YOLO26 ve PP-YOLOE+: Yeni Nesil Verimlilikle Nesne Algılamayı İleriye Taşımak

Doğru nesne algılama mimarisini seçmek, bilgisayar görme uygulamaları geliştiren geliştiriciler için kritik bir karardır. Bu kılavuz , iki etkili model olan Ultralytics ve PP-YOLOE+ arasında ayrıntılı bir teknik karşılaştırma sunar . Her iki model de gerçek zamanlı algılamanın evriminde önemli kilometre taşları olsa da, farklı mühendislik felsefelerine ve dağıtım ortamlarına hitap ederler.

2026 yılının Ocak ayında piyasaya sürülen Ultralytics , CPU ve kullanım kolaylığı için optimize edilmiş, yerel uçtan uca NMS bir mimari sunar. Buna karşılık, PaddlePaddle tarafından geliştirilen PP-YOLOE+, Baidu ekosisteminde bağlantısız algılamayı iyileştirmeye odaklanır. Bu analiz, projeleriniz için en uygun aracı seçmenize yardımcı olmak amacıyla, bu araçların mimarilerini, performans ölçütlerini ve ideal kullanım örneklerini ayrıntılı olarak inceler.

Özet: Temel Farklılıklar

Ultralytics : Kenar Öncelikli Devrim

Ultralytics , YOLO bir paradigma değişikliğini temsil ediyor. Non-Maximum Suppression (NMS) ve Distribution Focal Loss (DFL) özelliklerini ortadan kaldırarak, YOLO26 doğal olarak uçtan uca olan, basitleştirilmiş bir dağıtım boru hattı elde ediyor. Bu tasarım seçimi, gecikme değişkenliğini önemli ölçüde azaltarak, öngörülebilir yürütme süresinin çok önemli olduğu uç AI uygulamaları için özellikle etkili hale getiriyor.

Temel Mimari Yenilikler

YOLO26'nın mimarisi, verimlilik ve eğitim istikrarına odaklanmasıyla tanımlanır:

1. Uçtan Uca NMS: Binlerce aday kutu çıkışı yapan ve yoğun son işlem gerektiren geleneksel dedektörlerin aksine, YOLO26 nihai nesne kümesini doğrudan tahmin eder. İlk kez YOLOv10'de ilk kez gerçekleştirilen bu çığır açan gelişme, ONNX TensorRT gibi formatlara dışa aktarma sürecini basitleştirir.
2. MuSGD Optimizer: Moonshot AI'nın Kimi K2'sinden LLM eğitimi yeniliklerinden esinlenen YOLO26, bir hibrit kullanır. SGD ve Muon'un bir karışımını kullanır. Bu, daha küçük parti boyutlarında bile daha hızlı yakınsama ve daha kararlı eğitim çalıştırmaları sağlar.
3. ProgLoss + STAL: Progressive Loss (ProgLoss) ve Soft-Target Anchor Loss (STAL) teknolojilerinin kullanıma sunulması, küçük nesnelerin tanınmasında önemli gelişmeler sağlamıştır. Bu, zararlı böceklerin veya uzaktaki mahsullerin tespitinde yüksek doğruluk gerektiren tarım gibi sektörler için çok önemlidir.

YOLO26 hakkında daha fazla bilgi edinin

PP-YOLOE+: PaddlePaddle

PP-YOLOE+, PaddlePaddle dayanan PP-YOLOv2'nin geliştirilmiş halidir. Anchor kutuları ile ilişkili hiperparametre ayarlamasını önlemek için anchor-free felsefesini kullanır. Hız ve doğruluğu dengelemek için güçlü bir backbone CSPRepResNet) ve verimli bir başlık (ET-head) entegre eder, özellikle PaddleLite tarafından desteklenen donanımlarda.

Temel Özellikler

• CSPRepResNet Backbone: Etkili alıcı alanları yakalamak için büyük çekirdek konvolüsyonları kullanır ve özellik çıkarma yeteneklerini geliştirir.
• TAL (Görev Uyumlaştırma Öğrenimi): Eğitim sırasında sınıflandırma ve yerelleştirme görevlerini uyumlaştırmak için dinamik etiket atama stratejilerini içerir.
• Paddle Ekosistem Entegrasyonu: PaddleSlim gibi niceleme araçlarıyla derinlemesine entegre edilmiştir, bu da onu Baidu yazılım yığınına zaten bağlı olan geliştiriciler için güçlü bir seçenek haline getirir.

Performans Kıyaslamaları

Aşağıdaki tablo, COCO setindeki modelleri karşılaştırmaktadır. YOLO26, özellikle mimarisi sayesinde CPU %43'e varan oranda ek yükü azaltarak üstün verimlilik sergilemektedir.

İdeal Kullanım Örnekleri ve Dağıtım

Bu modeller arasında seçim yapmak genellikle dağıtım donanımınız ve iş akışı tercihlerinize bağlıdır.

Ultralytics Ne Zaman Seçmelisiniz?

YOLO26, çok yönlülük ve hız ihtiyacı olan geliştiriciler için tasarlanmıştır. Eğitim sırasında daha az bellek kullanması, kurumsal düzeyde GPU sahip olmayanlar için de erişilebilir olmasını sağlar.

