Ultralytics YOLO27:
Get Started

YOLOv7 ve EfficientDet#

En uygun sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü projesinin temelidir. Bu kılavuz, nesne algılama mimarileri tarihindeki iki önemli model olan YOLOv7 ve EfficientDet arasında ayrıntılı bir teknik karşılaştırma sunar. Geliştiriciler mimari yenilikleri, eğitim yöntemlerini ve ideal dağıtım senaryolarını inceleyerek bilinçli kararlar verebilir. Ayrıca, özellikle çığır açan Ultralytics YOLO26 olmak üzere modern gelişmelerin günümüzün en ileri teknolojisini nasıl yeniden tanımladığını da ele alacağız.

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 Piramidi Ağı (BiFPN) mimarisini kullanıma sundu. Bu mimari bileşen, çok ölçekli özelliklerin kolayca ve 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 olarak daha çeşitli özellikler öğrenmesini sağlayan genişletilmiş verimli katman toplama ağı (E-ELAN) kavramını kullanıma sundu. YOLOv7 ayrıca, çıkarım maliyetini artırmadan algılama doğruluğunu önemli ölçüde iyileştiren "eğitilebilir ücretsiz avantajlar paketi" adlı bir teknik kullandı.

Güçlü yönleri: Olağanüstü işlem hızları ve elverişli çıkarım gecikmesi, modeli yüksek FPS'li video akışları için ideal kılar. Zayıf yönleri: Son derece yetenekli olsa da hâlâ anchor kutularına dayanır ve son işleme sırasında Maksimum Olmayan Bastırma (NMS) gerektirir; bu da yoğun sahnelerde gecikme darboğazına yol açabilir.

Ultralytics Ekosisteminin Avantajı

Modelleri değerlendirirken çevresindeki ekosistem, mimari kadar önemlidir. Entegre Ultralytics Platformu, birleşik bir API, kapsamlı dokümantasyon ve etkin topluluk desteği sunar. Bu birleşik ortam, ağır Transformer modellerine kıyasla eğitim sırasında daha az bellek kullanılmasını sağlayarak hızlı prototiplemeyi ve sorunsuz deney takibini mümkün kılar.

Performans Ölçütleri ve Kıyaslamalar#

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

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
EfficientDet-d064034.610.23.923.92.54
EfficientDet-d164040.513.57.316.66.1
EfficientDet-d264043.017.710.928.111.0
EfficientDet-d364047.528.019.5912.024.9
EfficientDet-d464049.742.833.5520.755.2
EfficientDet-d564051.572.567.8633.7130.0
EfficientDet-d664052.692.889.2951.9226.0
EfficientDet-d764053.7122.0128.0751.9325.0

Görüldüğü gibi EfficientDet-d7 yüksek mAP değerine ulaşsa da TensorRT hızı YOLOv7 çeşitlerinin gerisinde belirgin biçimde kalıyor; bu da GPU hızlandırmalı gerçek zamanlı nesne algılamada YOLOv7'nin üstünlüğünü ortaya koyuyor.

Nesne Algılamanın Evrimi: YOLO26#

YOLOv7 ve EfficientDet önemli bir temel oluşturmuş olsa da görsel yapay zekâ alanı hızla gelişiyor. En yüksek verimlilik ve doğruluk düzeyini gerektiren modern uygulamalar için Ocak 2026'da yayımlanan YOLO26'ya yükseltmeni önemle öneriyoruz.

