PP-YOLOE+ ve YOLO11#

Bilgisayarlı görü alanı, daha hızlı, daha hassas ve daha verimli modellere duyulan ihtiyaç doğrultusunda sürekli gelişiyor. Nesne algılama görevleriyle uğraşan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek kritik önem taşıyor. Bu kapsamlı karşılaştırmada iki öne çıkan model arasındaki ayrıntıları inceleyeceğiz: PP-YOLOE+ ve Ultralytics YOLO11.

Bu kılavuz, mimarilerini, performans ölçümlerini ve ideal kullanım alanlarını ayrıntılı biçimde inceleyerek bir sonraki makine öğrenimi dağıtımın için bilinçli bir karar vermen adına gerekli içgörüleri sunmayı amaçlıyor.

Model Kökenleri ve Teknik Genel Bakışlar#

Her iki model de titiz akademik araştırmaların ve kapsamlı mühendislik çalışmalarının ürünü; ancak tamamen farklı ekosistemlerden geliyorlar. Şimdi her modelin temel ayrıntılarına bakalım.

PP-YOLOE+ Genel Bakış#

Baidu araştırmacıları tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi içinde gerçek zamanlı algılamanın sınırlarını genişletmek üzere tasarlanan önceki PP-YOLOE modelinin bir yinelemesidir.

• Yazarlar: PaddlePaddle Authors
• Kuruluş: 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 edinin

YOLO11 Genel Bakış#

Ultralytics tarafından oluşturulan YOLO11, kullanılabilirlik ve doğruluk açısından önemli bir ilerlemeyi temsil eder. Son derece başarılı mimarilerden oluşan bir miras üzerine inşa edilen model, sorunsuz bir 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

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 framework'üne dayanır. RepResNet omurgası ve değiştirilmiş bir Yol Toplama Ağı (PAN) kullanan güçlü, anchorsız bir paradigma sunar. "+" sürümü, büyük ölçekli veri kümesi ön eğitimi (Objects365 gibi) ve geliştirilmiş bir TaskAlignedAssigner ekleyerek önceki sürümünü iyileştirmiştir. Yüksek ortalama kesinlik (mAP) elde etse de PaddlePaddle'a sıkı bağımlılığı, PyTorch veya TensorFlow ortamlarına alışkın ekipler için ek zorluklar yaratabilir.

YOLO11 Mimarisi#

Ultralytics YOLO11, modern derin öğrenme için sektör standardı olan PyTorch üzerine yerel olarak inşa edilmiştir. Mimarisi, çeşitli gerçek dünya dağıtım senaryolarına uygun hız ve doğruluk arasında elverişli bir denge sağlayan Performans Dengesi üzerine yoğunlaşır. YOLO11, daha iyi gradyan akışı için optimize edilmiş bir C3k2 modülüne ve sınıflandırma ile regresyon görevlerini ayrı olarak verimli biçimde ele alan ayrıştırılmış bir başlığa sahiptir. Ayrıca YOLO11, RT-DETR gibi karmaşık Transformer modellerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımı sunarak daha düşük bellek gereksinimleri için tasarlanmıştır.

Performans Ölçümleri Tablosu#

Aşağıdaki tablo, çeşitli model ölçekleri arasındaki performans farklarını vurgular. YOLO11'in parametre ve FLOPs sayısını önemli ölçüde azaltırken genellikle karşılaştırılabilir veya daha iyi mAP değerlerine ulaştığına dikkat et.

Kullanım Alanları ve Öneriler#

PP-YOLOE+ ile YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
• Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlarda önerilir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Akademik karşılaştırmalar önemli olsa da bir yapay zekâ projesinin uzun vadeli başarısı büyük ölçüde modelin çevresindeki ekosisteme bağlıdır. Ultralytics Platformu, geliştiriciler ve kurumlar için belirgin avantajlar sunar.