• Kenar Cihazları (Raspberry Pi, Mobil): DFL kaldırma ve NMS tasarım, YOLO26'yı CPU'lar ve NPU'lar için üstün bir seçim haline getirir. Kenar cihazlarına nasıl etkili bir şekilde dağıtım yapılacağını öğrenin.
• Gerçek Zamanlı Video Analizi: Akıllı şehir izleme için, YOLO26'nın tutarlı gecikmesi, yoğun trafik sırasında hiçbir karenin düşmemesini sağlar.
• Çok Modlu Projeler: Projeniz standart algılama ile birlikte poz tahmini veya yönlendirilmiş sınırlayıcı kutular (OBB) gerektiriyorsa, YOLO26 tüm bu görevleri tek bir kütüphanede sunar.

Ne Zaman PP-YOLOE+ Seçmeli

• PaddlePaddle : Üretim ortamınız zaten PaddleServing üzerine kurulmuşsa, PP-YOLOE+ kullanmaya devam etmek entegrasyon sorunlarını en aza indirir.
• Sunucu Taraflı GPU : PP-YOLOE+, PaddleInference TensorRT ile optimize edildiğinde, özellikle statik görüntü işleme için NVIDIA yüksek verimli senaryolarda oldukça etkili olabilir.

Eğitim Metodolojileri: Kolaylık ve Özelleştirme

Eğitim deneyimi, iki çerçeve arasında önemli ölçüde farklılık gösterir. Ultralytics , kullanım kolaylığı ve otomasyona Ultralytics , PaddlePaddle daha ayrıntılı yapılandırma yönetimi gerektirir.

Ultralytics İş Akışı

YOLO26 eğitimi, birkaç satırlık Python veya tek bir CLI basitleştirilmiştir. Çerçeve, hiperparametre evrimini ve veri kümesi kontrollerini otomatik olarak gerçekleştirir.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Train on COCO8 dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Bu basitlik, veri kümelerini yönetebileceğiniz ve eğitimi uzaktan izleyebileceğiniz Ultralytics da yansımaktadır. MuSGD optimizasyon aracı, modelinizin daha hızlı yakınsama sağlaması için arka planda çalışır ve böylece hesaplama maliyetlerinden tasarruf sağlar.

PP-YOLOE+ Eğitim İş Akışı

PP-YOLOE+ eğitimi genellikle PaddleDetection deposundaki YAML yapılandırma dosyalarının düzenlenmesini içerir. Esnek olmasına rağmen, bu yaklaşım Paddle'ın yapılandırma sisteminin özel sözdizimine aşina olmayanlar için daha zor bir öğrenme eğrisi oluşturabilir. SGD geleneksel SGD büyük ölçüde dayanır ve özel veri kümelerinde en iyi sonuçları elde etmek için öğrenme oranı programlarının manuel olarak ayarlanmasını gerektirir.

Çok Yönlülük ve Gelişmiş Görevler

En önemli fark, kullanıma hazır olarak desteklenen görevlerin kapsamıdır.

Ultralytics , gerçek bir çoklu görev öğrenicidir. Nesne algılamanın ötesinde, aşağıdakiler için özel mimariler içerir:

• Örnek Segmentasyonu: Hassas maskeler için semantik segmentasyon kaybı ve çok ölçekli proto özelliği.
• Poz Tahmini: Doğru anahtar nokta regresyonu için Artık Log-Olasılık Tahmini (RLE) kullanımı.
• OBB: Hava görüntülerinde döndürülmüş nesneleri işlemek için özel bir açı kaybı kullanma.

PP-YOLOE+ öncelikle bir nesne algılayıcıdır. PaddleDetection kütüphanesi diğer görevleri de destekler, ancak bunlar genellikle birleşik YOLO mimari yerine tamamen farklı model mimarileri (segmentasyon için Mask R-CNN gibi) kullanır ve bu da çok görevli ardışık düzenlerin dağıtımını karmaşıklaştırır.

Sonuç

YOLO26 ile PP-YOLOE+ karşılaştırmasında, çoğu modern geliştirme senaryosu için tercih açıkça ortadadır. PP-YOLOE+, mevcut Baidu/Paddle ekosistemleri için güçlü bir seçenek olmaya devam ederken, Ultralytics daha kapsamlı, verimli ve kullanıcı dostu bir çözüm sunmaktadır.

Uçtan uca NMS tasarımıyla YOLO26, son işlemdeki darboğazları ortadan kaldırarak CPU %43'e kadar hızlandırır. Sağlam Ultralytics ve segmentasyon ve poz tahmini gibi çeşitli görevleri yerine getirme yeteneği ile bir araya gelen YOLO26, 2026 yılında bilgisayar görme uygulamalarını geleceğe hazır hale getirmek isteyen geliştiriciler için önerilen seçimdir.

Diğer modelleri keşfetmek isteyenler için Ultralytics ayrıca şunları da kapsamaktadır YOLO11 ve RT-DETRmodellerini de ele almaktadır, böylece her zorluk için doğru araca sahip olmanızı sağlar.

YOLO26 Ayrıntılar: Yazar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: Ultralytics

PP-YOLOE+ Ayrıntılar: Yazar: PaddlePaddle
Kuruluş: Baidu
Tarih: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddleDetection Deposu

Yorumlar