YOLO26, önceki nesillerin doğal sınırlamalarını gidererek nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini alanlarında benzersiz bir çok yönlülük sunar.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLO26, son işleme sırasında Maksimum Olmayan Bastırma (NMS) adımını atlayan isteğe bağlı bir bire bir başlık (nms=False) sunar. İlk olarak YOLOv10 ile öncülüğü yapılan bu yaklaşım, dağıtım mantığını basitleştirir ve nesne yoğunluğundan bağımsız olarak tutarlı, düşük gecikmeli çalışmayı garanti eder.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kayıp (DFL) kaldırılarak model mimarisi büyük ölçüde basitleştirilir ve yoğun biçimde kısıtlı uç bilişim ortamlarıyla uyumluluk artırılır.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: Ayrılmış GPU'ların bulunmadığı ortamlar için kapsamlı biçimde optimize edilmiştir ve bu nedenle hafif donanımlar için idealdir.
  • MuSGD İyileştiricisi: Büyük dil modeli tekniklerinden (Moonshot AI'nin Kimi K2'si gibi) ilham alan, SGD ve Muon'un hibritinden oluşan bu iyileştirici, bilgisayarlı görü eğitimine LLM düzeyinde kararlılık ve hızlı yakınsama kazandırır.
  • ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesnelerin tanınmasında kayda değer iyileştirmeler sağlar; bu, havadan görüntüler ve drone uygulamaları için kritik bir özelliktir.
  • Göreve Özgü İyileştirmeler: Segmentasyon görevleri için Anlamsal segmentasyon kaybı ve çok ölçekli proto, karmaşık Poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını gidermeye yönelik özel bir açı kaybı içerir.

Eski sistemler kullanan ekipler, Ultralytics Platformu'na geçerek bu son teknoloji modellerin kolayca eğitilip dağıtılabileceği akıcı bir iş akışından yararlanabilir. Geliştiriciler, geriye dönük uyumluluk gereksinimlerine bağlı olarak YOLO11 ve YOLOv8 gibi önceki sağlam sürümleri de değerlendirebilir.

Kolaylaştırılmış Eğitim ve Kullanım Kolaylığı#

Ultralytics modellerinin belirleyici özelliklerinden biri, olağanüstü Kullanım Kolaylığıdır. EfficientDet'in TensorFlow AutoML ortamları için gereken karmaşık ve çok bağımlılıklı kurulumun aksine Ultralytics, sade ve Pythonic bir API sunar.

Bu ortam, eğitim sırasında CUDA bellek kullanımını en aza indirerek, büyük veri kümelerinin bile kaynak tüketimi yüksek Transformer tabanlı mimarilerde sıkça görülen bellek yetersizliği (OOM) hataları olmadan verimli bir şekilde işlenmesini sağlar.

Kod Örneği: Ultralytics ile Başlangıç#

Aşağıdaki kod parçası, geliştiricilerin en son teknoloji YOLO26 modelini kutudan çıktığı gibi sorunsuzca eğitmek için Ultralytics paketinden nasıl yararlanabileceğini gösterir.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model for object detection
model = YOLO("yolo26n.pt")

# Train the model effortlessly using the integrated Ultralytics ecosystem
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, OpenVINO veya ONNX gibi çeşitli üretim biçimlerine anında aktarılabilir ve böylece hedef donanımın ne olduğundan bağımsız olarak yüksek işlem hacmi sağlanır.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

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

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?#

Tüm yeni dağıtımlar için tartışmasız önerimiz YOLO26'dır. Benzersiz Performans Dengesi ve sağlam bakımı düzenli yapılan ekosistemi, onu aşağıdakiler için en uygun seçenek hâline getirir:

  • Akıllı Şehirler ve Trafik Yönetimi: NMS'siz tasarımı, gerçek zamanlı trafik koordinasyonu için hayati önem taşıyan tutarlı çıkarım gecikmesi sağlar.
  • Robotik ve Otonom Sistemler: CPU çıkarım hızındaki etkileyici %43'lük artış, gömülü cihazlarda yüksek tepki hızına sahip gezinme algoritmaları sağlar.
  • Tarım ve Havadan İzleme: Yüksek irtifadan çekilen görüntülerde belirli ürünler veya yaban hayatı gibi küçük nesneleri hassas biçimde belirlemek için ProgLoss ve STAL'dan yararlanır.

Özetle, EfficientDet ve YOLOv7 değerli bir tarihsel bağlam ve belirli niş kullanım alanları sunsa da modern bilgisayarlı görü mühendisleri, önceki darboğazları zarifçe giderirken yapay zekânın olanaklarının sınırlarını zorlayan Ultralytics YOLO26 mimarisini benimsemekten en fazla yararı sağlar.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger2

Yorumlar