YOLOX ve EfficientDet#

Nesne algılamadaki gelişim; hız, doğruluk ve hesaplama verimliliği arasında denge kurmaya yönelik sürekli arayışla şekillendi. Bu gelişimi önemli ölçüde etkileyen iki dönüm noktası model YOLOX ve EfficientDet'tir. YOLOX, YOLO ailesine yüksek düzeyde optimize edilmiş çapasız bir tasarım kazandırırken EfficientDet, bileşik ölçekleme ve BiFPN kullanan ölçeklenebilir bir mimariye odaklandı. Bu kılavuz, mimarilerinin, performans ölçütlerinin ve eğitim yöntemlerinin ayrıntılı teknik karşılaştırmasını sunarken en yeni Ultralytics YOLO26 gibi modern alternatifleri de tanıtıyor.

Modellerin Kökenleri ve Teknik Ayrıntılar#

Yapısal farklılıklarına geçmeden önce her iki modelin kökenlerini ve temelindeki araştırmaları anlamak önemlidir.

YOLOX Ayrıntıları:

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 18 Temmuz 2021
• arXiv: YOLOX: 2021'de YOLO Serisini Aşmak
• GitHub: Megvii-BaseDetection/YOLOX
• Belgeler: YOLOX Resmî Belgeleri

YOLOX hakkında daha fazla bilgi edin

EfficientDet ayrıntıları:

• Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
• Kuruluş: Google Brain
• Tarih: 20 Kasım 2019
• arXiv: EfficientDet: Ölçeklenebilir ve Verimli Nesne Algılama
• GitHub ve belgeler: Google AutoML EfficientDet

EfficientDet hakkında daha fazla bilgi edin

Mimari Karşılaştırması#

YOLOX ile EfficientDet arasındaki temel fark, özellikleri nasıl çıkardıkları ve sınırlayıcı kutuları nasıl tahmin ettikleridir. Dağıtım ortamın için doğru modeli seçerken bu nesne algılama mimarilerini anlamak kritik önem taşır.

YOLOX: Çapasız Tasarımın Öncüsü#

YOLOX, çapa tabanlı bir algılayıcıdan çapasız tasarıma geçerek YOLO serisinde devrim yarattı. Bu geçiş, tasarım parametrelerinin sayısını büyük ölçüde azalttı ve eğitim işlem hattını basitleştirdi.

Temel mimari özellikleri arasında sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık bulunur. Bu, bir nesnenin ne olduğunu belirleme ile nesnenin tam olarak nerede olduğunu tahmin etme arasındaki çelişkiyi giderir. Ayrıca YOLOX, eğitim sırasında yer gerçeği nesnelerine pozitif örnekleri dinamik olarak atayan SimOTA gibi gelişmiş etiket atama stratejileri kullanır; bu da daha hızlı yakınsama ve üstün bir performans dengesi sağlar.

EfficientDet: Bileşik Ölçekleme ve BiFPN#

EfficientDet, nesne algılamaya verimlilik ve ölçeklenebilirlik açısından yaklaşır. Google tarafından geliştirilen model, özellik çıkarımı için büyük ölçüde EfficientNet omurgasına dayanır.

Belirleyici özelliği, Çift Yönlü Özellik Piramidi Ağı'dır (BiFPN). Geleneksel FPN'lerin aksine BiFPN, farklı girdi özelliklerinin önemini öğrenmek için öğrenilebilir ağırlıklar kullanarak çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağları için çözünürlüğü, derinliği ve genişliği eşit biçimde ölçeklendiren bir bileşik ölçekleme yöntemiyle birlikte EfficientDet, mobil boyutlu modellerden (d0) devasa sunucu tarafı modellere (d7) kadar ölçeklenebilir.

Performans ve Ölçüt Analizi#

Bu modelleri gerçek dünyadaki bilgisayarlı görü uygulamaları için değerlendirirken Ortalama Hassasiyet, çıkarım hızı ve parametre sayısı gibi ölçütler son derece önemlidir.

Ödünleşimlerin Analizi#

Veriler, tasarım felsefelerinde belirgin bir ayrışma olduğunu gösteriyor. EfficientDet-d7, etkileyici bir 53,7% mAP ile en yüksek genel doğruluğa ulaşıyor; ancak bunun bedeli çıkarım hızında büyük bir düşüş (T4 GPU'da 128,07 ms). Buna karşılık YOLOXx, 16,1 ms'lik hızlı çıkarım süresini korurken oldukça rekabetçi olan 51,1% mAP değerine ulaşıyor; bu da onu gerçek zamanlı video anlama ve robotik için çok daha üstün hâle getiriyor.

Kullanım Alanları ve Öneriler#

YOLOX ile EfficientDet arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihine bağlıdır.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda iyi bir tercihtir:

• Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
• SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

EfficientDet Ne Zaman Seçilmeli#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
• LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Modern Alternatif: Ultralytics YOLO26#

YOLOX ve EfficientDet önemli dönüm noktalarını temsil etse de makine öğrenmesi alanı hızla ilerledi. Günümüzde en gelişmiş görsel sistemleri dağıtmak isteyen geliştiriciler için en çok önerilen seçenek, Ultralytics'in Ocak 2026'da yayımladığı en yeni amiral gemisi model YOLO26'dır.

YOLO26, iyi bakımı yapılan bir ekosistem sunar ve hız ile kullanım kolaylığında büyük bir sıçrama yaparak eski mimarileri birçok temel alanda geride bırakır:

YOLO26'nın Temel Yenilikleri#

• Uçtan Uca, NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemine duyulan ihtiyacı ortadan kaldırır. Önceki nesillerde öncülük edilen bu yerel uçtan uca yaklaşım, aktarım sürecini basitleştirir ve dağıtım gecikmesini önemli ölçüde azaltır.
• CPU'da %43'e Varan Daha Hızlı Çıkarım: Derin mimari optimizasyonlar ve Distribution Focal Loss'un (DFL) kaldırılması sayesinde YOLO26, ayrık GPU'su olmayan uç cihazlarda olağanüstü hızlı çalışır ve ağır EfficientDet çeşitlerini açık ara geride bırakır.
• MuSGD Optimizatörü: Görsel yapay zekâya Büyük Dil Modeli (LLM) yeniliklerini taşıyan YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ile Muon'un hibriti olan MuSGD optimizatörünü kullanarak mükemmel eğitim verimliliği sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve hava görüntülerinin analizi gibi kullanım alanları için kritik önem taşıyan küçük nesne tanımada kayda değer iyileşmeler sağlar.
• Eşsiz Esneklik: Yalnızca nesne algılayıcı olan YOLOX'in aksine YOLO26, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama dâhil çok çeşitli görevleri yerel olarak destekler.

Ultralytics API ile Kullanım Kolaylığı#

Ultralytics modellerinin en önemli avantajlarından biri, kolaylaştırılmış kullanıcı deneyimidir. YOLO26 modelini eğitmek ve dağıtmak, karmaşık Transformer modellerinden çok daha az bellek gerektirir ve yalnızca birkaç satır Python kodu yeterlidir:

from ultralytics import YOLO

# Yerel uçtan uca YOLO26 modelini başlat
model = YOLO("yolo26n.pt")

# Modeli özel veri kümen üzerinde zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli ışık hızında çıkarım için TensorRT'ye aktar
model.export(format="engine", dynamic=True)

Görsel arayüzleri tercih eden kullanıcılar için Ultralytics Platform, veri kümesi etiketleme, hiperparametre ayarlama ve sorunsuz dağıtım için güçlü araçlar sunar.

Gerçek Dünya Kullanım Senaryoları#

Doğru mimariyi seçmek, dağıtım kısıtlarına büyük ölçüde bağlıdır.

EfficientDet'i Ne Zaman Tercih Etmeli?#

Çıkarım hızının hiçbir önem taşımadığı ve yüksek çözünürlüklü görüntülerde mümkün olan en yüksek teorik doğruluğun tek amaç olduğu ortamlarda EfficientDet akademik açıdan ilgi çekmeye devam ediyor. TensorFlow ekosistemindeki uygulaması, eski Google altyapılarını sürdüren ekiplerin de ilgisini çekebilir.

YOLOX Ne Zaman Değerlendirilmeli#

YOLOX, çapa kutularının karmaşıklığına girmeden hız ile doğruluğu dengelemek gereken uygulamalar için uygundur. Hızlı kusur tespitinin gerektiği taşıma bandı senaryolarında endüstriyel üretim alanında tarihsel olarak iyi performans göstermiştir.

YOLO26 Neden Daha Üstün Bir Seçenek?#

Neredeyse tüm modern uygulamalar için YOLO26 en iyi çözümü sunar. NMS içermeyen tasarımı, öngörülebilir gecikme sağlayarak otonom sürüş, hızlı güvenlik alarm sistemleri ve akıllı şehir dağıtımları için ideal bir seçenek hâline getirir. Ayrıca Ultralytics'in güçlü topluluk desteği ve sık güncellemeleri, geliştiricilerin kullanım dışı bırakılmış bağımlılıklarla uğraşmak zorunda kalmamasını sağlar.

Gelişmiş bilgisayarlı görü çözümlerini araştıran geliştiriciler, eski sistemlerde kararlı dağıtımlar için YOLO11 veya istem tabanlı segmentasyon görevleri için FastSAM gibi özel modeller dâhil Ultralytics ekosistemindeki diğer esnek mimarileri de incelemeli. Ultralytics araçlarının tamamından yararlanmak, geleceğe hazır ve yüksek düzeyde optimize edilmiş bir görsel yapay zekâ işlem hattı sağlar.