Link to this sectionYOLOv8 ve EfficientDet#
Hızla gelişen nesne algılama alanında, doğruluk, çıkarım hızı ve dağıtım yapılabilirliğini dengelemek için en uygun sinir ağı mimarisini seçmek kritiktir. Bu teknik derinlemesine inceleme, iki son derece etkili mimariyi karşılaştırır: modern bilgisayarlı görü ekosisteminde çok yönlü bir standart olan Ultralytics YOLOv8 ve Google'ın bileşik ölçeklendirme stratejisiyle bilinen temel modeli EfficientDet.
Dağıtım hedefin ister yüksek performanslı bulut sunucuları ister kaynak kısıtlı uç cihazlar olsun, bu modellerin mimari nüanslarını anlamak projenin başarısına rehberlik edecektir.
Link to this sectionMimari Genel Bakış#
Her iki model de bir görüntüdeki nesneleri tanımlama ve konumlandırma zorluğunu evrişimli sinir ağları kullanarak ele alır, ancak özellik çıkarımı ve sınırlayıcı kutu regresyonuna ulaşmak için farklı metodolojiler kullanırlar.
Link to this sectionUltralytics YOLOv8#
Ocak 2023'te Ultralytics tarafından yayınlanan YOLOv8, YOLO ailesinde büyük bir ileri sıçramayı temsil ediyordu. Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından hazırlanan model, nesne algılama, örnek bölümleme, poz tahmini ve görüntü sınıflandırma dahil olmak üzere birden fazla görü görevini sorunsuz bir şekilde desteklemek için sıfırdan tasarlandı.
The architecture introduces an anchor-free detection head, which heavily reduces the number of box predictions and speeds up Non-Maximum Suppression (NMS). Its backbone utilizes a novel C2f module (Cross-Stage Partial bottleneck with two convolutions) to improve gradient flow during training while maintaining a lightweight footprint. This makes YOLOv8 exceptionally efficient when compiled to formats like NVIDIA TensorRT or ONNX.
YOLOv8 hakkında daha fazla bilgi edinin
Link to this sectionEfficientDet#
2019'un sonlarında Google'da Mingxing Tan, Ruoming Pang ve Quoc V. Le tarafından hazırlanan ve yayınlanan EfficientDet, ölçeklenebilir verimliliğe odaklanır. Resmi Arxiv makalelerinde tanımlanan model, AutoML ekosisteminden büyük ölçüde yararlanır.
EfficientDet'in belirleyici özelliği, kolay ve hızlı çok ölçekli özellik füzyonunu sağlayan Çift Yönlü Özellik Piramidi Ağıdır (BiFPN). Bir EfficientNet omurgası ile birleştirilen mimari, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği aynı anda tekdüze bir şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Bu, mükemmel parametre verimliliği ile sonuçlansa da, karmaşık ağ topolojisi standart GPU'larda genellikle optimal gerçek zamanlı hızlara ulaşmakta zorlanır.
EfficientDet hakkında daha fazla bilgi edinin
Link to this sectionPerformans ve Metrik Karşılaştırması#
Nesne dedektörlerini karşılaştırırken, ortalama Hassasiyet (mAP) ve çıkarım gecikmesi birincil kıyaslama değerleridir. Aşağıdaki tablo, YOLOv8 varyantlarının ve EfficientDet (d0-d7) ailesinin COCO gibi veri kümeleri üzerindeki standart metriklerde nasıl karşılaştırıldığını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
EfficientDet daha az teorik FLOP ile takdire şayan bir doğruluk elde etse de, Ultralytics YOLOv8 gerçek dünya GPU çıkarım hızlarında baskındır. Örneğin, YOLOv8x, EfficientDet-d7'den (53.7) biraz daha yüksek bir mAP (53.9) elde eder ancak bir T4 GPU'da görüntüleri önemli ölçüde daha hızlı işler (14.37ms'ye karşılık 128.07ms), bu da YOLOv8'i gerçek zamanlı video analitiği için bariz bir tercih haline getirir.
Link to this sectionEğitim Metodolojileri ve Ekosistem#
Geliştirici deneyimi, bir makine öğrenimi mimarisi seçerken çok önemli bir faktördür. İşte açık kaynak topluluğu desteği ve ekosistem araçlarının bu modelleri gerçekten farklılaştırdığı nokta budur.
EfficientDet, TensorFlow ve özel AutoML hatlarına büyük ölçüde güvenir. Büyük ölçekli dağıtık bulut eğitimi için etkili olsa da, ortamı kurmak, çapaları ayarlamak ve EfficientDet GitHub deposunda bulunan yoğun yapılandırma dosyalarını ayrıştırmak, hızlı ilerleyen mühendislik ekipleri için göz korkutucu olabilir.
