PP-YOLOE+ ve YOLO11
Bilgisayarlı görü, daha hızlı, doğru ve verimli modellere duyulan ihtiyaçla gelişmeye devam ediyor. Nesne algılama görevleri üzerinde çalışan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek kritik önemdedir. Bu karşılaştırmada öne çıkan iki model inceleniyor: PP-YOLOE+ ve Ultralytics YOLO11.
Bu kılavuz, mimarilerini, performans ölçütlerini ve en uygun kullanım senaryolarını karşılaştırarak bir sonraki makine öğrenimi dağıtımın için bilinçli bir karar vermene yardımcı olur.
Model Kökenleri ve Teknik İncelemeler#
Her iki model de titiz araştırma ve kapsamlı mühendislik çalışmalarına dayanır; ancak tamamen farklı ekosistemlerden gelir. Her modelin temel özellikleri şöyle:
PP-YOLOE+ Genel Bakış#
Baidu araştırmacıları tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosisteminde gerçek zamanlı algılamayı iyileştirmek amacıyla tasarlanmış, önceki PP-YOLOE modelinin bir sürümüdür.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection Deposu
- Belgeler: PP-YOLOE+ Belgeleri
PP-YOLOE+ hakkında daha fazla bilgi edin
YOLO11 Genel Bakış#
Ultralytics tarafından geliştirilen YOLO11, kullanılabilirlik ve doğruluk açısından önemli bir ilerlemedir. Başarılı mimarilerden oluşan bir seriyi temel alarak sorunsuz geliştirici deneyimi ve çok görevli esneklik için optimize edilmiştir.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: Ultralytics GitHub Deposu
- Belgeler: YOLO11 Resmî Belgeleri
Ultralytics YOLO11, nesne algılamanın yanı sıra Örnek Segmentasyonu, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı da aynı API ile, kutudan çıktığı hâliyle destekler.
Mimari ve Performans Karşılaştırması#
Bu iki algılayıcıyı karşılaştırırken ham sayıların ötesine geçmek ve mimari tercihlerinin gerçek dünyadaki model dağıtımını nasıl etkilediğini anlamak önemlidir.
PP-YOLOE+ Mimarisi#
PP-YOLOE+, PaddlePaddle çerçevesine büyük ölçüde bağımlıdır. CSPRepResNet omurgası ve değiştirilmiş bir Yol Birleştirme Ağı (PAN) ile bağlantısız bir tasarım kullanır. "+" sürümü, geniş ölçekli veri kümesi üzerinde ön eğitim (Objects365 gibi) ve geliştirilmiş bir TaskAlignedAssigner ekleyerek önceki modelini iyileştirmiştir. Yüksek ortalama Kesinlik Ortalaması (mAP) değerine ulaşsa da PaddlePaddle'a sıkı bağımlılığı, PyTorch veya TensorFlow ortamlarına alışkın ekipler için zorluk yaratabilir.
YOLO11 Mimarisi#
Ultralytics YOLO11, modern derin öğrenme için sektör standardı olan PyTorch üzerine doğal olarak kurulmuştur. Mimari, Performans Dengesine güçlü biçimde odaklanır ve farklı gerçek dünya dağıtım senaryolarına uygun, hız ile doğruluk arasında elverişli bir denge sağlar. YOLO11, gradyan akışını iyileştiren optimize edilmiş bir C3k2 modülüne ve sınıflandırma ile regresyon görevlerini ayrı ayrı verimli biçimde yürüten ayrık bir başlığa sahiptir. YOLO11 ayrıca daha düşük bellek gereksinimleri için tasarlanmıştır; eğitim ve çıkarım sırasında RT-DETR gibi karmaşık Transformer modellerine kıyasla çok daha az bellek kullanır.
Performans Ölçütleri Tablosu#
Aşağıdaki tabloda farklı model ölçeklerindeki performans farkları öne çıkarılıyor. YOLO11'in genellikle benzer veya daha iyi mAP elde ederken parametre ve FLOP sayısını önemli ölçüde azalttığına dikkat et.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile YOLO11 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına 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.
YOLO11'i Ne Zaman Seçmeli#
YOLO11 şu durumlar için önerilir:
- Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.
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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
- 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 Avantajı#
Akademik kıyaslamalar önemli olsa da bir yapay zekâ projesinin uzun vadeli başarısı büyük ölçüde modeli çevreleyen ekosisteme bağlıdır. Ultralytics Platformu, geliştiricilere ve kuruluşlara belirgin avantajlar sunar.
- Kullanım Kolaylığı: Ultralytics, derin öğrenmenin karmaşıklığını soyutlar. Kolaylaştırılmış kullanıcı deneyimi ve basit Python API'si, geliştiricilerin yalnızca birkaç satır kodla özel modeller eğitmesine olanak tanır. Bu, PP-YOLOE+ için sıklıkla gereken karmaşık yapılandırma dosyalarından farklıdır.
- Bakımı İyi Yapılan Ekosistem: Yalnızca araştırmaya yönelik pek çok kod deposunun aksine, Ultralytics ekosistemi etkin biçimde geliştiriliyor. Güçlü topluluk desteği, sık güncellemeler ve Weights & Biases ile Comet gibi araçlarla kapsamlı entegrasyonlar sunuyor.
- Çok Yönlülük: YOLO11, çeşitli bilgisayarlı görü görevleri için tek ve birleşik bir çerçeve sunarak sınıflandırma, segmentasyon veya sınırlayıcı kutu algılama için farklı kütüphaneler öğrenme gereksinimini ortadan kaldırır.
- Eğitim Verimliliği: YOLO modellerinin verimli eğitim süreçleri hem zamandan hem de hesaplama maliyetlerinden tasarruf sağlar. COCO veri kümesinde önceden eğitilmiş ağırlıklardan yararlanan modeller, tüketici sınıfı donanımlarda bile hızla yakınsar.
Eğitim Kodu Karşılaştırması#
Kullanım kolaylığını göstermek için bir YOLO11 modelini nasıl eğiteceğini aşağıda görebilirsin. Paket, veri artırma, günlük kaydı ve donanım yönetimini otomatik olarak gerçekleştirir:
from ultralytics import YOLO
# Önceden eğitilmiş küçük bir YOLO11 modelini yükle
model = YOLO("yolo11s.pt")
# Modeli özel veri kümen üzerinde 100 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Herkese açık bir görüntüde hızlı bir çıkarım testi çalıştır
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()PaddleDetection'da eşdeğer bir işlem hattı kurmak, karmaşık YAML yapılandırmalarında elle gezinmeyi ve uzun komut satırı ifadeleri çalıştırmayı gerektirir; bu da çevik geliştirme döngülerini yavaşlatabilir.
İleriye Bakış: YOLO26'nın Gelişi#
YOLO11 güçlü bir araç olmaya devam etse de yapay zekâ alanı hızla ilerliyor. Ocak 2026'da yayımlanan YOLO26, Ultralytics serisinin en yeni modelidir ve tüm yeni projeler için önerilir.
YOLO26 birçok yenilik sunar:
- Uçtan Uca, NMS Gerektirmeyen Tasarım: İlk olarak YOLOv10 ile sunulan kavramlardan yararlanan YOLO26, doğal bir uçtan uca başlık (
nms=False) sunar ve maksimum olmayan bastırma (NMS) son işlemini tamamen ortadan kaldırır. Bu, dağıtımı basitleştirir ve gecikme değişkenliğini önemli ölçüde azaltır. - CPU'da %43'e Varan Hızlı Çıkarım: Distribution Focal Loss'un (DFL) kaldırılması modeli hafifletir; YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çalışır ve böylece uç bilişim ile düşük güçlü IoT cihazları için güçlü bir seçenek olur.
- MuSGD Optimizer: YOLO26, LLM eğitimindeki yenilikleri bilgisayarlı görüye taşır. MuSGD optimizer'ı (SGD ile Muon'un hibriti) kullanarak son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Progressive Loss ve küçük hedeflere duyarlı etiket ataması, drone görüntüleri ve hava gözetimi için kritik olan küçük nesneleri tanıma performansında kayda değer iyileşmeler sağlar.
Sonuç ve Gerçek Dünya Uygulamaları#
PP-YOLOE+ ile YOLO11 (veya daha yeni YOLO26) arasında karar verirken seçimin, dağıtım ekosistemine bağlıdır.
PP-YOLOE+, donanım ve yazılımı Baidu teknoloji yığınına ve PaddlePaddle kütüphanesine entegre edilmiş endüstriyel ortamlar için uygundur. En yüksek mAP değerinin öncelikli olduğu sabit görüntü analizinde iyi performans gösterir.
Buna karşılık YOLO11 ve YOLO26, daha çok yönlü ve geliştirici dostu bir yaklaşım sunar. Daha az parametreye sahip olmaları ve yüksek hızları, bu modelleri aşağıdakiler için uygun kılar:
- Akıllı Perakende: Otomatik ödeme ve stok yönetimi için gerçek zamanlı video akışlarını işleme.
- Otonom Robotik: Kaynakları kısıtlı gömülü cihazlarda yüksek hızlı engelden kaçınmayı sağlama.
- Güvenlik ve Gözetim: Tek ve son derece verimli çıkarım geçişlerinde izleme ve poz tahmini gibi çok görevli analizler sunma.
Güvenilirlik, kapsamlı topluluk desteği ve ONNX ile TensorRT gibi biçimlere yönelik kolay dağıtım işlem hatları arayan modern yapay zekâ mühendisleri için önerilen seçenek Ultralytics ekosistemi olmaya devam ediyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.