Başla

YOLOv7 ve EfficientDet

Doğru sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü projesinin temelidir. Bu kılavuz, nesne algılama mimarileri tarihinde önemli yere sahip iki modeli, YOLOv7 ile EfficientDet'i, teknik açıdan ayrıntılı olarak karşılaştırır. Mimari yeniliklerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını inceleyen geliştiriciler bilinçli kararlar verebilir. Kılavuz ayrıca Ultralytics YOLO26 modelinin her ikisini de nasıl geliştirdiğini ele alır.

Modellerin Kökenleri ve Teknik Ayrıntılar#

Her iki model de önde gelen araştırma ekipleri tarafından geliştirildi ve makine öğrenimi alanına önemli ilerlemeler kazandırdı.

YOLOv7

YOLOv7 hakkında daha fazla bilgi edin

EfficientDet

EfficientDet hakkında daha fazla bilgi edin

Mimari Farklılıklar ve Dengeli Analiz#

Bu ağlar arasındaki temel yapısal farklılıkları anlamak, etkili model dağıtımı için kritik öneme sahiptir.

EfficientDet: Bileşik Ölçekleme ve BiFPN#

TensorFlow ekosistemi içinde geliştirilen EfficientDet, model ölçeklendirmeye yönelik sistematik bir yaklaşım sundu. Google araştırmacıları, ağı keyfî biçimde genişletmek veya derinleştirmek yerine çözünürlüğü, derinliği ve genişliği eşit oranda ölçeklendiren bileşik bir ölçeklendirme yöntemi kullandı.

Ayrıca EfficientDet, Çift Yönlü Özellik Piramit Ağı'nı (BiFPN) sundu. Bu özellik piramit ağı varyantı, çok ölçekli özelliklerin hızlı biçimde birleştirilmesini sağlar.

Güçlü yönleri: Son derece az parametre kullanır ve çağdaş modellerin çoğundan daha az FLOP ile yüksek ortalama kesinlik (mAP) elde eder. Zayıf yönleri: Büyük ölçüde eski AutoML arama stratejilerine dayanır. Modern, dinamik PyTorch iş akışlarına entegrasyonu zahmetli olabilir ve düşük FLOP sayılarına rağmen uç cihazlardaki gecikme genellikle beklenenden yüksektir.

YOLOv7: Eğitilebilir Ücretsiz Avantajlar Paketi#

YOLOv7, gerçek zamanlı çıkarıma ve eğitim optimizasyonuna öncelik verdi. Modelin özgün gradyan yolunu bozmadan sürekli biçimde daha çeşitli özellikler öğrenmesini sağlayan genişletilmiş verimli katman birleştirme ağı (E-ELAN) kavramını sundu. YOLOv7 ayrıca çıkarım maliyetini artırmadan algılama doğruluğunu iyileştiren "eğitilebilir ücretsiz avantajlar" adlı bir teknik kullandı.

Güçlü Yönleri: Yüksek işlem hızları ve elverişli çıkarım gecikmesi, modeli yüksek FPS'li video akışları için ideal kılar. Zayıf Yönleri: Yetenekli olsa da hâlâ çapa kutularına dayanır ve son işleme sırasında Maksimum Olmayan Bastırma (NMS) gerektirir; bu da çok kalabalık sahnelerde gecikme darboğazına yol açabilir.

Ultralytics Ekosisteminin Avantajı

Modelleri değerlendirirken çevrelerindeki ekosistem de mimari kadar önemlidir. Tümleşik Ultralytics Platform, birleşik bir API, kapsamlı belgeler ve etkin topluluk desteği sunar. Bu birleşik ortam, eğitim sırasında ağır Transformer modellerine kıyasla genellikle daha az bellek kullanır; böylece prototip oluşturma ve deney takibi hızlanır.

Performans Ölçütleri ve Kıyaslamalar#

Aşağıdaki tablo, geliştiricilerin hız, parametre sayısı ve doğruluk arasındaki ödünleşimleri değerlendirmesini sağlayan temel performans ölçütlerini karşılaştırır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Görüldüğü gibi EfficientDet-d7 yüksek bir mAP değerine ulaşsa da TensorRT hızı YOLOv7 varyantlarının gerisinde belirgin biçimde kalır; bu da GPU hızlandırmalı gerçek zamanlı nesne algılamada YOLOv7'nin avantajını ortaya koyar.

Nesne Algılamanın Evrimi: YOLO26#

YOLOv7 ve EfficientDet önemli bir temel oluşturmuş olsa da görsel yapay zekâ alanı hızla gelişiyor. En iyi verimlilik ve doğruluğu gerektiren modern uygulamalar için Ocak 2026'da yayımlanan YOLO26 önerilen yükseltme seçeneğidir.

