Link to this sectionGerçek Zamanlı Nesne Algılamaya Derinlemesine Bakış: PP-YOLOE+ ve YOLO11#

Bilgisayarlı görü dünyası, daha hızlı, daha doğru ve daha verimli modellere olan ihtiyaçla sürekli olarak evrimleşiyor. Nesne algılama görevleriyle uğraşan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek kritik öneme sahiptir. Bu kapsamlı karşılaştırmada, iki önemli modelin inceliklerini keşfedeceğiz: PP-YOLOE+ ve Ultralytics YOLO11.

Mimarilerini, performans metriklerini ve ideal kullanım senaryolarını inceleyen bu rehber, bir sonraki makine öğrenimi projen için bilinçli bir karar vermene yardımcı olacak içgörüler sağlamayı amaçlamaktadır.

Link to this sectionModel Kökenleri ve Teknik Genel Bakış#

Her iki model de titiz akademik araştırmalardan ve kapsamlı mühendislik çalışmalarından doğmuştur ancak tamamen farklı ekosistemlere aittirler. Şimdi her bir modelin temel ayrıntılarına göz atalım.

Link to this sectionPP-YOLOE+ Genel Bakış#

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

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddleDetection Deposu
• Dokümantasyon: PP-YOLOE+ Dokümantasyonu

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionYOLO11 Genel Bakış#

Ultralytics tarafından oluşturulan YOLO11, kullanılabilirlik ve doğruluk açısından önemli bir sıçramayı temsil eder. Son derece başarılı mimarilerin mirasını temel alarak sürtünmesiz bir geliştirici deneyimi ve çok görevli çok yönlülük için optimize edilmiştir.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics GitHub Deposu
• Dokümantasyon: YOLO11 Resmi Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionMimari ve Performans Karşılaştırması#

Bu iki dedektörü karşılaştırırken sadece ham sayılara bakmamalı, mimari tercihlerinin gerçek dünya model dağıtımı üzerindeki etkisini anlamalıyız.

Link to this sectionPP-YOLOE+ Mimarisi#

PP-YOLOE+, büyük ölçüde PaddlePaddle çerçevesine dayanır. RepResNet omurgasını ve değiştirilmiş bir Path Aggregation Network (PAN) yapısını kullanan güçlü, çapa içermeyen (anchor-free) bir paradigma sunar. "+" varyantı, büyük ölçekli veri seti ön eğitimini (Objects365 gibi) ve iyileştirilmiş bir TaskAlignedAssigner ekleyerek önceki modelini geliştirmiştir. Yüksek ortalama Hassasiyet (mAP) değerlerine ulaşsa da, PaddlePaddle'a olan sıkı bağımlılığı, PyTorch veya TensorFlow ortamlarına alışkın ekipler için zorluk yaratabilir.

Link to this sectionYOLO11 Mimarisi#

Ultralytics YOLO11, modern derin öğrenme için endüstri standardı olan PyTorch üzerinde yerel olarak inşa edilmiştir. Mimarisi, çeşitli gerçek dünya dağıtım senaryolarına uygun, hız ve doğruluk arasında elverişli bir denge kurarak Performans Dengesine odaklanır. YOLO11, daha iyi gradyan akışı için optimize edilmiş bir C3k2 modülüne ve sınıflandırma ile regresyon görevlerini ayrı ayrı verimli bir şekilde yöneten ayrıştırılmış bir başlığa sahiptir. Ayrıca YOLO11, RT-DETR gibi karmaşık Transformer modellerine kıyasla eğitim ve çıkarım sırasında çok daha düşük bellek kullanımıyla daha düşük bellek gereksinimleri için tasarlanmıştır.

Link to this sectionPerformans Metrikleri Tablosu#

Aşağıdaki tablo, çeşitli model ölçeklerindeki performans farklılıklarını vurgulamaktadır. YOLO11'in, parametre sayısını ve FLOP değerlerini önemli ölçüde azaltırken nasıl genellikle benzer veya daha iyi mAP değerleri elde ettiğine dikkat et.

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
• 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.

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı#

Akademik kıyaslamalar önemli olsa da, bir yapay zeka projesinin uzun vadeli başarısı büyük ölçüde modelin etrafındaki ekosisteme bağlıdır. Ultralytics Platform, geliştiriciler ve şirketler için belirgin avantajlar sunar.