1. Kullanım Kolaylığı: Ultralytics, derin öğrenmenin karmaşıklıklarını soyutlar. Sadeleştirilmiş kullanıcı deneyimi ve basit Python API'si, geliştiricilerin yalnızca birkaç satır kodla özel modeller eğitmesine olanak tanır. Bu, PP-YOLOE+ tarafından sıklıkla gereken karmaşık yapılandırma dosyalarıyla tezat oluşturur.
2. İyi Bakımı Yapılan Ekosistem: Yalnızca araştırmaya yönelik 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. Esneklik: YOLO11, birden çok bilgisayarlı görü görevi için tek ve birleşik bir framework sunarak sınıflandırma, bölütleme 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 kümesi üzerinde önceden eğitilmiş ağırlıklardan yararlanan modeller, tüketici sınıfı donanımlarda bile hızla yakınsar.

Eğitim Kodu Karşılaştırması#

Kullanım kolaylığını göstermek için, son teknoloji bir YOLO11 modelini şu şekilde eğitebilirsin. Tüm veri artırma, günlük kaydı ve donanım orkestrasyonunu otomatik olarak gerçekleştirir:

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run a quick inference test on a public image
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

PaddleDetection'da eşdeğer boru hattını kurmak, karmaşık YAML yapılandırmalarında manuel olarak gezinmeyi ve uzun komut satırı dizgilerini çalıştırmayı gerektirir; bu da çevik geliştirme döngülerini yavaşlatabilir.

Geleceğe 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 soyunun en ileri noktasını temsil eder ve tüm yeni projeler için önerilen modeldir.

YOLO26 çığır açan çeşitli yenilikler sunar:

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 ile öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Maksimum Olmayan Bastırma (NMS) son işleme adımını tamamen ortadan kaldırarak dağıtımı büyük ölçüde basitleştirir ve gecikme değişkenliğini önemli ölçüde azaltır.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıbı (DFL) stratejik olarak kaldırılarak model çok daha hafif hâle gelir. Bu optimizasyon, modeli uç bilişim ve düşük güçlü IoT cihazları için birincil tercih yapar.
• MuSGD Optimize Edicisi: YOLO26, LLM eğitimindeki yenilikleri bilgisayarlı görüye taşır. SGD ile Muon'un bir birleşimi olan MuSGD optimize edicisini 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 iyileştirmeler sağlar.

Sonuç ve Gerçek Dünya Uygulamaları#

PP-YOLOE+ ile YOLO11 (veya daha yeni YOLO26) arasında karar verirken seçim, dağıtım ekosistemine bağlıdır.

PP-YOLOE+, özellikle donanımın Baidu teknoloji yığını ve PaddlePaddle kütüphanesiyle derinlemesine entegre olduğu Asya'daki üretim merkezleri başta olmak üzere belirli endüstriyel ortamlarda öne çıkar. En yüksek mAP değerinin tek öncelik olduğu statik görüntü analizleri için mükemmeldir.

Bununla birlikte YOLO11 ve YOLO26, çok daha esnek ve geliştirici dostu bir yaklaşım sunar. Daha düşük parametre sayıları ve yüksek hızları onları şu alanlar için ideal kılar:

• Akıllı Perakende: Otomatik ödeme ve envanter yönetimi için gerçek zamanlı video akışlarının işlenmesi.
• Otonom Robotik: Kaynakları kısıtlı gömülü cihazlarda yüksek hızlı engelden kaçınmayı mümkün kılma.
• Güvenlik ve Gözetim: Tek ve son derece verimli çıkarım geçişlerinde sağlam, çok görevli analiz (izleme ve poz tahmini gibi) sağlama.

Güvenilirlik, kapsamlı topluluk desteği ve ONNX ile TensorRT gibi formatlara yönelik basit dağıtım işlem hatları arayan modern yapay zekâ mühendisleri için Ultralytics ekosistemi tartışmasız tercih olmaya devam ediyor.