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 tasarlanmıştır. GPU donanımındaki verimi en üst düzeye çıkarmaya odaklanır; bu da onu yüksek hızlı üretim hatları ve çevrim dışı video analizi için güçlü bir seçenek 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 öne çıkar ve TensorRT kullanarak hızlı gerçek zamanlı çıkarım sunar. Ancak belirli donanım optimizasyonlarına fazlasıyla dayanması, yalnızca CPU kullanan uç yapay zekâ cihazlarında düşük performansa yol açabilir. Ayrıca bazı niceleme yöntemlerini desteklese de araçları Ultralytics ekosistemindekiler kadar birleşik değildir.
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, kolay ve hızlı çok ölçekli özellik birleştirmeye olanak tanıyan Çift Yönlü Özellik Piramit Ağı'nı (BiFPN) sunmuştur. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarında çözünürlüğü, derinliği ve genişliği eşit biçimde ölçeklendiren bileşik ölçeklendirme yöntemiyle birleştirildiğinde EfficientDet modelleri kompakt d0'dan en büyük d7'ye kadar uzanır.
Güçlü ve Zayıf Yönler#
EfficientDet, parametre kullanımı açısından son derece verimlidir. Eski nesne algılayıcılara kıyasla görece az parametreyle güçlü ortalama Hassasiyet (mAP) elde eder. Ancak referans uygulaması TensorFlow üzerine kuruludur; bu da optimize edilmiş PyTorch uygulamalarına kıyasla daha karmaşık bağımlılık yönetimi, daha uzun eğitim döngüleri ve eğitim sırasında daha yüksek bellek gereksinimleri getirir. Modern GPU'lardaki çıkarımı da güncel YOLO mimarilerine kıyasla önemli ölçüde daha yavaştır.
EfficientDet hakkında daha fazla bilgi edin
Ayrıntılı Performans Karşılaştırması#
Aşağıdaki tabloda YOLOv6-3.0 ile EfficientDet'in teknik özellikleri çeşitli ölçütler bakımından karşılaştırılıyor. YOLOv6-3.0'ın GPU hızında önde olduğuna, EfficientDet'in ise önemli ölçüde daha yüksek gecikme pahasına daha yüksek mAP değerlerine ölçeklendiğine dikkat et.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
Modelleri karşılaştırırken FLOP ve parametre sayılarının gerçek dünyadaki gecikmeyle her zaman birebir örtüşmediğini unutma. YOLOv6-3.0, TensorRT için optimize edilmiştir ve daha düşük sınıf EfficientDet modellerinden daha yüksek FLOP sayılarına sahip olmasına rağmen milisaniyeler içinde çalışır.
Ultralytics Ekosisteminin Avantajı#
YOLOv6-3.0 ve EfficientDet belirli kullanım alanlarına hitap etse de modern bilgisayarlı görü projeleri çok yönlülük, kullanım kolaylığı ve iyi bakımı yapılan bir ekosistem gerektirir. Ultralytics YOLO modellerinin güçlü yanları bunlardır.
Kullanım Kolaylığı ve Eğitim Verimliliği#
Karmaşık TensorFlow yapılandırmalarıyla uğraşmayı gerektiren EfficientDet'in aksine Ultralytics modelleri, sezgisel bir PyTorch temeli ve tek bir Python API'si üzerine kuruludur. Ultralytics Platform ise açıklama eklemeden dağıtıma kadar makine öğrenimi yaşam döngüsünün geri kalanını kapsar. Bir Ultralytics modelini eğitmek genellikle daha az CUDA belleği gerektirir; bu da denemeleri hızlandırır ve işlem maliyetlerini düşürür.
Çok Yönlülük#
YOLOv6-3.0 ve EfficientDet öncelikli olarak nesne algılamayla sınırlıdır. Buna karşılık modern Ultralytics mimarileri doğaları gereği çok görevlidir. Tek bir arayüzle modelleri örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri için eğitebilirsin; anlamsal segmentasyon ve derinlik tahmini YOLO26'da kullanılabilir.
Ultralytics YOLO26 ile tanış#
Hız ve doğruluk açısından en iyi dengeyi arayan geliştiriciler için önerilen model Ultralytics YOLO26'dır. Ocak 2026'da yayımlanan bu model, hem YOLOv6 hem de EfficientDet'e kıyasla çeşitli iyileştirmeler sunar:
- Uçtan Uca, NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırarak gecikme değişkenliğini azaltır ve uç cihazlardaki dağıtım mantığını basitleştirir. - MuSGD Optimizer: Büyük dil modeli (LLM) eğitiminden ilham alan bu SGD ve Muon hibriti, kararlı eğitim ve daha hızlı yakınsama sağlar.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırıldığında YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu düşük güç tüketimli IoT cihazları için uygun kılar.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama, küçük nesnelerin tanınmasını iyileştirerek YOLO26'yı drone ve hava görüntüsü uygulamaları için son derece uygun 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 referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
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
prediction = model("https://ultralytics.com/images/bus.jpg")Değerlendirilebilecek Diğer Modeller#
Başka nesne algılama modellerini inceliyorsan şu alternatifleri değerlendirebilirsin:
- YOLO11: YOLO26'nın öncülüdür; çoklu görev desteği ve geniş bir topluluk 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 dünya uygulamalarının büyük çoğunluğu için Ultralytics ekosistemi güçlü bir performans dengesi sunar. Geliştiriciler YOLO26'yı benimseyerek isteğe bağlı NMS'siz çıkarım, küçük nesnelere yönelik geliştirilmiş kayıp fonksiyonları ve prototipten üretime geçişi hızlandıran, birleşik ve iyi belgelenmiş bir eğitim işlem hattı elde eder.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.