1. Kullanım Kolaylığı: Ultralytics, derin öğrenmenin karmaşıklığını soyutlar. Modernleştirilmiş kullanıcı deneyimi ve basit Python API, geliştiricilerin sadece birkaç satır kodla özel modeller eğitmelerini sağlar. Bu, PP-YOLOE+ tarafından sıklıkla gerektirilen karmaşık yapılandırma dosyalarıyla keskin bir zıttır.
2. İyi Korunan Ekosistem: Birçok sadece araştırma odaklı deponun aksine, Ultralytics ekosistemi aktif olarak geliştirilmektedir. Güçlü topluluk desteğine, sık güncellemelere ve Weights & Biases ve Comet ML gibi araçlarla kapsamlı entegrasyona sahiptir.
3. Çok Yönlülük: YOLO11, birden fazla bilgisayarlı görü görevi için tek ve birleşik bir çerçeve sağlayarak sınıflandırma, bölütleme veya sınırlayıcı kutu algılama için farklı kütüphaneler öğrenme ihtiyacını ortadan kaldırır.
4. Eğitim Verimliliği: YOLO modellerinin verimli eğitim süreçleri hem zamandan hem de hesaplama maliyetlerinden tasarruf sağlar. COCO veri setinde önceden eğitilmiş ağırlıklardan yararlanarak, modeller tüketici sınıfı donanımlarda bile hızla yakınsar.

Link to this sectionEğitim Kodu Karşılaştırması#

Kullanım kolaylığını göstermek için, en gelişmiş YOLO11 modelini nasıl eğiteceğin aşağıdadır. Tüm veri artırmayı, günlük kaydını ve donanım yönetimini otomatik olarak halleder:

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 bir işlem hattı kurmak, karmaşık XML yapılandırmalarını manuel olarak yönetmeyi ve çevik geliştirme döngülerini yavaşlatabilecek uzun komut satırı dizilerini yürütmeyi gerektirir.

Link to this sectionGeleceğe Bakış: YOLO26'nın Gelişi#

YOLO11 son derece güçlü bir araç olmaya devam etse de, yapay zeka alanı hızla ilerliyor. Ocak 2026'da piyasaya sürülen YOLO26, Ultralytics soyunun en son teknolojisini temsil eder ve tüm yeni projeler için önerilen modeldir.

YOLO26 birçok çığır açan yenilik getiriyor:

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 ile öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işleme adımını tamamen ortadan kaldırarak dağıtımı çok daha basit hale getirir ve gecikme değişkenliğini önemli ölçüde azaltır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak model çok daha hafif hale getirilmiştir. Bu optimizasyon, onu uç bilgi işlem ve düşük güç tüketen IoT cihazları için bir numaralı tercih haline getirir.
• MuSGD Optimize Edici: YOLO26, LLM eğitimi yeniliklerini bilgisayarlı görüye getirir. MuSGD optimize ediciyi (SGD ve Muon'un bir melezi) kullanarak, oldukça kararlı eğitim dinamikleri ve daha hızlı yakınsama elde eder.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, dron görüntüleri ve hava gözetimi için kritik bir özellik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

Link to this sectionSonuç ve Gerçek Dünya Uygulamaları#

PP-YOLOE+ ve YOLO11 (veya daha yeni olan YOLO26) arasında seçim yaparken, karar senin dağıtım ekosistemine bağlıdır.

PP-YOLOE+, donanımın Baidu teknoloji yığını ve PaddlePaddle kütüphanesi ile derinlemesine entegre olduğu Asya üretim merkezleri gibi belirli endüstriyel ortamlarda parlar. Maksimum mAP'in tek öncelik olduğu statik görüntü analizi için mükemmeldir.

YOLO11 ve YOLO26 ise çok daha çok yönlü ve geliştirici dostu bir yaklaşım sunar. Düşük parametre sayıları ve yüksek hızları onları şunlar için ideal kılar:

• Akıllı Perakende: Otomatik ödeme ve envanter yönetimi için gerçek zamanlı video akışlarını işleme.
• Otonom Robotik: Kaynak kısıtlı gömülü cihazlarda yüksek hızlı engel kaçınmayı etkinleştirme.
• Güvenlik ve Gözetim: Tek, son derece verimli çıkarım geçişlerinde sağlam, çok görevli analiz (izleme ve poz tahmini gibi) sağlama.

Güvenilirlik, geniş topluluk desteği ve ONNX ve TensorRT gibi formatlara basit dağıtım hatları arayan modern yapay zeka mühendisleri için Ultralytics ekosistemi tartışmasız tercih olmaya devam ediyor.