YOLOv6-3.0 ile EfficientDet#

Bilgisayarlı görü projeleri için en uygun mimariyi seçmek, hız, doğruluk ve dağıtım uygulanabilirliği arasındaki ödünleşimleri derinlemesine anlamayı gerektirir. Bu karşılaştırma sayfası, YOLOv6-3.0 ve EfficientDet adlı iki farklı nesne algılama modelini derinlemesine inceler. Her iki model de alana önemli katkılar sunmuş olsa da modern uç dağıtımları ve hızlı prototipleme, çoğu zaman Ultralytics Platform gibi daha birleşik çerçevelerden yararlanır.

Aşağıda, gecikme ve doğruluk profillerini anlamana yardımcı olmak için bu modeller arasındaki performans farklarını görselleştiren etkileşimli bir grafik yer alıyor.

YOLOv6-3.0: Endüstriyel Sınıf Verim#

YOLOv6-3.0, Meituan tarafından endüstriyel uygulamalara yönelik yüksek performanslı, tek aşamalı bir nesne algılama çerçevesi olarak tasarlandı. GPU donanımında iş hacmini en üst düzeye çıkarmaya odaklanır; bu da onu yüksek hızlı üretim hatları ve çevrimdışı video analitiği için güçlü bir aday hâline getirir.

• 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

Mimari Öne Çıkanlar#

YOLOv6-3.0 mimarisi, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünden yararlanır. Yüksek çıkarım hızları sağlamak için GPU yürütmesine son derece iyi optimize edilmiş EfficientRep omurgasını kullanır. Ayrıca eğitim aşamasında hem çapa tabanlı hem de çapasız algılayıcıların avantajlarını bir araya getiren Çapa Destekli Eğitim (AAT) stratejisini kullanırken, gecikmeyi azaltmak için çapasız çıkarım işlem hattını korur.

Güçlü ve Zayıf Yönler#

YOLOv6-3.0, özel GPU donanımının bulunduğu ortamlarda TensorRT kullanarak inanılmaz hızlı gerçek zamanlı çıkarım sunar. Ancak belirli donanım optimizasyonlarına yoğun biçimde bağımlı olması, yalnızca CPU kullanan uç yapay zekâ cihazlarında ideal olmayan performansa yol açabilir. Ayrıca bazı nicemleme yöntemlerini desteklese de ekosistemi modern Ultralytics çerçevelerindeki genel sadelikten yoksundur.

YOLOv6 hakkında daha fazla bilgi edin

EfficientDet: Ölçeklenebilir AutoML Mimarisi#

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

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

Mimari Öne Çıkanlar#

EfficientDet, çok ölçekli özellik birleştirmeyi kolaylaştırıp hızlandıran Çift Yönlü Özellik Piramit Ağı'nı (BiFPN) sunmuştur. EfficientDet modelleri, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı oranda ölçeklendiren birleşik bir ölçekleme yöntemiyle son derece küçük d0'dan devasa d7'ye kadar çeşitlenir.

Güçlü ve Zayıf Yönler#

EfficientDet parametreler açısından son derece verimlidir. Eski nesne algılayıcılara kıyasla nispeten az parametreyle güçlü ortalama kesinlik (mAP) değerlerine ulaşır. Ancak mimari, eski TensorFlow ekosistemlerine derinden bağlıdır. Bu durum, optimize edilmiş PyTorch uygulamalarına kıyasla karmaşık bağımlılık yönetimine, daha yavaş eğitim döngülerine ve eğitim sırasında daha yüksek bellek gereksinimlerine yol açar. Ayrıca modern GPU'lardaki çıkarım hızı, modern YOLO mimarilerinden önemli ölçüde düşüktür.

EfficientDet hakkında daha fazla bilgi edin

Ayrıntılı Performans Karşılaştırması#

Aşağıdaki tablo, YOLOv6-3.0 ile EfficientDet'in teknik özelliklerini çeşitli ölçütler üzerinden karşılaştırır. Önemli gecikme maliyetine rağmen EfficientDet'in daha yüksek mAP değerlerine ölçeklenirken YOLOv6-3.0'ın GPU hızında öne çıktığına dikkat et.

