Link to this sectionYOLOv6-3.0 ile EfficientDet karşılaştırması#

Bilgisayarlı görü projelerin için en uygun mimariyi seçmek; hız, doğruluk ve dağıtım yapılabilirliği arasındaki dengelerin derinlemesine anlaşılmasını gerektirir. Bu karşılaştırma sayfası, iki farklı nesne algılama modelinin derinlemesine analizini sunar: YOLOv6-3.0 ve EfficientDet. Her iki model de alana önemli katkılarda bulunmuş olsa da, modern uç dağıtımlar ve hızlı prototipleme süreçleri genellikle Ultralytics Platform gibi daha bütünleşik çerçevelerden faydalanır.

Aşağıda, bu modellerin gecikme ve doğruluk profillerini anlamana yardımcı olmak için aralarındaki performans farklarını görselleştiren etkileşimli bir grafik yer almaktadır.

Link to this sectionYOLOv6-3.0: Endüstriyel Ölçekte İşleme Kapasitesi#

YOLOv6-3.0, Meituan tarafından endüstriyel uygulamalara özel olarak yüksek performanslı, tek aşamalı bir nesne algılama çerçevesi olarak tasarlanmıştır. GPU donanımı üzerinde işleme kapasitesini maksimize etmeye odaklanır, bu da onu yüksek hızlı üretim hatları ve çevrimdışı video analitiği için güçlü bir aday yapar.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Link to this sectionMimari Öne Çıkanlar#

YOLOv6-3.0 mimarisi, farklı ölçeklerde özellik füzyonunu iyileştirmek için Çift Yönlü Birleştirme (BiC) modülüne dayanır. Yüksek çıkarım hızlarını sağlamak için, GPU yürütme için optimize edilmiş EfficientRep omurgasından yararlanır. Ayrıca, eğitim aşamasında hem çapa tabanlı (anchor-based) hem de çapa içermeyen dedektörlerin avantajlarını birleştiren ve düşük gecikme için çapa içermeyen bir çıkarım hattını koruyan Çapa Destekli Eğitim (AAT) stratejisini kullanır.

Link to this sectionGüçlü ve Zayıf Yönler#

YOLOv6-3.0, özel GPU donanımının mevcut olduğu ortamlarda öne çıkar ve TensorRT kullanarak son derece hızlı gerçek zamanlı çıkarım sunar. Ancak, belirli donanım optimizasyonlarına olan yoğun bağımlılığı, yalnızca CPU kullanan uç yapay zeka cihazlarında suboptimal performansa yol açabilir. Ayrıca, bazı nicemleme (quantization) yöntemlerini desteklese de ekosistemi, modern Ultralytics çerçevelerinde bulunan genel sadelikten yoksundur.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionEfficientDet: Ölçeklenebilir AutoML Mimarisi#

Google Research tarafından geliştirilen EfficientDet, temelde farklı bir yaklaşım benimser. Yazarlar ağı elle tasarlamak yerine, parametreleri, FLOP'ları ve doğruluğu dengeleyen ölçeklenebilir bir mimari oluşturmak için Otomatik Makine Öğrenimi (AutoML) kullanmışlardır.

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Brain
• Tarih: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl

Link to this sectionMimari Öne Çıkanlar#

EfficientDet, çok ölçekli özellik füzyonunu kolay ve hızlı hale getiren Çift Yönlü Özellik Piramit Ağı'nı (BiFPN) tanıtmıştır. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği tek tip ölçeklendiren bir bileşik ölçeklendirme yöntemiyle birleştiğinde, EfficientDet modelleri oldukça kompakt d0 modelinden devasa d7 modeline kadar çeşitlilik gösterir.

Link to this sectionGüçlü ve Zayıf Yönler#

EfficientDet oldukça parametre verimlidir. Eski nesne dedektörlerine kıyasla nispeten az sayıda parametreyle güçlü bir ortalama Hassasiyet (mAP) değerine ulaşır. Ancak mimari, köhnemiş TensorFlow ekosistemlerine derinden gömülüdür. Bu durum; karmaşık bağımlılık yönetimi, daha yavaş eğitim döngüleri ve optimize edilmiş PyTorch uygulamalarına kıyasla eğitim sırasında daha yüksek bellek gereksinimlerine neden olur. Ayrıca modern GPU'lardaki çıkarım hızı, güncel YOLO mimarilerinden önemli ölçüde daha yavaştır.

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionAyrıntılı Performans Karşılaştırması#

Aşağıdaki tablo, YOLOv6-3.0 ve EfficientDet'in teknik özelliklerini çeşitli metrikler üzerinden karşılaştırır. YOLOv6-3.0'ın GPU hızında nasıl baskın olduğuna, EfficientDet'in ise önemli gecikme maliyetiyle nasıl daha yüksek mAP değerlerine ulaştığına dikkat et.

