PP-YOLOE+ vs YOLO11: Kapsamlı Bir Teknik Karşılaştırma

En uygun nesne algılama modelinin seçilmesi; mimari, çıkarım hızı ve entegrasyon yeteneklerinin dikkatli bir şekilde analiz edilmesini gerektirir. Bu kılavuz, Baidu PaddlePaddle ekosisteminden yüksek hassasiyetli bir model olan PP-YOLOE+ ile aşağıdaki modeller arasında ayrıntılı bir teknik karşılaştırma sunmaktadır Ultralytics YOLO11YOLO serisindeki en son teknoloji ürünü evrim. Her iki çerçeve de sağlam algılama yetenekleri sunarken, YOLO11 üstün hesaplama verimliliği, birleşik çoklu görev çerçevesi ve geliştiriciler için benzersiz kullanım kolaylığı ile öne çıkmaktadır.

PP-YOLOE+: PaddlePaddle Ekosisteminde Yüksek Hassasiyet

PP-YOLOE+, Baidu'daki araştırmacılar tarafından geliştirilen PP-YOLOE'nin gelişmiş bir sürümüdür. Eğitim yakınsama hızını ve aşağı akış görev performansını artırmak için tasarlanmış, çapasız, tek aşamalı bir nesne dedektörüdür. Tamamen PaddlePaddle çerçevesi içinde inşa edilen bu sistem, COCO gibi kıyaslama ölçütlerinde rekabetçi doğruluk elde etmek için bir CSPRepResNet backbone ve dinamik bir etiket atama stratejisi kullanır.

Yazarlar: PaddlePaddle Yazarlar
Organizasyon:Baidu
Tarih: 2022-04-02
ArxivPaddlePaddle
GitHubPaddlePaddle
DokümanlarPaddlePaddle PaddlePaddle

Temel Mimari Özellikler

PP-YOLOE+ mimarisi, hız ve doğruluk arasındaki dengeyi iyileştirmeye odaklanır. Sınıflandırma ve yerelleştirme görevlerini daha iyi dengelemek için Verimli Görev Hizalamalı Başlık (ET-Head) içerir. Model, eğitim sırasında yüksek kaliteli pozitiflerin seçilmesine yardımcı olan Görev Hizalama Öğrenimi (TAL) olarak bilinen bir etiket atama mekanizması kullanır. Bununla birlikte, büyük ölçüde PaddlePaddle ekosistemine dayandığından, PyTorch iş akışlarına entegre edilmesi genellikle karmaşık model dönüştürme işlemleri gerektirir.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Ultralytics YOLO11: Görsel Yapay Zeka için Yeni Standart

Ultralytics YOLO11 , gerçek zamanlı bilgisayarla görmenin en ileri noktasını temsil etmektedir. Glenn Jocher ve Jing Qiu tarafından tasarlanan bu ürün YOLOv8 Daha hızlı, daha doğru ve önemli ölçüde daha verimli bir model sunmak için. YOLO11 sadece bir nesne algılayıcı değildir; örnek segmentasyonu, poz tahmini, görüntü sınıflandırması ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamasını tek ve birleşik bir kod tabanı içinde gerçekleştirebilen çok yönlü bir temel modeldir.

Yazarlar: Glenn Jocher, Jing Qiu
Organizasyon:Ultralytics
Tarih: 2024-09-27
GitHubultralytics
Docsultralytics yolo11

Mimari ve Avantajlar

YOLO11 , hesaplama yükünü en aza indirirken özellik çıkarma verimliliğini en üst düzeye çıkaran rafine bir mimari sunar. Önceki nesillere ve PP-YOLOE+ gibi rakiplere kıyasla toplam parametre sayısını azaltan gelişmiş bir backbone ve kafa tasarımı kullanır. Karmaşıklıktaki bu azalma, doğruluktan ödün vermeden hem uç cihazlarda hem de bulut GPU'larında daha yüksek çıkarım hızlarına olanak tanır. Ayrıca, YOLO11 bellek verimliliği göz önünde bulundurularak tasarlanmıştır ve eğitim sırasında transformatör tabanlı modellere veya eski ağır mimarilere kıyasla daha az GPU belleği gerektirir.

YOLO11 hakkında daha fazla bilgi edinin

Performans Analizi: Metrikler ve Kıyaslamalar

Performans ölçütlerinin karşılaştırılması, iki model arasında verimlilik ve ölçeklenebilirlik açısından belirgin farklılıklar olduğunu ortaya koymaktadır. YOLO11 , özellikle gerekli hesaplama kaynakları göz önüne alındığında, sürekli olarak üstün bir hız ve doğruluk dengesi sergilemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

Verimlilik ve Hız Yorumlaması

Veriler, model verimliliği açısından YOLO11 için önemli bir avantajı vurgulamaktadır. Örneğin, YOLO11x, PP-YOLOE+x'in 54,7 mAP değeriyle eşleşmekte, ancak bunu PaddlePaddle modelinin 98,42 milyon parametresine kıyasla sadece 56,9 milyon parametre ile başarmaktadır. Bu, model boyutunda %40'ın üzerinde bir azalmayı temsil eder ve bu da doğrudan daha düşük depolama gereksinimleri ve daha hızlı yükleme süreleri ile ilişkilidir.