Buna karşılık, Ultralytics YOLOv8 yerel olarak PyTorch üzerinde oluşturulmuştur ve rakipsiz bir kullanım kolaylığı sunar. Geliştiriciler, tek bir satır Python kodu veya CLI komutu ile karmaşık eğitim döngülerini başlatabilirler. Ayrıca, eğitim sırasındaki model bellek gereksinimleri büyük ölçüde optimize edilmiştir; YOLOv8, mütevazı tüketici GPU'larına sahip geliştiricilerin, transformer ağırlıklı mimarileri sıkça sekteye uğratan bellek yetersizliği (OOM) hatalarıyla karşılaşmadan sağlam modeller eğitmelerine olanak tanır.
Ultralytics Platform ile sorunsuz entegrasyon, veri kümesi etiketleme, model eğitimi ve tek tıkla bulut dağıtımı için kod gerektirmeyen bir arayüz sağlayarak bunu bir adım öteye taşır. Otomatik hiperparametre ayarlama gibi özellikler, özel veri kümelerin için her zaman mümkün olan en iyi doğruluğu elde etmeni sağlar.
Link to this sectionPython Kod Örneği: YOLOv8 Çıkarımı#
Ultralytics GitHub deposunu kullanarak son teknoloji bir dedektörü çalıştırmak oldukça basittir:
from ultralytics import YOLO
# Initialize the YOLOv8 model natively in PyTorch
model = YOLO("yolov8n.pt")
# Train the model on the COCO8 example dataset
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run fast inference on an image URL
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Display the bounding boxes
inference_results[0].show()Link to this sectionYeni Nesil: Ultralytics YOLO26'ya Yükseltme#
YOLOv8 oldukça yetenekli bir üretim modeli olmaya devam etse de, yapay zeka performansında en ileri seviyeyi arayan araştırmacılar ve geliştiriciler, Ocak 2026'da piyasaya sürülen Ultralytics YOLO26 modelini değerlendirmelidir.
YOLO26, yerel bir Uçtan Uca NMS'siz Tasarım sunarak nesne algılama paradigmasını yeniden tanımlar. İlk YOLO sürümlerinden beri mevcut olan bir darboğaz olan işlem sonrası NMS ihtiyacını ortadan kaldırarak, gecikme varyansı pratik olarak yok edilir. Bu, düşük güçlü cihazlarda dağıtım için oyunun kurallarını değiştiren bir gelişmedir.
Dahası, YOLO26 birçok çığır açan eğitim yeniliğini içerir:
- MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, son derece kararlı bir eğitim ve büyük ölçüde hızlandırılmış yakınsama oranları sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: NMS'nin kaldırılması ve büyük ölçüde optimize edilmiş bir omurga sayesinde, YOLO26 özel NPU'lara güvenmeden sadece CPU kullanan uç cihazlarda benzeri görülmemiş hızlara ulaşır.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanıma doğruluğunda kayda değer bir sıçrama sağlayarak, YOLO26'yı hava görüntüleri ve hassas IoT sensörleri için vazgeçilmez kılar.
- DFL Kaldırma: OpenVINO ve CoreML gibi formatlara dışa aktarma sürecini büyük ölçüde basitleştirmek için Dağılım Odaklı Kayıp (Distribution Focal Loss) tamamen kaldırılmıştır.
Link to this sectionKullanım Durumları ve Öneriler#
Bu mimariler arasında seçim yapmak nihayetinde dağıtım kısıtlamalarına ve eski sistem gereksinimlerine bağlıdır.
- Şu durumlarda Ultralytics YOLOv8 seç: Yüksek doğruluk, gerçek zamanlı GPU çıkarımı ve sorunsuz bir geliştirici deneyimi gerektiren modern, çok yönlü bilgisayarlı görü uygulamaları oluşturuyorsan. Sınıflandırma, bölümleme ve algılama görevlerindeki güçlü performansı, onu perakende analitiği, robotik ve güvenlik sistemleri için güçlü bir çok amaçlı araç haline getirir.
- Şu durumlarda EfficientDet seç: Eski TensorFlow iş akışlarına bağlıysan ve birincil kaygın, katı gerçek zamanlı endüstriyel dağıtımdan ziyade araştırma amaçları için parametre sayılarını ve teorik FLOP'ları en aza indirmekse.
- Şu durumlarda Ultralytics YOLO26 seç: Yeni bir projeye başlıyorsan ve mutlak en iyisine ihtiyacın varsa. Yerel uçtan uca NMS'siz mimarisi, onu hem ultra hızlı uç dağıtımlar hem de ağır bulut işleme için en üstün seçenek haline getirir.
Ultralytics ekosistemindeki diğer oldukça yetenekli çerçeveleri keşfediyorsan, dengeli eski performans için Ultralytics YOLO11 veya gerçek zamanlı algılamaya yönelik transformer tabanlı bir yaklaşım için RT-DETR modellerini de düşünebilirsin.