YOLOv9 ve EfficientDet#
Bilgisayarlı görü alanı, araştırmacıların doğruluk ve verimlilik sınırlarını sürekli zorlamasıyla gerçek zamanlı nesne algılamada hızlı bir evrime tanık oldu. Sağlam görsel sistemler geliştirirken en uygun mimariyi seçmek kritik bir karardır. Bu alanda çokça tartışılan iki model, gradyan bilgisine odaklanan YOLO soyunun gelişmiş bir sürümü olan YOLOv9 ve Google tarafından geliştirilen ölçeklenebilir bir çerçeve olan EfficientDet modelidir.
Bu kılavuz, bilinçli bir sonraki yapay zekâ proje kararı vermene yardımcı olmak için bu iki mimariyi ayrıntılı teknik açıdan karşılaştırıyor; çalışma mekanizmalarını, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.
Modellerin Kökeni ve Teknik Özellikleri#
Bir modelin soyunu ve tasarım felsefesini anlamak, yapısal kararları ve pratik uygulamaları hakkında değerli bir bağlam sunar.
YOLOv9: Bilgi Akışını En Üst Düzeye Çıkarma#
Derin öğrenmedeki "bilgi darboğazı" sorununu çözmek için geliştirilen YOLOv9, verinin derin sinir ağlarından geçerken kaybolmamasını sağlayan yeni yöntemler sunar.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 21 Şubat 2024
- Bağlantılar: arXiv Yayını, Resmî GitHub
YOLOv9, gradyan bilgisinin derin katmanlar boyunca güvenilir biçimde korunmasını sağlayan yardımcı bir denetim çerçevesi olan Programlanabilir Gradyan Bilgisini (PGI) sunar. Buna, CSPNet ile ELAN'ın güçlü yönlerini bir araya getirerek parametre verimliliğini optimize eden Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) eşlik eder. Böylece YOLOv9, gerçek zamanlı uç işlemeye uygun hafif yapısını korurken yüksek doğruluk elde eder.
YOLOv9 hakkında daha fazla bilgi edin
EfficientDet: Bileşik Ölçekleme ve BiFPN#
Google Brain tarafından sunulan EfficientDet, hız ile hassasiyeti dengelemek için ağ boyutlarını sistematik olarak ölçeklendirerek nesne algılama yaklaşımını ele alır.
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google
- Tarih: 20 Kasım 2019
- Bağlantılar: arXiv Yayını, Resmî GitHub
EfficientDet, EfficientNet omurgasını Çift Yönlü Özellik Piramit Ağı (BiFPN) ile birleştirir. BiFPN, çok ölçekli özellik birleştirmeyi kolay ve hızlı hâle getirir. Mimaride, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda eşit oranda ölçeklendiren bir bileşik ölçekleme yöntemi kullanılır.
EfficientDet hakkında daha fazla bilgi edin
Kuramsal mimariler önemli olsa da yazılım ekosistemi çoğu zaman projenin başarısını belirler. Ultralytics, karmaşık ve araştırma odaklı kod tabanlarına kıyasla pazara çıkış süresini önemli ölçüde azaltan yalın bir kullanıcı deneyimi ve güçlü dağıtım araçları sunar.
Performans ve Metrik Karşılaştırması#
Model performansını incelerken hassasiyeti çıkarım gecikmesi ve hesaplama maliyetiyle dengelemek çok önemlidir. Aşağıdaki tablo, farklı boyutlardaki YOLOv9 ve EfficientDet modelleri arasındaki ödünleşimleri gösterir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 |
Ölçütlerin Eleştirel Analizi#
- Doğruluk Eşikleri: YOLOv9e, etkileyici %55,6'lık mAP (ortalama Ortalama Hassasiyet) değeriyle en yüksek genel doğruluğa ulaşır. Böylece TensorRT hızları daha yüksek kalırken en büyük EfficientDet-d7 modelini (%53,7) geride bırakır.
- Gerçek Zamanlı Hız: YOLOv9t, TensorRT kullanarak T4 GPU'da yalnızca 2,3 ms gerektirir ve GELAN mimarisinin yüksek hızlı video akışlarındaki verimliliğini vurgular. EfficientDet-d0 hızlı çalışır ancak bu hızlara ulaşmak için önemli ölçüde mAP'den ödün verir.
- Hesaplama Karmaşıklığı: Bileşik ölçekleme katsayısı arttıkça EfficientDet'in parametre sayısı ve FLOPs değerleri hızla yükselir. d7 modeli 128 ms gecikmeye ulaşır; bu da onu daha doğru olan YOLOv9e'den (16,77 ms) yaklaşık 7,6 kat yavaş hâle getirir ve gerçek zamanlı çıkarım ortamlarındaki kullanımını ciddi ölçüde kısıtlar.
