Gerçek Zamanlı Nesne Algılamaya Derinlemesine Bir Bakış: PP-YOLOE+ ve YOLO11 Karşılaştırması

Bilgisayar görüşü alanı, daha hızlı, daha doğru ve daha verimli modellere olan ihtiyaçla sürekli gelişmektedir. Nesne algılama görevleriyle uğraşan geliştiriciler ve araştırmacılar için doğru mimariyi seçmek kritik öneme sahiptir. Bu kapsamlı karşılaştırmada, iki öne çıkan model arasındaki incelikleri inceleyeceğiz: PP-YOLOE+ ve Ultralytics YOLO11.

Mimarlarını, performans metriklerini ve ideal kullanım senaryolarını inceleyerek, bu kılavuz bir sonraki makine öğrenimi dağıtımınız için bilinçli bir karar vermeniz için gerekli bilgileri sağlamayı amaçlamaktadır.

Model Kökenleri ve Teknik Genel Bakışlar

Her iki model de titiz akademik araştırmalardan ve kapsamlı mühendislik çalışmalarından doğmuştur, ancak tamamen farklı ekosistemlerden gelmektedirler. Her modelin temel detaylarına bakalım.

PP-YOLOE+ Genel Bakış

Baidu'daki araştırmacılar tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi içinde gerçek zamanlı algılamanın sınırlarını zorlamak için tasarlanmış, önceki PP-YOLOE'nin bir iterasyonudur.

Yazarlar: PaddlePaddle Yazarları
Kuruluş:Baidu
Tarih: 2022-04-02
Arxiv:https://arxiv.org/abs/2203.16250
GitHub:PaddleDetection Deposu
Belgeler:PP-YOLOE+ Dokümantasyonu

PP-YOLOE+ hakkında daha fazla bilgi edinin

YOLO11 Genel Bakış

Ultralytics tarafından oluşturulan YOLO11, kullanılabilirlik ve doğrulukta önemli bir ilerlemeyi temsil etmektedir. Son derece başarılı mimarilerin mirası üzerine inşa edilmiş olup, sorunsuz 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
Belgeler:YOLO11 Resmi Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

Biliyor muydunuz?

Ultralytics YOLO11, yalnızca nesne algılamadan fazlasını destekler. Kutudan çıktığı haliyle, aynı API'yi kullanarak Örnek Segmentasyon, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama gerçekleştirebilirsiniz.

Mimari ve Performans Karşılaştırması

Bu iki dedektörü karşılaştırırken, ham rakamların ötesine bakmalı ve mimari seçimlerinin gerçek dünya model dağıtımını nasıl etkilediğini anlamalıyız.

PP-YOLOE+ Mimarisi

PP-YOLOE+, PaddlePaddle çerçevesine büyük ölçüde güvenmektedir. Bir RepResNet backbone'u ve değiştirilmiş bir Yol Toplama Ağı (PAN) kullanarak güçlü bir anchor-free paradigma sunar. "+" varyantı, büyük ölçekli veri kümesi ön eğitimi (Objects365 gibi) ve geliştirilmiş bir TaskAlignedAssigner'ı dahil ederek önceki sürümünü geliştirmiştir. Yüksek ortalama Hassasiyet (mAP) elde etse de, PaddlePaddle'a olan katı bağımlılık, PyTorch veya TensorFlow ortamlarına alışkın ekipler için sürtünmeye neden olabilir.

YOLO11 Mimarisi

Ultralytics YOLO11, modern derin öğrenme için endüstri standardı olan PyTorch üzerine yerel olarak inşa edilmiştir. Mimarisi, çeşitli gerçek dünya dağıtım senaryoları için uygun, hız ve doğruluk arasında avantajlı bir denge sağlayan Performans Dengesi üzerine yoğunlaşmıştır. YOLO11, daha iyi gradyan akışı için optimize edilmiş bir C2f modülüne ve sınıflandırma ve regresyon görevlerini verimli bir şekilde ayrı ayrı ele alan ayrık bir başlığa sahiptir. Ayrıca, YOLO11 daha düşük bellek gereksinimleri için tasarlanmıştır ve RT-DETR gibi karmaşık transformer modellerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımı sunar.

Performans Metrikleri Tablosu

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

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

Kullanım Durumları ve Öneriler

PP-YOLOE+ ve YOLO11 arasında seçim yapmak, projenizin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerinize bağlıdır.

