Başla

YOLOX ve EfficientDet

Nesne algılamanın gelişimini; hız, doğruluk ve işlem verimliliği arasında denge kurma arayışı yönlendirdi. Bu gelişimi önemli ölçüde etkileyen iki dönüm noktası model YOLOX ve EfficientDet'tir. YOLOX, YOLO ailesine çapasız bir tasarım getirirken EfficientDet, bileşik ölçeklendirme ve BiFPN kullanan ölçeklenebilir bir mimariye odaklandı. Bu kılavuz, mimarilerini, performans ölçütlerini ve eğitim yöntemlerini ayrıntılı olarak karşılaştırıyor ve Ultralytics YOLO26 gibi daha yeni alternatifleri tanıtıyor.

Modellerin Kökenleri ve Teknik Ayrıntılar#

Yapısal farklılıklarını karşılaştırmadan önce her iki modelin kökenlerini ve temelindeki araştırmaları anlamak önemlidir.

YOLOX Ayrıntıları:

YOLOX hakkında daha fazla bilgi edin

EfficientDet ayrıntıları:

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, YOLO serisini çapa tabanlı algılayıcıdan çapasız bir tasarıma taşıdı. Bu geçiş, tasarım parametrelerinin sayısını önemli ölçüde azalttı ve eğitim işlem hattını basitleştirdi.

Temel mimari özelliklerinden biri, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık başlıktır. Bu, bir nesnenin ne olduğunu belirleme ile tam olarak nerede olduğunu tahmin etme arasındaki çelişkiyi giderir. Ayrıca YOLOX, eğitim sırasında pozitif örnekleri gerçek değer nesnelere dinamik olarak atayan SimOTA gibi gelişmiş etiket atama stratejilerinden yararlanır; bu da daha hızlı yakınsama ve hız-doğruluk dengesinin iyileşmesini sağlar.

EfficientDet: Bileşik Ölçekleme ve BiFPN#

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

Ayırt edici özelliği, çift yönlü Özellik Piramidi Ağıdır (BiFPN). Geleneksel FPN'lerden farklı olarak BiFPN, farklı girdi özelliklerinin önemini öğrenmek üzere öğrenilebilir ağırlıklar ekleyerek çok ölçekli özelliklerin kolay ve hızlı biçimde birleştirilmesini sağlar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini eşit biçimde ölçeklendiren bileşik ölçeklendirme yöntemiyle birleştiğinde EfficientDet, mobil boyutlu modellerden (d0) büyük sunucu tarafı modellere (d7) kadar ölçeklenebilir.

Mimari Karmaşıklık

EfficientDet'in bileşik ölçeklemesi daha yüksek doğruluğa giden öngörülebilir bir yol sunsa da YOLOX'in yalın ve çapasız tasarımına kıyasla gerçek zamanlı uç bilişim için optimize edilmesi zor olabilen karmaşık hesaplama grafikleri oluşturur.

Performans ve Ölçüt Analizi#

Bu modelleri gerçek dünyadaki bilgisayarlı görü uygulamaları için değerlendirirken ortalama Ortalama Hassasiyet, çıkarım hızı ve parametre sayısı gibi ölçütler temel önem taşır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

Ödünleşimlerin Analizi#

Veriler, tasarım felsefelerindeki belirgin ayrımı gösteriyor. EfficientDet-d7, 53,7% mAP ile genel olarak en yüksek doğruluğu elde ediyor; ancak çıkarım hızı bunun bedelini ağır biçimde ödüyor (T4 GPU'da 128,07 ms). Buna karşılık YOLOXx, 16,1 ms'de rekabetçi bir 51,1% mAP elde ederek gerçek zamanlı video anlama ve robotik için çok daha uygun hâle geliyor.

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 referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı 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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Modern Alternatif: Ultralytics YOLO26#

YOLOX ve EfficientDet önemli dönüm noktaları olsa da makine öğrenimi alanı hızla gelişti. Bugün görsel sistemler dağıtan geliştiriciler için önerilen seçenek, Ocak 2026'da yayımlanan en yeni Ultralytics modeli YOLO26'dır.

YOLO26, eski mimarilere kıyasla bakımı iyi yapılan bir ekosistem ve hız ile kullanım kolaylığında önemli kazanımlar sunar:

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), NMS son işlemesine olan ihtiyacı ortadan kaldırır. YOLO modellerine YOLOv10 tarafından kazandırılan bu yerel uçtan uca yaklaşım, dışa aktarma sürecini basitleştirir ve dağıtım gecikmesini azaltır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: NMS ve Distribution Focal Loss (DFL) kaldırıldığı için YOLO26n, ayrık GPU'ları olmayan uç cihazlar için uygun biçimde CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • MuSGD Optimizer: YOLO26, Büyük Dil Modeli (LLM) yeniliklerini görsel yapay zekâya taşıyarak kararlı eğitim ve hızlı yakınsama için MuSGD optimizer'ını (SGD ile Muon melezi) kullanır ve eğitim verimliliğini artırır.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), drone operasyonları ve hava görüntüsü analizi gibi kullanım alanları için kritik olan küçük nesne algılamayı iyileştirir.
  • Çok Yönlülük: Yalnızca nesne algılayan YOLOX'in aksine YOLO26; örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama dâhil çok sayıda görevi yerel olarak destekler.

Ultralytics API ile Kullanım Kolaylığı#

Ultralytics modellerinin en önemli avantajlarından biri, akıcı kullanıcı deneyimidir. YOLO26 modelini eğitmek ve dağıtmak, karmaşık Transformer modellerine kıyasla daha az bellek gerektirir ve yalnızca birkaç satır Python koduyla yapılabilir:

from ultralytics import YOLO

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

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

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

Görsel arayüzleri tercih eden kullanıcılara Ultralytics Platform, veri kümesi etiketleme, bulutta eğitim ve dağıtım araçları sunar.

Gerçek Dünya Kullanım Senaryoları#

Doğru mimariyi seçmek, dağıtım kısıtlarına büyük ölçüde bağlıdır.

EfficientDet'i Ne Zaman Tercih Etmeli?#

EfficientDet, yüksek çözünürlüklü görüntülerde doğruluğun çıkarım hızından daha önemli olduğu ortamlarda akademik ilgi görmeye devam ediyor. TensorFlow ekosistemindeki uygulaması, eski Google altyapılarının bakımını yapan ekiplere de hitap edebilir.

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.

Neden YOLO26'yı Seçmelisin#

Çoğu modern uygulama için YOLO26 en uygun seçenektir. NMS'siz tasarımı öngörülebilir gecikme sağlar ve otonom sürüş, hızlı tepki veren güvenlik alarm sistemleri ve akıllı şehir dağıtımları için güçlü bir aday oluşturur. Ultralytics'in etkin topluluk desteği ve sık güncellemeleri, geliştiricilerin kullanımdan kaldırılmış bağımlılıklardan kaçınmasına da yardımcı olur.

Gelişmiş bilgisayarlı görü alanını araştıran geliştiriciler, mevcut ve iyi test edilmiş dağıtımlar için YOLO11 veya istem tabanlı segmentasyon görevleri için FastSAM gibi özel modeller dâhil, Ultralytics ekosistemindeki diğer mimarilere de göz atabilir.

Katkıda Bulunanlar

Yorumlar

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