PP-YOLOE+ ve YOLO11#

Bilgisayarlı görü alanı, daha hızlı, isabetli ve verimli modellere duyulan ihtiyaçla sürekli gelişiyor. Nesne algılama görevleri üzerinde çalışan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek kritik önem taşıyor. Bu kapsamlı karşılaştırmada, öne çıkan iki modelin inceliklerini ele alacağız: PP-YOLOE+ ve Ultralytics YOLO11.

Mimarilerini, performans ölçütlerini ve ideal kullanım senaryolarını ayrıntılı biçimde inceleyen bu kılavuz, bir sonraki makine öğrenimi dağıtımın için bilinçli karar vermene yardımcı olacak gerekli bilgileri sunmayı amaçlıyor.

Model Kökenleri ve Teknik İncelemeler#

Her iki model de titiz akademik araştırmalara ve kapsamlı mühendislik çalışmalarına dayanıyor, ancak tamamen farklı ekosistemlerden geliyor. Her modelin temel özelliklerine göz atalım.

PP-YOLOE+ Genel Bakış#

Baidu araştırmacıları tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosisteminde gerçek zamanlı algılamanın sınırlarını zorlamak üzere tasarlanmış, önceki PP-YOLOE modelinin bir yinelemesidir.

• 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 oluşturulan YOLO11, kullanılabilirlik ve isabetlilik açısından önemli bir ilerlemeyi temsil eder. Son derece başarılı mimarilerden devraldığı temeli, sorunsuz bir geliştirici deneyimi ve çok görevli esneklik için optimize eder.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics GitHub Deposu
• Belgeler: YOLO11 Resmî Belgeleri

Mimari ve Performans Karşılaştırması#

Bu iki algılayıcıyı karşılaştırırken ham sayıların ötesine geçmeli ve mimari tercihlerinin gerçek dünyadaki model dağıtımını nasıl etkilediğini anlamalıyız.

PP-YOLOE+ Mimarisi#

PP-YOLOE+ büyük ölçüde PaddlePaddle çerçevesine dayanır. CSPRepResNet omurgası ve değiştirilmiş Path Aggregation Network (PAN) kullanarak güçlü, anchorsız bir yaklaşım sunar. "+" sürümü, büyük ölçekli veri kümeleriyle ön eğitim (Objects365 gibi) ve geliştirilmiş bir TaskAlignedAssigner ekleyerek önceki sürümünü iyileştirmiştir. Yüksek Ortalama Hassasiyet Ortalaması (mAP) elde etse de PaddlePaddle'a sıkı bağımlılığı, PyTorch veya TensorFlow ortamlarına alışkın ekipler için zorluk yaratabilir.

YOLO11 Mimarisi#

Ultralytics YOLO11, modern derin öğrenmenin endüstri standardı olan PyTorch üzerine yerel olarak kurulmuştur. Mimarisi, farklı gerçek dünya dağıtım senaryolarına uygun hız ve isabetlilik dengesi sunan Performans Dengesine odaklanır. YOLO11, gradyan akışını iyileştiren optimize edilmiş bir C3k2 modülüne ve sınıflandırma ile regresyon görevlerini ayrı ayrı verimli biçimde ele alan ayrıştırılmış bir başlığa sahiptir. Ayrıca YOLO11, RT-DETR gibi karmaşık transformer modellerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha az bellek kullanacak şekilde tasarlanmıştır.

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.

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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB 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: 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 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.

1. 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.
2. Bakımı İyi Yapılan Ekosistem: Yalnızca araştırma amaçlı birçok deponun aksine Ultralytics ekosistemi aktif olarak geliştirilmektedir. Güçlü topluluk desteği, sık güncellemeler ve Weights & Biases ile Comet ML gibi araçlarla kapsamlı entegrasyon sunar.
3. 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.
4. 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 son teknoloji YOLO11 modelini şu şekilde eğitebilirsin. Tüm veri artırma, günlük kaydı ve donanım düzenlemesini otomatik olarak halleder:

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 son derece güçlü bir araç olmaya devam etse de yapay zekâ alanı hızla ilerliyor. Ocak 2026'da yayımlanan YOLO26, Ultralytics serisinin en ileri noktasını temsil ediyor ve tüm yeni projeler için önerilen modeldir.

YOLO26, çığır açan çeşitli yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 ile hayata geçirilen kavramlar üzerine kurulan YOLO26, Aşırı Olmayan Bastırma (NMS) işlem sonrası adımını tamamen ortadan kaldıran yerel uçtan uca bir başlık (nms=False) sunar. Bu, dağıtımı çok daha kolay hâle getirir ve gecikme değişkenliğini önemli ölçüde azaltır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'u (DFL) stratejik biçimde kaldırarak modeli çok daha hafif hâle getirir. Bu optimizasyon, uç bilişim ve düşük güçlü IoT cihazları için onu başlıca seçenek yapar.
• 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: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve hava gözetimi için kritik bir özellik olan küçük nesne tanımada 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+, özellikle donanımın Baidu teknoloji yığını ve PaddlePaddle kütüphanesi ile derinlemesine bütünleştiği Asya'daki üretim merkezleri gibi belirli endüstriyel ortamlarda öne çıkar. En yüksek mAP'ın tek öncelik olduğu statik görüntü analizi için mükemmeldir.

YOLO11 ve YOLO26 ise çok daha çok yönlü ve geliştirici dostu bir yaklaşım sunar. Daha az parametreye sahip olmaları ve yüksek hızları onları şu alanlar için ideal 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 kolay dağıtım işlem hatları arayan modern yapay zekâ mühendisleri için Ultralytics ekosistemi tartışmasız en iyi seçenek olmaya devam ediyor.