Gerçek zamanlı çıkarım açısından YOLO11 , T4 GPU kıyaslamalarında tüm model boyutlarında PP-YOLOE+'dan daha iyi performans göstermektedir. Bu fark, otonom sürüş veya yüksek hızlı endüstriyel ayıklama gibi gecikmeye duyarlı uygulamalar için hayati önem taşımaktadır. Ayrıca, YOLO11 için CPU kıyaslamalarının mevcut olması, özel hızlandırıcıları olmayanlar da dahil olmak üzere çeşitli donanım ortamları için optimizasyonunun altını çizmektedir.

Eğitim Metodolojisi ve Kullanım Kolaylığı

Bu iki model arasındaki kullanıcı deneyimi, büyük ölçüde altta yatan ekosistemleri nedeniyle önemli ölçüde farklılık göstermektedir.

Ultralytics Ekosistem Avantajı

Ultralytics YOLO11 , geliştirici üretkenliğine öncelik veren olgun, bakımlı bir ekosistemden yararlanır.

Kullanım Kolaylığı: Basit bir Python API ile geliştiriciler sadece birkaç satır kodla modelleri yükleyebilir, eğitebilir ve dağıtabilir. Giriş engeli son derece düşüktür, bu da gelişmiş yapay zekayı hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar.
Eğitim Verimliliği: YOLO11 , önceden eğitilmiş hazır ağırlıklarla verimli eğitimi destekler. Çerçeve, veri artırma ve hiperparametre ayarlama gibi karmaşık görevleri otomatik olarak ele alır.
Bellek Gereksinimleri: YOLO modelleri, eğitim sırasında diğer mimarilere kıyasla daha az CUDA belleği tüketecek şekilde optimize edilmiştir ve kullanıcıların tüketici sınıfı donanımlarda daha büyük yığınları veya daha yüksek çözünürlükleri eğitmesine olanak tanır.

Basit Python Arayüzü

Bir YOLO11 modelini özel bir veri kümesi üzerinde eğitmek, bir YAML dosyasına işaret etmek kadar basittir:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Train the model
model.train(data="coco8.yaml", epochs=100, imgsz=640)

PP-YOLOE+ İş Akışı

PP-YOLOE+ ile çalışmak genellikle PaddlePaddle çerçevesinin benimsenmesini gerektirir. Bu ekosistem güçlü olmakla birlikte PyTorch'a göre daha az yaygındır ve PyTorch veya TensorFlow ortamlarında halihazırda yerleşik olan ekipler için potansiyel olarak daha dik bir öğrenme eğrisine yol açar. Özel eğitim genellikle kolaylaştırılmış bir programatik arayüz kullanmak yerine karmaşık yapılandırma dosyalarının değiştirilmesini içerir ve topluluk kaynakları - büyümekle birlikte - küresel YOLO topluluğundan daha az kapsamlıdır.

Çok Yönlülük ve Gerçek Dünya Uygulamaları

İkisi arasındaki en önemli fark çok yönlülüklerinde yatmaktadır. PP-YOLOE+ öncelikle nesne tespitine odaklanmıştır. Buna karşılık, YOLO11 çok görevli bir güç merkezidir.

YOLO11: Tespitin Ötesinde

YOLO11'in mimarisi çok çeşitli bilgisayarla görme görevlerini desteklemektedir:

Örnek Segmentasyonu: Tıbbi görüntü analizi veya otonom araç algılama gibi uygulamalar için nesneleri kesin olarak belirleme.
Poz Tahmini: Spor analitiği veya fizik tedavi takibi için kilit noktaları izleme.
Yönlendirilmiş Sınırlayıcı Kutular (OBB): Hava görüntüleri ve uydu analizi için kritik öneme sahip olan döndürülmüş nesneleri algılama.

İdeal Kullanım Senaryoları

Üretim ve Kalite Kontrol: YOLO11'in yüksek hızı, hızlı montaj hatlarına ayak uydurmasını ve kusurları gerçek zamanlı olarak tespit etmesini sağlar. Segmentasyon yetenekleri, kusurların tam şeklini daha da belirleyebilir.
Uç Bilişim: Performans dengesi ve düşük parametre sayısı nedeniyle YOLO11 , NVIDIA Jetson veya Raspberry Pi gibi uç cihazlarda dağıtım için üstün bir seçimdir.
Akıllı Şehirler: Trafik izleme gibi uygulamalar için, YOLO11'in nesneleri track etme ve hızı tahmin etme yeteneği tek bir modelde kapsamlı bir çözüm sunar.

Sonuç: Tavsiye Edilen Seçim

PP-YOLOE+ ise PaddlePaddle alanında yetenekli bir dedektör olmaya devam etmektedir, Ultralytics YOLO11 geliştiricilerin ve araştırmacıların büyük çoğunluğu için üstün bir seçim olarak öne çıkıyor.

YOLO11 , hız ve doğruluk arasında daha uygun bir denge sunar, daha az hesaplama kaynağı tüketir ve birden fazla görüş görevinde benzersiz çok yönlülük sağlar. Aktif bir topluluk, kapsamlı belgeler ve Ultralytics HUB gibi araçlarla sorunsuz entegrasyon ile birlikte YOLO11 , kullanıcıların daha fazla verimlilik ve kolaylıkla sağlam yapay zeka çözümleri oluşturmalarını ve dağıtmalarını sağlar.

YOLO11 , modern bilgisayarla görmenin tüm potansiyelinden çerçeve kilitlenmesi sorunu olmadan yararlanmak isteyenler için ileriye dönük kesin bir yoldur.

Diğer Karşılaştırmaları İnceleyin

YOLO11 'in rakipleri karşısında nasıl bir performans sergilediğini daha iyi anlamak için diğer detaylı karşılaştırmalarımızı inceleyin: