YOLOX ve EfficientDet#

Nesne tespiti alanının gelişimi; hız, doğruluk ve hesaplama verimliliği arasında denge kurma yönündeki sürekli arayışla şekillenmiştir. Bu süreci önemli ölçüde etkileyen iki öncü model YOLOX ve EfficientDet'tir. YOLOX, YOLO ailesine son derece optimize edilmiş, anchor-free bir tasarım kazandırırken EfficientDet, bileşik ölçeklendirme ve BiFPN kullanan ölçeklenebilir bir mimariye odaklanmıştır. Bu kılavuzda, mimarileri, performans metrikleri ve eğitim yöntemleri ayrıntılı olarak karşılaştırılırken son teknoloji Ultralytics YOLO26 modeli gibi modern alternatifler de tanıtılmaktadır.

Model Kökenleri ve Teknik Ayrıntılar#

Yapısal farklılıklarına geçmeden önce, her iki modelin kökenlerini ve ardındaki temel 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 Resmi 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 Tespiti
• 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. Bu nesne tespiti mimarilerini anlamak, dağıtım ortamın için doğru modeli seçmek açısından kritik öneme sahiptir.

YOLOX: Anchor-Free Yenilikçisi#

YOLOX, bir anchor tabanlı algılayıcıdan anchor-free tasarıma geçerek YOLO serisinde devrim yarattı. Bu geçiş, tasarım parametrelerinin sayısını büyük ölçüde azalttı ve eğitim işlem hattını sadeleştirdi.

Temel mimari özellikler arasında sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlık bulunur. Bu, bir nesnenin ne olduğunu belirleme ile tam olarak nerede olduğunu tahmin etme arasındaki çatışmayı giderir. Ayrıca YOLOX, eğitim sırasında pozitif örnekleri gerçek nesnelere dinamik olarak atayan SimOTA gibi gelişmiş etiket atama stratejilerinden yararlanır; bu da daha hızlı yakınsama ve daha üstün bir performans dengesi sağlar.

EfficientDet: Birleşik Ölçekleme ve BiFPN#

EfficientDet, nesne tespitine verimlilik ve ölçeklenebilirlik perspektifinden yaklaşır. Google tarafından geliştirilen bu 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 üzere öğrenilebilir ağırlıklar ekleyerek çok ölçekli özelliklerin kolay ve hızlı bir şekilde birleştirilmesini sağlar. Tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini eşit biçimde ölçeklendiren bileşik ölçeklendirme yöntemiyle bir araya geldiğinde EfficientDet, mobil boyutlu modellerden (d0) devasa sunucu tarafı modellere (d7) kadar ölçeklenebilir.

Performans ve Ölçüm Analizi#

Bu modelleri gerçek dünyadaki bilgisayarlı görü uygulamaları için değerlendirirken ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı gibi metrikler büyük önem taşır.

Ödünleşimlerin Analizi#

Veriler, tasarım felsefesinde belirgin bir ayrışma olduğunu gösteriyor. EfficientDet-d7, etkileyici %53,7 mAP değeriyle en yüksek genel doğruluğa ulaşıyor; ancak bunun bedeli, çıkarım hızında büyük bir düşüş oluyor (T4 GPU'da 128,07 ms). Buna karşılık YOLOXx, %51,1 mAP değerini korurken 16,1 ms'lik hızlı çıkarım hızı sunuyor; bu da onu gerçek zamanlı video anlama ve robotik için çok daha üstün kılıyor.

