PP-YOLOE+ ve YOLO11#

Bilgisayarlı görü dünyası, daha hızlı, daha doğru ve daha verimli modellere duyulan ihtiyaçla sürekli olarak gelişmektedir. Nesne tespiti görevleriyle uğraşan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek çok önemlidir. Bu kapsamlı karşılaştırmada, iki önemli model arasındaki nüansları inceleyeceğiz: 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.

Model 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.

PP-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
• Kuruluş: Baidu
• Tarih: 02.04.2022
• 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 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 Repository
• Belgeler: YOLO11 Resmi Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

Mimari ve Performans Karşılaştırması#

Bu iki dedektörü karşılaştırırken ham sayıların ötesine bakmalı ve mimari tercihlerinin gerçek dünya model dağıtımı üzerindeki etkilerini anlamalıyız.

PP-YOLOE+ Mimarisi#

PP-YOLOE+, büyük ölçüde PaddlePaddle framework bileşenine dayanır. Bir RepResNet omurgası (backbone) ve değiştirilmiş bir Yol Toplama Ağı (PAN) kullanan güçlü, ankorsuz (anchor-free) bir paradigma sunar. "+" varyantı, büyük ölçekli veri seti ön eğitimini (Objects365 gibi) ve iyileştirilmiş bir TaskAlignedAssigner'ı dahil ederek önceki sürümünü geliştirmiştir. Yüksek ortalama Duyarlılık (mAP) elde ederken, PaddlePaddle'a olan sıkı bağımlılık PyTorch veya TensorFlow ortamlarına alışkın ekipler için zorluk yaratabilir.

YOLO11 Mimarisi#

Ultralytics YOLO11, modern derin öğrenme için sektör standardı olan PyTorch üzerinde yerel olarak oluşturulmuştur. Mimarisi, çeşitli gerçek dünya dağıtım senaryolarına uygun hız ve doğruluk arasında elverişli bir denge sağlayarak büyük ölçüde Performans Dengesi üzerine 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 (decoupled head) sahiptir. Ayrıca YOLO11; RT-DETR gibi karmaşık transformer modellerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımıyla övünerek daha düşük bellek gereksinimleri için tasarlanmıştır.

Performans 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.

Kullanım Durumları ve Öneriler#

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

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
• 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.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

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

1. Kullanım Kolaylığı: Ultralytics, derin öğrenmenin karmaşıklıklarını ortadan kaldırır. Akıcı kullanıcı deneyimi ve basit Python API'si, geliştiricilerin sadece birkaç satır kodla özel modeller eğitmesini sağlar. Bu durum, PP-YOLOE+ tarafından sıklıkla istenen karmaşık yapılandırma dosyalarıyla tezat oluşturur.
2. İyi Bakımı Yapılan Ekosistem: Birçok yalnızca 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 tespiti 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 seti üzerindeki önceden eğitilmiş ağırlıklardan yararlanarak modeller tüketici sınıfı donanımlarda bile hızla yakınsar.

Eğitim Kodu Karşılaştırması#

Kullanım kolaylığını göstermek için, son teknoloji bir YOLO11 modelini nasıl eğiteceğin aşağıda açıklanmıştır. Tüm veri artırma, günlük kaydı ve donanım düzenlemesini otomatik olarak yönetir:

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.

Geleceğe Bakış: YOLO26'nın Gelişi#

YOLO11 son derece güçlü bir araç olmaya devam ederken, yapay zeka alanı hızla ilerlemektedir. Ocak 2026'da yayınlanan YOLO26, Ultralytics soyunun kesin olarak en son noktasını temsil eder ve tüm yeni projeler için önerilen modeldir.

YOLO26 birçok çığır açan yenilik getiriyor:

• Uçtan Uca NMS İçermeyen Tasarım: İlk olarak YOLOv10 içinde öncülük edilen konseptler üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Maksimum Olmayan Bastırma (NMS) son işlemini tamamen ortadan kaldırarak dağıtımı çok daha basit hale getirir ve gecikme değişkenliğini önemli ölçüde azaltır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odak Kaybının (DFL) stratejik olarak kaldırılmasıyla model çok daha hafif hale gelir. Bu optimizasyon, onu uç bilgi işlem ve düşük güç tüketimli 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, drone görüntüleri ve havadan gözetim için kritik bir özellik olan küçük nesne tanımada dikkat çekici iyileştirmeler sağlar.

Sonuç 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 başta olmak üzere belirli endüstriyel ortamlarda parlar. Maksimum mAP'nin 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 engellerden kaçınmayı etkinleştirme.
• Güvenlik ve Gözetim: Tek, son derece verimli çıkarım geçişlerinde sağlam, çok görevli analiz (izleme ve poz tahmini gibi) sağlama.

Güvenilirlik, kapsamlı topluluk desteği ve ONNX ve TensorRT gibi formatlara yönelik anlaşılır dağıtım boru hatları arayan modern yapay zeka mühendisleri için Ultralytics ekosistemi tartışmasız tercih olmaya devam etmektedir.