Başla

YOLOv8 ve EfficientDet

Hızla gelişen nesne algılama alanında doğru sinir ağı mimarisini seçmek; doğruluk, çıkarım hızı ve dağıtım uygulanabilirliğini dengelemek açısından kritik önemdedir. Bu teknik karşılaştırma, iki etkili mimariyi ele alır: modern bilgisayarlı görü ekosisteminde çok yönlü bir standart olan Ultralytics YOLOv8 ve bileşik ölçekleme stratejisiyle tanınan, Google'ın temel modellerinden EfficientDet.

Dağıtım hedefin yüksek performanslı bulut sunucuları veya kaynakları kısıtlı uç cihazlar olsun, bu modeller arasındaki mimari farkları anlamak doğru seçimi yapmana yardımcı olur.

Mimariye Genel Bakış#

Her iki model de bir görüntüdeki nesneleri tanımlama ve konumlandırma sorununu evrişimli sinir ağları kullanarak ele alır; ancak özellik çıkarımı ve sınırlayıcı kutu regresyonu için farklı yöntemler uygular.

Ultralytics YOLOv8#

Ultralytics tarafından Ocak 2023'te yayımlanan YOLOv8, YOLO ailesi için büyük bir ilerlemeydi. Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen model; nesne algılama, örnek bölümleme, görüntü sınıflandırma ve poz tahmini dâhil olmak üzere birden fazla görüntü görevini destekleyecek şekilde temelden tasarlandı.

Mimari, kutu tahminlerinin sayısını azaltan ve Maksimum Olmayan Bastırma'yı (NMS) hızlandıran çapasız bir algılama başlığı sunar. Omurgasında, hafif yapısını korurken eğitim sırasında gradyan akışını iyileştiren C2f modülü (iki evrişimli Aşamalar Arası Kısmi darboğaz) bulunur. Bu, YOLOv8'i NVIDIA TensorRT veya ONNX gibi biçimlere derlendiğinde verimli kılar.

EfficientDet#

Google'dan Mingxing Tan, Ruoming Pang ve Quoc V. Le tarafından geliştirilen ve 2019'un sonlarında yayımlanan EfficientDet, ölçeklenebilir verimliliğe odaklanır. Resmî arXiv makalesinde açıklandığı üzere model, Google'ın AutoML araştırmalarını temel alır.

EfficientDet'in belirleyici özelliği, çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlayan Çift Yönlü Özellik Piramit Ağıdır (BiFPN). EfficientNet omurgasıyla birlikte kullanılan mimari; çözünürlüğü, derinliği ve genişliği tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için aynı anda ve eşit biçimde ölçekleyen bileşik bir ölçekleme yöntemi kullanır. Bu, parametre verimliliği açısından mükemmel sonuçlar sağlasa da karmaşık ağ topolojisi GPU'larda düşük FLOP sayısının düşündürdüğünden daha yavaş çalışır.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Nesne algılayıcıları karşılaştırılırken ortalama Ortalama Hassasiyet (mAP) ve çıkarım gecikmesi temel ölçütlerdir. Aşağıdaki tablo, YOLOv8 varyantlarıyla EfficientDet (d0-d7) ailesini COCO veri kümesindeki standart ölçütlere göre karşılaştırmaktadır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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
Performans Dengesi Analizi

EfficientDet daha az FLOP ile rekabetçi doğruluk sunsa da Ultralytics YOLOv8, GPU'larda çok daha hızlıdır. Örneğin YOLOv8x, EfficientDet-d7'den (53.7) biraz daha yüksek bir mAP (53.9) elde ederken T4 GPU'da yaklaşık 9 kat daha hızlı çalışır (14.37 ms'ye karşı 128.07 ms); bu da YOLOv8'i gerçek zamanlı video analizi için güçlü bir seçenek hâline getirir.

Eğitim Yöntemleri ve Ekosistem#

Bir makine öğrenimi mimarisi seçerken geliştirici deneyimi kritik bir faktördür; topluluk desteği ve ekosistem araçları bu modeller arasında önemli ölçüde farklılık gösterir.

EfficientDet, büyük ölçüde TensorFlow ve özel AutoML iş akışlarına dayanır. Büyük ölçekli dağıtık bulut eğitimi için etkili olsa da ortamı kurmak, çapaları ayarlamak ve EfficientDet GitHub deposundaki yoğun yapılandırma dosyalarını incelemek ciddi çaba gerektirebilir.