Kullanım Alanları ve Öneriler#

YOLOX ile EfficientDet arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

EfficientDet Ne Zaman Seçilmeli?#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
• Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

Modern Alternatif: Ultralytics YOLO26#

YOLOX ve EfficientDet önemli kilometre taşlarını temsil etmiş olsa da makine öğrenimi alanı hızla ilerledi. Günümüzde son teknoloji görü sistemleri dağıtmak isteyen geliştiriciler için şiddetle 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 kolaylığı alanlarında büyük bir ilerleme sağlayarak eski mimarileri birçok önemli yönden geride bırakır:

YOLO26'nın Temel Yenilikleri#

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme gereksinimini ortadan kaldırır. Önceki nesillerde öncülüğü yapılan bu doğal uçtan uca yaklaşım, dışa aktarma sürecini sadeleştirir ve dağıtım gecikmesini büyük ölçüde azaltır.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Derin mimari optimizasyonlar ve Dağılımsal Odak Kayıbı'nın (DFL) kaldırılması sayesinde YOLO26, ayrık GPU'lara sahip olmayan uç cihazlarda son derece hızlıdır ve ağır EfficientDet varyantlarını açık ara geride bırakır.
• MuSGD Optimize Edicisi: YOLO26, görü alanına Büyük Dil Modeli (LLM) yeniliklerini taşıyarak son derece kararlı eğitim ve hızlı yakınsama için MuSGD optimize edicisini (SGD ve Muon'un hibriti) kullanır; bunun sonucunda mükemmel eğitim verimliliği elde edilir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve hava görüntüsü analizi gibi kullanım alanları için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Eşsiz Çok Yönlülük: Yalnızca nesne algılayıcı olan YOLOX'in aksine YOLO26; örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespiti dahil çok çeşitli görevleri yerel olarak destekler.

Ultralytics API ile Kullanım Kolaylığı#

Ultralytics modellerinin en önemli avantajlarından biri sadeleştirilmiş kullanıcı deneyimidir. Bir YOLO26 modelini eğitmek ve dağıtmak, karmaşık Transformer modellerine kıyasla çok daha düşük bellek gereksinimleri gerektirir ve yalnızca birkaç satır Python kodu içerir:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for blazing-fast inference
model.export(format="engine", dynamic=True)

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

Gerçek Dünya Kullanım Örnekleri#

Doğru mimariyi seçmek büyük ölçüde özel dağıtım kısıtlarına bağlıdır.

EfficientDet Ne Zaman Değerlendirilmeli?#

EfficientDet, çıkarım hızının tamamen önemsiz olduğu ve yüksek çözünürlüklü görüntülerde mümkün olan en yüksek teorik doğruluğun tek hedef olduğu ortamlar için akademik açıdan ilgi görmeye devam ediyor. TensorFlow ekosistemi içindeki uygulaması, eski Google altyapılarını sürdüren ekipler için de cazip olabilir.

YOLOX Ne Zaman Değerlendirilmeli?#

YOLOX, anchor kutularının karmaşıklığı olmadan hız ve doğruluk arasında denge gerektiren uygulamalar için uygundur. Geçmişte, konveyör bantlarında hızlı kusur tespitinin gerekli olduğu endüstriyel üretim senaryolarında başarılı olmuştur.

YOLO26 Neden Üstün Seçenek?#

Neredeyse tüm modern uygulamalar için YOLO26 en iyi çözümü sunar. NMS'siz tasarımı deterministik gecikme sağlar; bu da onu otonom sürüş, hızlı güvenlik alarm sistemleri ve akıllı şehir uygulamaları için ideal bir aday hâline getirir. Ayrıca Ultralytics'in güçlü topluluk desteği ve sık güncellemeleri, geliştiricilerin kullanımdan kaldırılmış bağımlılıklarla uğraşmak zorunda kalmamasını sağlar.

Gelişmiş bilgisayarlı görü üzerinde çalışan geliştiriciler, kararlı eski sistem dağıtımları için YOLO11 veya istem tabanlı bölütleme görevleri için FastSAM gibi özel modeller dahil olmak üzere Ultralytics ekosistemindeki diğer çok yönlü mimarileri de incelemelidir. Ultralytics araçlarının eksiksiz paketinden yararlanmak, geleceğe hazır ve yüksek düzeyde optimize edilmiş bir görü yapay zekâ işlem hattını güvence altına alır.