında Google Research tarafından tanıtılan EfficientDet, bir dizi ölçeklenebilir nesne dedektörü sağlamayı amaçladı. EfficientNet görüntü sınıflandırma bel kemiği üzerine inşa edilmiştir ve yeni bir özellik birleştirme mekanizması sunar.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google
• Tarih: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• Dokümanlar: https://github.com/google/automl/tree/master/efficientdet#readme

Link to this sectionMimari Yenilikler#

EfficientDet'in temel iddiası, ölçeklendirme ve özellik toplama konusundaki sistematik yaklaşımında yatar:

• BiFPN (Çift Yönlü Özellik Piramidi Ağı): Bilgiyi yalnızca yukarıdan aşağıya aktaran geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için eğitilebilir ağırlıklar sunarak hızlı ve kolay çok ölçekli özellik birleştirmeyi sağlar.
• Bileşik Ölçeklendirme: EfficientDet, tüm bel kemiği, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği ortaklaşa ölçeklendirerek hafif D0 modelinden devasa D7 modeline kadar çeşitlenen modeller ortaya çıkarır.

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, COCO dataset gibi standart kıyaslamalardaki performanslarını değerlendirmek çok önemlidir. Aşağıdaki tablo; boyut, hesaplama talebi (FLOPs) ve çıkarım hızı arasındaki ödünleşimleri vurgular.

Link to this sectionDengeli Analiz#

YOLOv5, dağıtım esnekliği ve ham donanım hızlandırma uyumluluğu ile öne çıkar. T4 GPU üzerindeki inanılmaz derecede hızlı TensorRT hızlarına dikkat et. Bu, YOLOv5'i yüksek verimli video analitiği ve real-time inference boru hatları için son derece uygun hale getirir. Ayrıca, Ultralytics ekosistemi, ONNX, CoreML ve TensorRT gibi formatlara dışa aktarmayı tek satırlık bir komut haline getirir.

EfficientDet, mükemmel parametre verimliliği sunar. Belirli bir parametre sayısı için genellikle yüksek bir mean Average Precision (mAP) değeri elde eder. Ancak, bu teorik verimlilik, BiFPN katmanının karmaşık yönlendirmesi nedeniyle uç cihaz GPU'larında her zaman daha hızlı gerçek zamanlı çıkarım sürelerine dönüşmez; bu durum hesaplama odaklı olmaktan ziyade bellek bant genişliği kısıtlı olabilir.

Link to this sectionEkosistem ve Kullanım Kolaylığı#

Bir Ultralytics modeli seçmenin en belirgin avantajı, etrafındaki ekosistemdir. YOLOv5, devasa bir topluluk desteğine sahip, yoğun bir şekilde sürdürülen ve aktif olarak geliştirilen bir deponun parçasıdır.

Ultralytics Platform ile kullanıcılar, veri toplamadan dağıtıma sorunsuz bir şekilde geçiş yapabilir. Bu platform, kutudan çıktığı haliyle otomatik etiketlemeyi, bulut eğitimini ve model izlemeyi destekler. Buna karşılık, EfficientDet'i eğitmek genellikle eski TensorFlow nesne algılama API'lerinin karmaşıklıklarıyla uğraşmayı gerektirir, bu da hızlı prototipleme için dik bir öğrenme eğrisi oluşturabilir.

Dahası, YOLOv5'in çok yönlülüğü sınırlayıcı kutuların (bounding boxes) ötesine geçer. Sürekli güncellemeler sayesinde Ultralytics çerçevesi, birden fazla bilgisayarlı görü görevi için birleşik bir API sağlayarak instance segmentation ve image classification desteğini yerel olarak sunar.

Link to this sectionİdeal Kullanım Senaryoları#

• Şu durumlarda YOLOv5'i seç: Hızlı prototiplemeye, sorunsuz bir eğitim deneyimine ve yüksek oranda optimize edilmiş uç cihaz dağıtımına ihtiyacın olduğunda. Dronlar, retail analytics ve düşük gecikmenin kritik olduğu mobil uygulamalar için idealdir.
• Şu durumlarda EfficientDet'i seç: Yalnızca Google Cloud/TensorFlow AutoML ortamında çalışıyorsan ve katı gerçek zamanlı gecikme kısıtlamaları olmaksızın parametre başına maksimum doğruluk gerektiriyorsan.

Link to this sectionYeni Nesil: YOLO26 ile Tanış#

YOLOv5 güvenilir bir iş gücü olmaya devam etse de, bilgisayarlı görü alanı ilerledi. 2026 yılında mutlak en son teknolojiyi arayan geliştiriciler için YOLO26, Ultralytics serisinin yeni zirvesini temsil ediyor.

Öncüllerinin (YOLOv8 ve YOLO11 gibi) mirası üzerine inşa edilen YOLO26, çığır açan yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression sonrası işleme ihtiyacını yerel olarak ortadan kaldırır. Bu, gecikme varyansını önemli ölçüde azaltır ve dağıtım mimarisini basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: edge AI için yoğun bir şekilde optimize edilmiştir, özel GPU'lara sahip olmayan düşük güçlü uç cihazlara ve standart CPU'lara benzeri görülmemiş hızlar getirir.
• MuSGD Optimize Edici: Large Language Model (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, son derece kararlı bir eğitim ve hızlı yakınsama sağlar.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL entegrasyonu, yüksek irtifa dron görüntüleri ve robotics için hayati önem taşıyan küçük hedef tanımayı önemli ölçüde iyileştirir.
• DFL Kaldırma: Distribution Focal Loss kaldırılarak, model dışa aktarma süreci kolaylaştırılır ve çeşitli donanım hızlandırıcıları genelinde uyumluluk daha da artırılır.

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

Link to this sectionKod Örneği: Eğitim ve Çıkarım#

Ultralytics ekosisteminin benzersiz kullanım kolaylığını göstermek için, modern bir YOLO modelini kullanarak nasıl eğitim yapabileceğin ve çıkarım çalıştırabileceğin aşağıdadır. Bu kod %100 çalıştırılabilirdir ve veri kümesi indirmeyi, eğitim döngülerini ve doğrulamayı otomatik olarak yönetir.

from ultralytics import YOLO

# Load a modern model (Swap 'yolov5s.pt' for 'yolo26n.pt' to test the newest architecture!)
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset for 20 epochs
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# Run inference on an image from the web
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with bounding boxes
inference_results[0].show()

Kullanıcı deneyimine öncelik vererek, sağlam bir ekosistem sürdürerek ve YOLO26 gibi güncellemelerle mümkün olanın sınırlarını sürekli zorlayarak Ultralytics, geliştiricilerin gerçek dünyadaki görsel zeka zorluklarını çözmek için her zaman en iyi araçlara sahip olmasını sağlar.