PP-YOLOE+ ve RTDETRv2#

Bilgisayarlı görü alanı, son yıllarda özellikle gerçek zamanlı nesne tespiti alanında büyük bir evrim geçirdi. Dağıtımın için doğru mimariyi seçmek, yavaş ve bellek tüketen bir uygulama ile son derece optimize edilmiş ve duyarlı bir sistem arasındaki farkı belirleyebilir. Bu teknik karşılaştırmada Baidu'nun iki önde gelen modelini inceliyoruz: CNN tabanlı PP-YOLOE+ ve transformer tabanlı RTDETRv2. En son teknoloji ürünü Ultralytics YOLO26 platformuyla nasıl karşılaştırıldıklarını incelerken, mimarilerini, performans metriklerini ve ideal kullanım senaryolarını analiz edeceğiz.

PP-YOLOE+: CNN Paradigmasını İlerletmek#

Öncüllerinin bir iterasyonu olarak geliştirilen PP-YOLOE+, geleneksel Evrişimli Sinir Ağlarının (CNN'ler) nesne tespitinde başarabileceklerinin sınırlarını zorluyor. YOLO serisinin temel mekanizmaları üzerine inşa edilen ve PaddlePaddle ekosistemi için özel optimizasyonlar sunan, oldukça yetenekli, çapasız (anchor-free) bir dedektördür.

Model Detayları:

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddleDetection Repository
• Belgeler: PP-YOLOE+ Documentation

Mimari ve Metodolojiler#

PP-YOLOE+, çok ölçekli özellikleri etkili bir şekilde birleştirmek için büyük ölçüde optimize edilmiş bir omurgaya (backbone) ve özelleştirilmiş bir özellik piramidi ağına dayanır. Genellikle çapa kutusu (anchor box) oluşturma için gereken sezgisel ayar sürecini basitleştiren çapasız bir tasarım kullanır. Ayrıca eğitim metodolojisi, öğrenme aşamasında tahminleri yerel gerçeklik (ground truth) kutularıyla daha iyi eşleştirmek için gelişmiş etiket atama stratejileri içerir.

Güçlü Yönler ve Kullanım Durumları#

PP-YOLOE+'nın ana gücü, standart sunucu donanımındaki güçlü performansında ve Baidu'nun araçlarıyla olan derin entegrasyonunda yatar. Donanım kısıtlamalarının aşırı derecede katı olmadığı üretim ortamlarındaki statik defect detection gibi geleneksel endüstriyel iş akışları için oldukça uygundur.

PP-YOLOE+ hakkında daha fazla bilgi edin

RTDETRv2: Gerçek Zamanlı Algılama Transformer'ları#

Saf CNN'lerden uzaklaşan RTDETRv2 (Gerçek Zamanlı Tespit Transformer'ı sürüm 2), bilgisayarlı görü görevleri için dikkat tabanlı mekanizmalara doğru bir sıçramayı temsil eder. Transformer'ların küresel bağlam anlayışını gerçek dünya uygulamaları için gereken düşük gecikme süresiyle birleştirmeye çalışır.

Model Detayları:

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Kuruluş: Baidu
• Tarih: 24-07-2024
• Arxiv: 2407.17140
• GitHub: RT-DETRv2 Repository
• Docs: RTDETRv2 README

Mimari ve Metodolojiler#

RTDETRv2, özellik çıkarımı için bir CNN omurgasını, optimize edilmiş bir transformer kodlayıcı-kod çözücü ile birleştiren hibrit bir mimariden yararlanır. RTDETRv2'nin belirleyici bir özelliği, geleneksel NMS (Non-Maximum Suppression) sonrası işlemeyi atlayan yerel uçtan uca tasarımıdır. Ayrıca, uzak nesneler arasındaki mekansal ilişkileri anlamak için öz-dikkat (self-attention) kullanarak çok ölçekli tespit ve karmaşık sahne yönetimi gibi özellikler sunar.

Güçlü Yönler ve Kullanım Durumları#

Transformer mimarisi, RTDETRv2'yi küresel bağlamı anlamanın çok önemli olduğu senaryolarda son derece etkili kılar. Bununla birlikte, transformer modelleri genellikle hafif CNN'lere kıyasla hem eğitim hem de çıkarım sırasında önemli ölçüde daha yüksek CUDA belleği gerektirir. Güçlü GPU sunucularında çalışan bulut tabanlı video analytics gibi kısıtlanmamış donanıma sahip ortamlarda en iyi şekilde çalışır.

RTDETR hakkında daha fazla bilgi edinin

Performans ve Metrik Karşılaştırması#

Bu modelleri değerlendirirken, ortalama Hassasiyet (mAP) ile hesaplama maliyeti (FLOP'lar ve çıkarım gecikmesi cinsinden ölçülen) arasındaki denge çok önemlidir. Aşağıdaki tablo, hem PP-YOLOE+ hem de RTDETRv2'nin çeşitli ölçekleri için temel metrikleri özetlemektedir.

RTDETRv2, daha yüksek parametre sayısı ve FLOP maliyetiyle güçlü bir mAP gösterse de, kısıtlı uç cihazlarda (edge devices) dağıtım yapmak isteyen geliştiriciler, transformer katmanlarının tipik olan ağır bellek gereksinimleri nedeniyle darboğazlarla karşılaşırlar.

Kullanım Durumları ve Öneriler#

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

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
• Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

RT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için önerilir:

• Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
• Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
• Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: YOLO26 ile Tanışın#

PP-YOLOE+ ve RTDETRv2 önemli dönüm noktalarını temsil ederken, modern geliştirici aşırı performans ile kolaylaştırılmış kullanılabilirliği mükemmel şekilde dengeleyen bir ekosisteme ihtiyaç duyar. Ultralytics Platform ve çığır açan YOLO26 modeli tam olarak bunu sunar.

Ocak 2026'da piyasaya sürülen YOLO26, uç (edge) öncelikli görüntüleme yapay zekası için yeni standardı belirliyor. Eski mimarilerle ilişkili dağıtım engellerini zarif bir şekilde çözerken, hız ve doğruluk açısından onları geride bırakıyor.

Mimari Yenilikler#

YOLO26, geleneksel CNN'leri ve ağır transformer'ları geride bırakan çeşitli öncü geliştirmeler sunar:

• Uçtan Uca NMS İçermeyen Tasarım: RTDETRv2 gibi YOLO26 da yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlem aşamasını ortadan kaldırarak, gerçek zamanlı robotics ve otonom sistemler için ideal olan, azaltılmış gecikme dalgalanmasıyla daha hızlı ve daha basit dağıtım sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Derin mimari optimizasyonlar sayesinde YOLO26, harici GPU'ları olmayan uç cihazlarda rakip modelleri önemli ölçüde geride bırakarak IoT ve smart city uygulamaları için bir numaralı tercih haline geliyor.
• MuSGD Optimize Edici: LLM eğitim yeniliklerinden esinlenen YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, daha kararlı eğitim yörüngeleri ve önemli ölçüde daha hızlı yakınsama sağlayarak GPU eğitim saatlerini ciddi oranda azaltır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, PP-YOLOE+ gibi modellerin geçmişte zorlandığı bir alan olan küçük nesne tanımada dikkate değer iyileştirmeler sağlayarak aerial imagery ve drone uygulamaları için kritik olduğunu kanıtlar.
• DFL Kaldırma: Distribution Focal Loss'un kaldırılması, dışa aktarma sürecini basitleştirerek çeşitli uç ve düşük güçlü cihazlarda sorunsuz uyumluluk sağlar.

YOLO26 hakkında daha fazla bilgi edin

Benzersiz Kullanım Kolaylığı#

RTDETRv2 gibi karmaşık mimarileri benimsemenin en büyük dezavantajlarından biri, dik öğrenme eğrisi ve kopuk entegrasyon süreçleridir. Ultralytics ekosistemi, bu karmaşıklıkları sezgisel bir Python API ve kapsamlı web tabanlı platform aracılığıyla tamamen soyutlar.

İster training custom datasets yapıyor olun ister hızlı bir çıkarım çalıştırın, süreç sorunsuzdur:

from ultralytics import RTDETR, YOLO

# Initialize the state-of-the-art YOLO26 model
model_yolo = YOLO("yolo26n.pt")

# Alternatively, initialize an RT-DETR model via the same simple API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Run real-time inference effortlessly
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()

# Export for edge deployment in one line
model_yolo.export(format="engine", quantize=16)

Ultralytics YOLO modellerine özgü daha düşük bellek gereksinimleri, transformer tabanlı muadillerine kıyasla daha hızlı eğitebileceğin ve daha ucuz donanımlarda dağıtabileceğin anlamına gelir. Ayrıca, aktif geliştirme ve dünya standartlarındaki belgeler, üretim hatlarının kararlı kalmasını sağlar.

Alternatifleri araştıran ekipler için YOLO11, ekosistem içinde yüksek düzeyde desteklenen ve son derece yetenekli bir öncül olmaya devam ederek eski donanım entegrasyonları için mükemmel bir temel sağlar. Ayrıca YOLO11 vs RTDETR hakkındaki karşılaştırmamızı okumayı da faydalı bulabilirsin.

Özet#

PP-YOLOE+ ve RTDETRv2, bilgisayarlı görünün evrimine önemli katkılarda bulunarak sırasıyla gelişmiş CNN boru hatlarının ve gerçek zamanlı transformer'ların uygulanabilirliğini kanıtlamıştır. Bununla birlikte, 2026'da sağlam, çok yönlü ve yüksek düzeyde optimize edilmiş bilgisayarlı görü uygulamaları dağıtmak isteyen kuruluşlar için Ultralytics YOLO26 rakipsiz bir çözüm sunar. Yerel olarak NMS'siz mimarisi, önemli ölçüde daha hızlı CPU çıkarımı ve akıcı ekosistemi, geliştiricilerin fikirden ölçeklenebilir üretime her zamankinden daha hızlı geçmelerini sağlar.