Ne Zaman PP-YOLOE+ Seçmeli

PP-YOLOE+ için güçlü bir seçenektir:

PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip kuruluşlar.
Paddle Lite Kenar Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
Yüksek Doğruluklu Sunucu Taraflı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Ne Zaman YOLO11 Seçmeli

YOLO11, aşağıdaki durumlar için önerilir:

Üretim Uç Cihaz Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçeve içinde detect, segment, poz tahmini ve obb gerektiren projeler.
Hızlı Prototipleme ve Dağıtım: Basitleştirilmiş Ultralytics python API'sini kullanarak veri toplama aşamasından üretime hızla 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 Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı

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

Kullanım Kolaylığı: Ultralytics, derin öğrenmenin karmaşıklıklarını soyutlar. Kolaylaştırılmış kullanıcı deneyimi ve basit Python API'si, geliştiricilerin yalnızca birkaç satır kodla özel modelleri eğitmesine olanak tanır. Bu durum, PP-YOLOE+'nın sıklıkla gerektirdiği karmaşık yapılandırma dosyalarıyla çelişir.
İyi Yönetilen Ekosistem: Yalnızca araştırma amaçlı birçok depodan farklı olarak, Ultralytics ekosistemi aktif olarak geliştirilmektedir. Güçlü topluluk desteği, sık güncellemeler ve Weights & Biases ile Comet ML gibi araçlarla kapsamlı entegrasyon sunar.
Çok Yönlülük: YOLO11, birden fazla bilgisayar görüşü görevi için tek, birleşik bir çerçeve sunarak sınıflandırma, segmentasyon veya sınırlayıcı kutu tespiti için farklı kütüphaneler öğrenme ihtiyacını ortadan kaldırır.
Eğitim Verimliliği: YOLO modellerinin verimli eğitim süreçleri hem zamandan hem de hesaplama maliyetlerinden tasarruf sağlar. COCO veri kümesi üzerinde önceden eğitilmiş ağırlıklardan yararlanarak, modeller tüketici sınıfı donanımlarda bile hızla yakınsar.

Eğitim Kodu Karşılaştırması

Kullanım kolaylığını göstermek için, son teknoloji bir YOLO11 modelini nasıl eğiteceğiniz aşağıda açıklanmıştır. Tüm veri artırma, günlükleme ve donanım orkestrasyonunu 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 hattı kurmak, karmaşık XML yapılandırmalarında manuel olarak gezinmeyi ve uzun komut satırı dizelerini yürütmeyi gerektirir; bu da çevik geliştirme döngülerini yavaşlatabilir.

Geleceğe Bakış: YOLO26'nın Gelişi

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

YOLO26, çığır açan çeşitli yenilikler sunar:

Uçtan Uca NMS'siz Tasarım: YOLOv10'da ilk kez öncülük edilen konseptler üzerine inşa edilen YOLO26, doğal olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlemeyi tamamen ortadan kaldırarak dağıtımı büyük ölçüde basitleştirir ve gecikme değişkenliğini önemli ölçüde azaltır.
Yüzde 43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL)'yi stratejik olarak kaldırarak model çok daha hafif hale gelir. Bu optimizasyon, onu uç bilişim ve düşük güçlü IoT cihazları için en iyi seçenek haline getirir.
MuSGD Optimizatörü: YOLO26, LLM eğitim yeniliklerini bilgisayar görüşüne getiriyor. MuSGD optimizatörünü (SGD ve Muon'un bir hibriti) kullanarak, oldukça kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada önemli iyileşmeler sağlar; bu da drone görüntüleri ve hava gözetimi için kritik bir özelliktir.

Sonuç ve Gerçek Dünya Uygulamaları

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

PP-YOLOE+ belirli endüstriyel ortamlarda, özellikle donanımın Baidu teknoloji yığını ve PaddlePaddle kütüphanesi ile derinlemesine entegre olduğu Asya üretim merkezlerinde öne çıkar. 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. Daha düşük parametre sayıları ve yüksek hızları onları şunlar için ideal kılar:

Akıllı Perakendecilik: Otomatik ödeme ve envanter yönetimi için gerçek zamanlı video akışlarını işleme.
Otonom Robotik: Kaynak kısıtlı gömülü cihazlarda yüksek hızlı engelden kaçınmayı sağlama.
Güvenlik ve Gözetim: Tek, yüksek 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 hatları arayan modern yapay zeka mühendisleri için Ultralytics ekosistemi tartışmasız bir tercih olmaya devam etmektedir.