Link to this sectionUltralytics Ekosistemi Avantajı#

YOLOv6-3.0 ve EfficientDet belirli nişlere hizmet etse de, modern bilgisayarlı görü projeleri çok yönlülük, kullanım kolaylığı ve iyi korunmuş bir ekosistem gerektirir. Ultralytics YOLO modellerinin gerçekten öne çıktığı nokta burasıdır.

Link to this sectionKullanım Kolaylığı ve Eğitim Verimliliği#

Karmaşık TensorFlow yapılandırmalarıyla uğraşmayı gerektiren EfficientDet'in aksine, Ultralytics modelleri sezgisel bir PyTorch temeli üzerine inşa edilmiştir. Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü basitleştiren akıcı bir API sunar. Bir Ultralytics modeli eğitmek çok daha az CUDA belleği gerektirir, bu da deneyleri hızlandırır ve bilgi işlem maliyetlerini düşürür.

Link to this sectionBenzersiz Çok Yönlülük#

YOLOv6-3.0 ve EfficientDet temel olarak nesne algılama ile sınırlıdır. Buna karşılık, modern Ultralytics mimarileri doğası gereği çok modludur. Tek bir arayüz, Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevleri için modeller eğitmeni sağlar.

Link to this sectionUltralytics YOLO26 ile Tanışın#

Nihai performans dengesini arayan geliştiriciler için Ultralytics YOLO26 bir paradigma değişimini temsil eder. Ocak 2026'da yayınlanan bu model, hem YOLOv6 hem de EfficientDet'i geride bırakan birçok çığır açıcı yenilik sunar:

• Uçtan Uca NMS-İçermeyen Tasarım: YOLO26, NMS (Non-Maximum Suppression) sonrası işleme ihtiyacını tamamen ortadan kaldırarak gecikme varyansını önemli ölçüde düşürür ve uç cihazlardaki dağıtım mantığını basitleştirir.
• MuSGD Optimize Edici: LLM eğitiminden esinlenen bu hibrit optimize edici, istikrarlı eğitim ve inanılmaz derecede hızlı yakınsama sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırıldığından, YOLO26 CPU'larda ve düşük güçlü IoT cihazlarında eski modellere kıyasla çok daha verimlidir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımasında büyük iyileştirmeler sağlayarak YOLO26'yı drone ve hava görüntüleme uygulamaları için ideal hale getirir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv6 ile EfficientDet arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için güçlü bir tercihtir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

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 sectionUygulama Örneği: YOLO26 Eğitimi#

Aşağıdaki kod, Ultralytics ekosisteminin basitliğini göstermektedir. Son teknoloji bir modeli eğitmek, ağırlıkları yüklemek ve verilerine işaret etmek kadar kolaydır.

from ultralytics import YOLO

# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Run inference on a test image seamlessly
prediction = model("https://ultralytics.com/images/bus.jpg")

Link to this sectionDikkate Alınacak Diğer Modeller#

Bilgisayarlı görü modellerinin daha geniş kapsamını keşfediyorsan, bu alternatifleri göz önünde bulundur:

• YOLO11: YOLO26'nın son derece başarılı öncülü; güçlü çoklu görev yetenekleri ve kapsamlı topluluk desteği sunar.
• YOLOv10: NMS-içermeyen eğitimi tanıtan ve modern uçtan uca algılamanın yolunu açan ilk YOLO mimarisi.
• RT-DETR: Transformer tabanlı mimarilerin ve dikkat mekanizmalarının geleneksel CNN'lere tercih edildiği senaryolar için.

Link to this sectionSonuç#

YOLOv6-3.0 mükemmel endüstriyel GPU işleme kapasitesi sağlarken ve EfficientDet ölçeklenebilir, parametre verimli ağlar oluşturmada AutoML'in potansiyelini sergilerken, her iki model de dağıtım kolaylığı ve modern çoklu görev çok yönlülüğü konusunda sınırlamalara sahiptir.

Mobil uç dağıtımlarından bulut tabanlı analitiğe kadar çoğu gerçek dünya uygulaması için Ultralytics ekosistemi, benzersiz bir performans dengesi sunar. YOLO26'yı benimseyen geliştiriciler; NMS-içermeyen son teknoloji çıkarıma, küçük nesneler için gelişmiş kayıp fonksiyonlarına ve prototipten üretime geçişi dramatik bir şekilde hızlandıran birleşik, iyi belgelenmiş bir eğitim hattına erişim kazanır.