Eğitim Verimliliği ve Ekosistem#
Model seçerken geliştirici ekosistemini değerlendirmek gerekir. Ultralytics ekosistemi, eğitim verimliliği, dağıtım esnekliği ve genel çok yönlülük açısından benzersiz bir avantaj sunar.
Ultralytics Avantajı#
YOLOv9, YOLOv8 ve YOLO11 dâhil olmak üzere Ultralytics çerçevesinin desteklediği modeller, EfficientDet gibi Transformer tabanlı veya eski TensorFlow mimarilerine kıyasla eğitim sırasında çok daha az bellek gerektirir. Güçlü PyTorch arka ucu hızlı yakınsama ve kararlılık sağlar.
- Çok Yönlülük: Yalnızca sınırlayıcı kutu algılamaya odaklanan EfficientDet'in aksine Ultralytics API'si yerel olarak Örnek Segmentasyonunu, Poz Tahminini, Görüntü Sınıflandırmasını ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.
- Kullanım Kolaylığı: EfficientDet, kurulumu sorun çıkarabilecek eski TensorFlow kitaplıklarına ve karmaşık AutoML yapılandırmalarına dayanır. Buna karşılık Ultralytics, sorunsuz hiperparametre ayarlama ve veri kümesi yönetimi için son derece gelişmiş bir API sunar.
Uygulama Örneği#
Gelişmiş bir bilgisayarlı görü modelini eğitmek için yüzlerce satır standart kod yazman gerekmemeli. Ultralytics Python paketiyle eğitimi ne kadar kolay başlatabileceğin şöyle:
from ultralytics import YOLO
# Resmî bir Ultralytics modeli yükle (ör. YOLO11 veya YOLO26)
model = YOLO("yolo11n.pt")
# Modeli doğrudan özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#
Farklı yapısal paradigmalar, bu modelleri farklı senaryolara uygun hâle getirir.
EfficientDet'i ne zaman kullanmalı: PyTorch'a geçişin mümkün olmadığı ve TensorFlow ekosistemine sıkı sıkıya bağlı eski sistemlerde EfficientDet geçerli bir seçenek olmayı sürdürür. Daha yavaş çevrim dışı yüksek çözünürlüklü tarama işlemlerinin kabul edilebilir olduğu tıbbi görüntü analizi araştırmalarında da geçmişten beri önem taşır.
YOLOv9'u ne zaman kullanmalı: YOLOv9, parametre sayısını aşırı artırmadan derin katmanlardan mümkün olan en yüksek doğruluğu elde etmeyi gerektiren ortamlarda öne çıkar. Karmaşık akıllı şehir trafik yönetimi ve yoğun kalabalık izleme gibi uygulamalar, PGI'nin özellik bütünlüğünü koruma becerisinden büyük ölçüde yararlanır.
Geleceğe Hazırlık: Görsel Yapay Zekânın Yeni Nesli#
YOLOv9 ve EfficientDet güçlü modeller olsa da uç bilişim hızı, eğitim kararlılığı ve dağıtım kolaylığı arasında en iyi dengeyi arayan geliştiriciler en yeni yenilikleri değerlendirmeli.
Ocak 2026'da yayımlanan Ultralytics YOLO26, günümüzün en gelişmiş modelidir. Birkaç önemli yenilikle önceki nesilleri ( YOLO11 ve YOLOv8 dâhil) geliştirir:
- Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırmayı tamamen atlayan isteğe bağlı bire bir başlık (
nms=False) sunar. YOLOv10 modelinin öncülük ettiği bu yaklaşım, model dağıtımını önemli ölçüde hızlandırır ve basitleştirir. - DFL'nin Kaldırılması: Dağılım Odaklı Kayıp (DFL), dışa aktarma işlemini basitleştirmek ve uç cihazlarla düşük güç tüketimli cihazlardaki uyumluluğu artırmak için kaldırılmıştır.
- CPU Çıkarımında %43'e Varan Hız Artışı: IoT cihazları ve özel GPU'ların bulunmadığı ortamlar için kusursuz biçimde optimize edilmiştir.
- MuSGD Optimize Edici: SGD ile Muon'un devrim niteliğindeki hibriti, LLM eğitimi yeniliklerinden ilham alır ve daha hızlı yakınsama ile son derece kararlı eğitim süreçleri sağlar.
- ProgLoss + STAL: Küçük nesnelerin algılanmasını büyük ölçüde iyileştiren gelişmiş kayıp işlevleri, hava araçlarından çekilen görüntüler ve sağlam robotik sistemler için kritik önem taşır.
Kapsamlı Ultralytics Platformundan yararlanan ekipler, veri kümelerini zahmetsizce yönetebilir, deneyleri izleyebilir ve YOLO26 gibi modelleri farklı donanım ekosistemlerinde dağıtabilir; böylece bilgisayarlı görü işlem hatlarının en yeni teknolojileri kullanmasını ve üretime hazır kalmasını sağlayabilir.