Ultralytics YOLO27:
Get Started

PP-YOLOE+ ve RTDETRv2#

Bilgisayarlı görü alanı, özellikle gerçek zamanlı nesne algılama alanında, son yıllarda çarpıcı bir gelişim gösterdi. Dağıtımın için doğru mimariyi seçmek, yavaş ve belleği yoğun kullanan bir uygulamayla yüksek düzeyde optimize edilmiş, hızlı yanıt veren bir sistem arasındaki farkı yaratabilir. Bu teknik karşılaştırmada Baidu'nun öne çıkan iki modelini inceliyoruz: CNN tabanlı PP-YOLOE+ ve Transformer tabanlı RTDETRv2. Mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını analiz ederken, en güncel Ultralytics YOLO26 platformuyla nasıl karşılaştırıldıklarını da ele alacağız.

PP-YOLOE+: CNN Paradigmasını İleri Taşımak#

Önceki sürümlerinin üzerine geliştirilmiş bir yineleme olan PP-YOLOE+, geleneksel Evrişimli Sinir Ağlarının (CNNs) nesne algılamada neler başarabileceğinin sınırlarını zorluyor. YOLO serisinin temel mekaniklerini esas alan, ancak PaddlePaddle ekosistemine yönelik belirli optimizasyonlar sunan, son derece yetenekli ve anchor-free bir algılayıcıdır.

Model Ayrıntıları:

Mimari ve Yöntemler#

PP-YOLOE+, çok ölçekli özellikleri etkili biçimde bir araya getirmek için yoğun şekilde optimize edilmiş bir omurgaya ve özelleştirilmiş bir özellik piramidi ağına dayanır. Anchor-free tasarımı, anchor kutusu oluşturmak için genellikle gereken sezgisel ayar sürecini basitleştirir. Ayrıca eğitim metodolojisi, öğrenme aşamasında tahminleri gerçek değer kutularıyla daha iyi eşleştirmek için gelişmiş etiket atama stratejileri içerir.

Güçlü Yönleri ve Kullanım Alanları#

PP-YOLOE+'ın başlıca güçlü yönü, standart sunucu donanımındaki sağlam performansı ve Baidu araçlarıyla derin entegrasyonudur. Donanım kısıtlarının çok katı olmadığı üretim ortamlarındaki statik kusur tespiti gibi geleneksel endüstriyel iş akışları için uygundur.

PP-YOLOE+ hakkında daha fazla bilgi edin

Ekosistemle İlgili Değerlendirmeler

PP-YOLOE+ yüksek doğruluk sunsa da, yerel ekosisteminin dışında dağıtılması bazen ek dönüştürme adımları gerektirebilir; bu durum, modern Ultralytics işlem hatlarında kullanıma hazır yerel dışa aktarma biçimlerinden farklıdır.

RTDETRv2: Gerçek Zamanlı Algılama Transformer'ları#

Saf CNN'lerden uzaklaşan RTDETRv2 (Gerçek Zamanlı Algılama Transformer'ı, sürüm 2), bilgisayarlı görü görevlerinde dikkat tabanlı mekanizmalara doğru atılmış büyük bir adımı temsil eder. Transformer'ların küresel bağlamı anlama yeteneğini, gerçek dünya uygulamalarının gerektirdiği düşük gecikmeyle bir araya getirmeyi amaçlar.

Model Ayrıntıları:

Mimari ve Yöntemler#

RTDETRv2, özellik çıkarımı için bir CNN omurgasını, sadeleştirilmiş bir Transformer kodlayıcı-kod çözücüsüyle birleştiren hibrit bir mimariden yararlanır. RTDETRv2'nin belirleyici özelliklerinden biri, geleneksel Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan yerel uçtan uca tasarımıdır. Ayrıca, çok ölçekli algılama ve karmaşık sahne işleme gibi özellikler sunar; uzaktaki nesneler arasındaki uzamsal ilişkileri anlamak için öz dikkat mekanizmasını kullanır.

Güçlü Yönleri ve Kullanım Alanları#

Transformer mimarisi, RTDETRv2'yi küresel bağlamı anlamanın kritik olduğu senaryolarda son derece etkili kılar. Ancak Transformer modelleri, eğitim ve çıkarım sırasında hafif CNN'lere kıyasla genellikle önemli ölçüde daha fazla CUDA belleği gerektirir. Güçlü GPU sunucularında çalışan bulut tabanlı video analitiği gibi, donanım kısıtlarının olmadığı ortamlar için en uygunudur.

RTDETRv2 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu modelleri değerlendirirken, Ortalama Hassasiyet (mAP) ile hesaplama maliyeti (FLOP ve çıkarım gecikmesiyle ölçülür) arasındaki ödünleşim büyük önem taşır. Aşağıdaki tabloda hem PP-YOLOE+ hem de RTDETRv2'nin çeşitli ölçeklerine ait temel ölçütler özetlenmektedir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2 daha fazla parametre ve FLOP pahasına yüksek mAP değerleri sunarken, kısıtlı uç cihazlara dağıtım yapmak isteyen geliştiriciler, Transformer katmanlarının tipik olarak yüksek bellek gereksinimleri nedeniyle çoğu zaman darboğazlarla karşılaşır.