Buna karşılık Ultralytics YOLOv8, yerel olarak PyTorch üzerinde geliştirilmiştir ve kullanım kolaylığı için tasarlanmıştır. Geliştiriciler tek satır Python koduyla veya tek bir CLI komutuyla eğitime başlayabilir. Eğitimde bellek kullanımı da optimize edilmiştir; böylece mütevazı tüketici GPU'larına sahip geliştiriciler, Transformer ağırlıklı mimarilerin sıklıkla yol açtığı bellek yetersizliği (OOM) hatalarını daha az yaşayarak yetenekli modeller eğitebilir.

Ultralytics Platform, veri kümesi açıklama ekleme, model eğitimi ve buluta dağıtım için kod gerektirmeyen bir arayüz sunarken yerleşik hiperparametre ayarı, özel veri kümelerindeki doğruluğu optimize etmeye yardımcı olur.

Python Kod Örneği: YOLOv8 Çıkarımı#

Ultralytics GitHub deposu ile YOLOv8'i eğitmek ve çalıştırmak için yalnızca birkaç satır kod yeterlidir:

from ultralytics import YOLO

# YOLOv8 modelini PyTorch'ta yerel olarak başlat
model = YOLO("yolov8n.pt")

# Modeli COCO8 örnek veri kümesi üzerinde eğit
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir görüntü URL'sinde hızlı çıkarım çalıştır
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Sınırlayıcı kutuları görüntüle
inference_results[0].show()

Yeni Nesil: Ultralytics YOLO26'ya Geçiş#

YOLOv8 üretimde kullanılabilir bir model olmaya devam etse de yeni projelere başlayan geliştiriciler, Ocak 2026'da yayımlanan ve artık önerilen Ultralytics modeli olan Ultralytics YOLO26'yı değerlendirmelidir.

YOLO26 yerel bir Uçtan Uca, NMS Gerektirmeyen Tasarım sunar. İsteğe bağlı bire bir başlığı (nms=False), ilk YOLO sürümlerinden beri kullanılan NMS son işlemesini ortadan kaldırarak gecikme değişkenliğini azaltır ve düşük güç tüketimli cihazlara dağıtımı basitleştirir.

YOLO26 ayrıca eğitim ve mimari açısından çeşitli iyileştirmeler içerir:

  • MuSGD Optimizer: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, kararlı eğitim ve daha hızlı yakınsama sağlar.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: NMS ve DFL'nin kaldırılmasıyla YOLO26n, CPU ONNX çıkarımında YOLO11n'den %43'e kadar daha hızlı çalışır; bu özelliği özel NPU'su olmayan, yalnızca CPU kullanan uç cihazlar için uygundur.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), küçük nesne algılamayı iyileştirerek hava görüntüleri ve IoT kamera uygulamalarına fayda sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, OpenVINO ve CoreML gibi biçimlere dışa aktarmayı basitleştirir.

Kullanım Alanları ve Öneriler#

Bu mimariler arasında seçim yapmak, sonuçta dağıtım kısıtlarına ve eski sistem gereksinimlerine bağlıdır.

  • Ultralytics YOLOv8'i şu durumda seç: Yüksek doğruluk, gerçek zamanlı GPU çıkarımı ve kolay bir geliştirici deneyimi gerektiren çok yönlü bilgisayarlı görü uygulamaları geliştiriyorsan. Algılama, bölümleme ve sınıflandırma görevlerindeki güçlü performansı, modeli perakende analitiği, robotik ve güvenlik sistemleri için çok yönlü bir seçenek hâline getirir.
  • Şu durumda EfficientDet'i seç: Eski TensorFlow iş akışlarına bağlıysan ve önceliğin, katı gerçek zamanlı endüstriyel dağıtım yerine belki araştırma amacıyla, parametre sayısını ve teorik FLOP miktarını en aza indirmekse.
  • Ultralytics YOLO26'yı şu durumda seç: Yeni bir projeye başlıyorsan. YOLO26, şu anda önerilen Ultralytics modelidir ve yerel, uçtan uca NMS gerektirmeyen mimarisi hem hızlı uç dağıtımlarına hem de büyük ölçekli bulut işlemlerine uygundur.

Ultralytics ekosistemindeki diğer modelleri inceliyorsan, hız ve doğruluk arasında denenmiş bir denge için Ultralytics YOLO11'i veya gerçek zamanlı algılamaya Transformer tabanlı bir yaklaşım için RT-DETR'yi de değerlendirebilirsin.

Katkıda Bulunanlar

Yorumlar1

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

  1. extremezero9023GitHub(düzenlendi)

    Great technical breakdown! EfficientDet is known for its excellent accuracy-to-efficiency ratio, especially in resource-constrained environments. However, this YOLOv8 comparison highlights how v8 brings better versatility, faster inference times, and an easier training pipeline. While EfficientDet excels in structured setups, YOLOv8 feels more production-ready for dynamic and real-time use cases.