YOLO26, önceki nesillerin sınırlamalarını giderir ve nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama alanlarında geniş bir çok yönlülük sunar.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan isteğe bağlı bir bire bir başlık (nms=False) sunar. YOLO modellerine YOLOv10 tarafından kazandırılan bu tasarım, nesne yoğunluğundan bağımsız olarak gecikmeyi tutarlı tutar ve dağıtım mantığını basitleştirir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un (DFL) kaldırılması, model mimarisini basitleştirerek yüksek düzeyde kısıtlı uç bilişim ortamlarıyla uyumluluğu artırır.
  • CPU Çıkarımında %43'e Varan Hız Artışı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu özel GPU'su olmayan donanımlar için çok uygun hâle getirir.
  • MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli tekniklerinden ilham alan bu SGD ve Muon hibriti, bilgisayarlı görü eğitimi için daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, hava görüntüleri ve drone uygulamaları için önemli olan küçük nesne tanımayı iyileştirir.
  • Göreve Özel İyileştirmeler: Segmentasyon görevleri için anlamsal segmentasyon kaybı ve çok ölçekli proto, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını gidermek üzere tasarlanmış özel bir açı kaybı içerir.

Eski sistemleri kullanan ekipler için Ultralytics Platform platformuna geçiş, bu modellerin kolayca eğitilip dağıtılabildiği basitleştirilmiş bir iş akışı sunar. Geliştiriciler, geriye dönük uyumluluk gereksinimlerine bağlı olarak YOLO11 ve YOLOv8 gibi önceki nesilleri de değerlendirebilir.

Kolaylaştırılmış Eğitim ve Kullanım Kolaylığı#

Ultralytics modellerinin belirleyici özelliklerinden biri Kullanım Kolaylığıdır. EfficientDet'in TensorFlow AutoML ortamlarında gereken karmaşık ve çok sayıda bağımlılığa dayalı kurulumun aksine Ultralytics, basit ve Python'a özgü bir API sunar.

Bu ortam, eğitim sırasında CUDA bellek kullanımını düşük tutarak büyük veri kümelerinin, Transformer tabanlı mimarilerde sık görülen Bellek Yetersiz (OOM) hataları olmadan eğitilmesine yardımcı olur.

Kod Örneği: Ultralytics ile Başlangıç#

Aşağıdaki kod parçacığı, geliştiricilerin YOLO26 modelini kutudan çıktığı gibi eğitmek için Ultralytics paketinden nasıl yararlanabileceğini gösterir.

from ultralytics import YOLO

# Initialize a YOLO26 nano model for object detection
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # GPU index; use device='cpu' to train on CPU
    batch=16,
)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")
Üretim İçin Dışa Aktarma

Ultralytics API'si aracılığıyla eğitilen modeller, hedef donanımında verimli çıkarım için doğrudan OpenVINO veya ONNX gibi üretim biçimlerine aktarılabilir.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Bir çözüm tasarlarken modelin güçlü yönlerini belirli kullanım senaryosuyla eşleştirmek önemlidir.

EfficientDet Ne Zaman Kullanılmalı#

Bileşik ölçeklendirme deneylerinin temel odak noktası olduğu eski akademik araştırmalarda veya kesin olarak Google Cloud ekosistemine bağlı ortamlarda EfficientDet hâlâ değerlendirilebilir. Daha küçük çeşitleri (d0-d2), disk alanının ciddi ölçüde kısıtlı olduğu durumlarda avantaj sağlar.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, özellikle TensorFlow yerine PyTorch entegrasyonunun tercih edildiği yüksek performanslı eski kurulumlarda öne çıkar. Aşağıdaki alanlarda yaygın biçimde kullanılmaya devam eder:

  • Video Analitiği: GPU hızlandırmasının bol olduğu, yüksek kare hızlı güvenlik akışlarının işlenmesi.
  • Endüstriyel İnceleme: Hızla hareket eden üretim montaj hatlarındaki kusurların belirlenmesi.

YOLO26'yı Ne Zaman Seçmeli?#

Yeni dağıtımlar için YOLO26 önerilen seçenektir. Performans Dengesi ve iyi bakımı yapılan ekosistemi, onu şu alanlar için güçlü bir seçenek hâline getirir:

  • Akıllı Şehirler ve Trafik Yönetimi: İsteğe bağlı NMS'siz başlığı, gerçek zamanlı trafik koordinasyonu için çıkarım gecikmesini tutarlı tutar.
  • Robotik ve Otonom Sistemler: YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması, gömülü cihazlarda navigasyonun hızlı yanıt vermesine yardımcı olur.
  • Tarımsal ve Havadan İzleme: Yüksek irtifadan çekilen görüntülerde belirli mahsuller veya yaban hayatı gibi küçük nesneleri belirlemek için ProgLoss ve STAL kullanılır.

Özetle EfficientDet ve YOLOv7 değerli bir tarihsel bağlam ve belirli niş alanlarda fayda sunsa da günümüzün bilgisayarlı görü mühendisleri, dağıtım, CPU hızı ve küçük nesne doğruluğundaki önceki darboğazları gideren Ultralytics YOLO26 mimarisini benimsemekten en çok faydayı sağlar.

Katkıda Bulunanlar

Yorumlar

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