Kullanım Alanları ve Öneriler#

PP-YOLOE+ ile RT-DETR arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlar için güçlü bir seçenektir:

  • PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
  • Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
  • Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlarda önerilir:

  • Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

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.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

PP-YOLOE+ ve RTDETRv2 önemli kilometre taşlarını temsil etse de modern geliştiriciler, üstün performans ile kolay kullanımı kusursuz biçimde dengeleyen bir ekosisteme ihtiyaç duyar. Ultralytics Platformu ve çığır açan YOLO26 modeli tam da bunu sunuyor.

Ocak 2026'da yayımlanan YOLO26, önce uç cihazları hedefleyen yapay zekâ tabanlı görü için yeni standardı belirliyor. Eski mimarilerle ilişkili dağıtım engellerini ustalıkla çözerken hem hız hem de doğrulukta onları geride bırakıyor.

Mimari Yenilikler#

YOLO26, geleneksel CNN'leri ve büyük Transformer modellerini geride bırakan birçok öncü iyileştirme sunuyor:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: RTDETRv2 gibi YOLO26 da yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığıyla (nms=False) Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak daha düşük gecikme değişkenliğiyle daha hızlı ve basit bir dağıtım sunar; gerçek zamanlı robotik ve otonom sistemler için idealdir.
  • CPU'da %43'e Varan Daha Hızlı Çıkarım: YOLO26, derin mimari optimizasyonlar sayesinde ayrık GPU'su olmayan uç cihazlarda rakip modelleri önemli ölçüde geride bırakır ve IoT ile akıllı şehir uygulamaları için en iyi seçenek hâline gelir.
  • MuSGD Optimizasyon Algoritması: LLM eğitimindeki yeniliklerden ilham alan YOLO26, SGD ile Muon'un hibritini kullanır. Bu, daha kararlı eğitim süreçleri ve dikkate değer ölçüde daha hızlı yakınsama sağlar, GPU eğitim saatlerini önemli ölçüde azaltır.
  • ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, PP-YOLOE+ gibi modellerin geçmişte zorlandığı küçük nesne tanıma alanında kayda değer iyileştirmeler sağlar; bu da hava görüntüleri ve drone uygulamaları için kritik önem taşır.
  • DFL'nin Kaldırılması: Dağılım Odaklı Kayıp fonksiyonunun kaldırılması, dışa aktarma sürecini basitleştirerek çeşitli uç ve düşük güç tüketimli cihazlarla sorunsuz uyumluluk sağlar.
Göreve Özel Çok Yönlülük

YOLO26, özel amaçlı nesne algılayıcılarından farklı olarak son derece çok yönlüdür; Örnek Bölütleme, Poz Tahmini, Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Poz için RLE ve OBB için özel açı kaybı gibi amaca yönelik iyileştirmeler içerir.

Eşsiz Kullanım Kolaylığı#

RTDETRv2 gibi karmaşık mimarileri benimsemenin en büyük dezavantajlarından biri, dik öğrenme eğrisi ve kopuk entegrasyon süreçleridir. Ultralytics ekosistemi, sezgisel bir Python API'si ve kapsamlı web tabanlı platformuyla bu karmaşıklıkları tamamen ortadan kaldırır.

İster özel veri kümeleriyle eğitim yapıyor ister hızlı bir çıkarım çalıştırıyor ol, süreç sorunsuz ilerler:

from ultralytics import RTDETR, YOLO

# Son teknoloji YOLO26 modelini başlat
model_yolo = YOLO("yolo26n.pt")

# Alternatif olarak RT-DETR modelini aynı basit API üzerinden başlat
model_rtdetr = RTDETR("rtdetr-l.pt")

# Gerçek zamanlı çıkarımı zahmetsizce çalıştır
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# Uç cihaz dağıtımı için tek satırda dışa aktar
model_yolo.export(format="engine", quantize=16)

Ultralytics YOLO modellerinin tipik olarak daha düşük bellek gereksinimleri, Transformer tabanlı muadillerine kıyasla daha hızlı eğitim yapmanı ve daha ucuz donanımlara dağıtım gerçekleştirmeni sağlar. Ayrıca, aktif geliştirme ve dünya standartlarındaki belgeler üretim işlem hatlarının kararlı kalmasını sağlar.

Alternatifleri değerlendiren ekipler için YOLO11, ekosistem içinde hâlâ kapsamlı biçimde desteklenen ve son derece yetenekli bir önceki modeldir; eski donanımlarla entegrasyon için mükemmel bir temel sunar. YOLO11 ve RT-DETR karşılaştırmamızı okumayı da yararlı bulabilirsin.

Özet#

PP-YOLOE+ ve RTDETRv2, sırasıyla gelişmiş CNN işlem hatlarının ve gerçek zamanlı Transformer'ların uygulanabilirliğini göstererek bilgisayarlı görü alanının gelişimine önemli katkılarda bulundu. Ancak 2026'da sağlam, çok yönlü ve yüksek düzeyde optimize edilmiş bilgisayarlı görü uygulamaları dağıtmak isteyen kuruluşlara Ultralytics YOLO26 rakipsiz bir çözüm sunuyor. İsteğe bağlı NMS'siz çıkarımı, önemli ölçüde daha hızlı CPU çıkarımı ve sadeleştirilmiş ekosistemi sayesinde geliştiriciler fikir aşamasından ölçeklenebilir üretime her zamankinden daha hızlı geçebiliyor.

Katkıda Bulunanlar
GLglenn-jocher19PDpderrenger1ONonuralpszr1

Yorumlar