Ultralytics Ekosisteminin Avantajı#

YOLOv6-3.0 ve EfficientDet belirli kullanım alanlarına hitap etse de modern bilgisayarlı görü projeleri çok yönlülük, kullanım kolaylığı ve bakımı iyi yapılan bir ekosistem gerektirir. Ultralytics YOLO modelleri tam da bu noktada öne çıkar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Karmaşık TensorFlow yapılandırmalarında gezinmeyi gerektiren EfficientDet'in aksine Ultralytics modelleri sezgisel bir PyTorch temeli üzerine kuruludur. Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü basitleştiren, kolaylaştırılmış bir API sunar. Bir Ultralytics modelini eğitmek çok daha az CUDA belleği gerektirerek denemeleri hızlandırır ve hesaplama maliyetlerini düşürür.

Eşsiz Çok Yönlülük#

YOLOv6-3.0 ve EfficientDet öncelikli olarak nesne algılama ile sınırlıdır. Buna karşılık modern Ultralytics mimarileri doğaları gereği çok görevlidir. Tek bir arayüz, Örnek Segmentasyonu, Görüntü Sınıflandırmasını, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini gerçekleştirecek modelleri eğitmene olanak tanır.

Ultralytics YOLO26 ile tanış#

En iyi performans dengesini arayan geliştiriciler için Ultralytics YOLO26 köklü bir değişimi temsil eder. Ocak 2026'da piyasaya sürülen model, hem YOLOv6'yı hem de EfficientDet'i geride bırakan çığır açıcı yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemeye duyulan ihtiyacı ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltır ve uç cihazlardaki dağıtım mantığını basitleştirir.
• MuSGD Optimizasyonu: LLM eğitiminden esinlenen bu hibrit optimizasyon, kararlı eğitim ve son derece hızlı yakınsama sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kaybın (DFL) kaldırılmasıyla YOLO26, eski modellere kıyasla CPU'larda ve düşük güçlü IoT cihazlarında çok daha verimli çalışır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesnelerin tanınmasını önemli ölçüde iyileştirerek YOLO26'yı drone ve hava görüntüsü uygulamaları için ideal hâle getirir.

Kullanım Alanları ve Öneriler#

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

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlar için güçlü bir seçenektir:

• Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
• LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Uygulama Örneği: YOLO26'yı Eğitme#

Aşağıdaki kod, Ultralytics ekosisteminin ne kadar yalın olduğunu gösterir. Son teknoloji bir modeli eğitmek, ağırlıkları yükleyip 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")

Değerlendirilebilecek Diğer Modeller#

Bilgisayarlı görü modellerinin daha geniş kapsamını araştırıyorsan şu alternatifleri değerlendirebilirsin:

• YOLO11: YOLO26'nın son derece başarılı öncülü; güçlü çok görevli yetenekler ve kapsamlı topluluk desteği sunar.
• YOLOv10: NMS'siz eğitimi sunan ilk YOLO mimarisi; modern uçtan uca algılamanın önünü açmıştır.
• RT-DETR: Geleneksel CNN'ler yerine Transformer tabanlı mimarilerin ve dikkat mekanizmalarının tercih edildiği senaryolar için.

Sonuç#

YOLOv6-3.0 endüstriyel GPU'larda mükemmel iş hacmi sunarken EfficientDet, ölçeklenebilir ve parametre açısından verimli ağlar tasarlamada AutoML'nin potansiyelini ortaya koyar; ancak her iki model de dağıtım kolaylığı ve modern çok görevli kullanım açısından sınırlamalar gösterir.

Mobil uç dağıtımından bulut tabanlı analitiğe kadar gerçek dünyadaki uygulamaların büyük çoğunluğunda Ultralytics ekosistemi, benzersiz bir performans dengesi sunar. Geliştiriciler YOLO26'yı benimseyerek son teknoloji NMS'siz çıkarıma, küçük nesnelere yönelik gelişmiş kayıp fonksiyonlarına ve prototipten üretime geçişi önemli ölçüde hızlandıran birleşik, iyi belgelenmiş bir eğitim işlem hattına erişir.