PP-YOLOE+ ve YOLO26#

Ölçeklenebilir, verimli ve son derece isabetli nesne algılama modellerine duyulan ihtiyaçla birlikte, gerçek zamanlı bilgisayarlı görü alanı büyük bir gelişme kaydetti. Bu alanda öne çıkan iki mimari, PaddlePaddle ekosisteminden güçlü bir algılayıcı olan PP-YOLOE+ ve uç dağıtım ile eğitim verimliliğini yeniden tanımlayan en yeni son teknoloji model Ultralytics YOLO26'dır.

Bu kapsamlı kılavuz, bu iki modeli karşılaştırarak mimarilerini, performans ölçütlerini, eğitim yöntemlerini ve ideal kullanım senaryolarını öne çıkarır; böylece bir sonraki yapay zekâ projen için bilinçli bir karar verebilirsin.

Teknik Özellikler ve Yazarlar#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, gerçek dünya uygulamalarına ilişkin önemli bir bağlam sağlar.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2 Nisan 2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddleDetection Deposu
• Belgeler: PP-YOLOE+ Belgeleri

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLO26 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 14 Ocak 2026
• GitHub: Ultralytics Deposu
• Belgeler: YOLO26 Belgeleri

Mimari Yenilikler#

PP-YOLOE+ Mimarisi#

Önceki sürümü PP-YOLOv2 üzerine kurulan PP-YOLOE+, endüstriyel uygulamalara göre tasarlanmış sağlam bir yapı sunar. Hızı ve isabetliliği dengelemek için CSPRepResNet omurgasından ve ET-head'den (Efficient Task-aligned head) yararlanır. PP-YOLOE+, dinamik etiket atama (TAL) kullanır ve Baidu'nun PaddlePaddle çerçevesiyle sorunsuz biçimde bütünleşerek T4 ve V100 gibi NVIDIA GPU'ları için yüksek düzeyde optimize edilmiştir. Ancak PaddlePaddle ekosistemine yoğun biçimde bağımlı olması, PyTorch iş akışlarına alışkın geliştiriciler için zorluk yaratabilir.

YOLO26 Mimarisi: Uç Öncelikli Devrim#

2026'nın başlarında yayımlanan Ultralytics YOLO26, gerçek zamanlı algılama işlem hattını tamamen yeniden tasarlayarak dağıtım kolaylığına ve uç verimliliğine büyük önem veriyor.

YOLO26'nın temel yenilikleri:

• Uçtan Uca NMS'siz Tasarım: YOLO26 yerel uçtan uca çıkarımı (nms=False) destekler ve işlem sonrası Aşırı Olmayan Bastırma (NMS) gereksinimini ortadan kaldırır. İlk olarak YOLOv10 ile hayata geçirilen bu çığır açıcı özellik, sahnedeki kalabalık yoğunluğundan bağımsız olarak tutarlı çıkarım gecikmesi sağlar ve dağıtımı önemli ölçüde basitleştirir.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u (DFL) kaldırarak çıktı başlığını büyük ölçüde basitleştirir. Böylece uç cihazlar ve mikrodenetleyicilerle çok daha iyi uyumluluk elde edilir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, özel GPU'ların bulunmadığı ortamlar için güçlü biçimde optimize edilmiştir ve YOLO11 ile karşılaştırıldığında CPU'larda %43'e kadar daha hızlı çıkarım sağlar.
• MuSGD Optimizer: Moonshot AI gibi kuruluşların ileri LLM eğitim tekniklerinden esinlenen YOLO26, SGD ile Muon'un hibritini sunar. Bu, bilgisayarlı görü görevlerinde benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, drone operasyonları ve IoT uç sensörleri için kritik olan küçük nesne tanımayı özellikle hedefler ve iyileştirir.

Performans ve Metrikler#

Aşağıdaki tablo, farklı model boyutlarında PP-YOLOE+ ile YOLO26'nın kapsamlı bir karşılaştırmasını sunar. YOLO26 modelleri ham hız, parametre verimliliği ve genel Ortalama Hassasiyet Ortalaması (mAP) bakımından açıkça öne çıkar.

Not: Kalın değerler, boyutları eşleşen her model çiftinde daha iyi olan ölçütü vurgular.

Analiz#

• Bellek Gereksinimleri ve Verimlilik: YOLO26, daha yüksek mAP puanları elde etmek için önemli ölçüde daha az parametre ve FLOP gerektirir. Örneğin YOLO26n (Nano) modeli, yalnızca 2.4M parametreyle 40.9 mAP elde ederek PP-YOLOE+t modelinden daha iyi performans gösterirken boyutu yaklaşık yarısı kadardır. Bu, hem eğitim hem de dağıtım sırasında daha düşük bellek kullanımı sağlar.
• Çıkarım Hızı: TensorRT kullanılarak dışa aktarıldığında YOLO26, gecikme ölçütlerinde öne çıkar. (Bu kıyaslamalarda kullanılan) NMS'siz bire bir başlık (nms=False), T4 GPU'da 1.7 ms'lik çıkarım süresinin tamamen kararlı kalmasını sağlarken PP-YOLOE+ değişkenlik gösterebilen işlem sonrası sürelerine dayanır.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Ham ölçütler önemli olsa da projenin başarısını çoğu zaman geliştirici deneyimi belirler. Ultralytics Platformu, eski çerçeveleri geride bırakan, bakımı iyi yapılan bir ekosistem sunar.

1. Kullanım Kolaylığı: Ultralytics, karmaşık tekrar eden kodları soyutlar. YOLO26'yı eğitmek yalnızca birkaç satır Python kodu gerektirir ve PP-YOLOE+ için gereken yoğun yapılandırma dosyalarına ihtiyaç bırakmaz.
2. Çok Yönlülük: PP-YOLOE+ öncelikle bir nesne algılama mimarisidir. YOLO26 ise segmentasyon, sınıflandırma, poz tahmini ve OBB desteğini kullanıma hazır olarak sunar.
3. Eğitim Verimliliği: Ultralytics YOLO modelleri, hantal transformer modellerine, örneğin RT-DETR'ye veya eski mimarilere kıyasla çok daha az CUDA belleği gerektirir; böylece araştırmacılar son teknoloji modelleri tüketici sınıfı donanımlarda eğitebilir.

Kod Örneği: YOLO26 Eğitimi#

Ultralytics ile başlamak son derece kolaydır. Aşağıda YOLO26 modelini yükleme, eğitme ve doğrulamayı gösteren, tamamen çalıştırılabilir bir örnek yer alıyor:

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer="MuSGD",  # hybrid SGD + Muon optimizer
)

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

İdeal Kullanım Alanları#

PP-YOLOE+'ı Ne Zaman Seçmeli#

• Eski PaddlePaddle Altyapısı: Bir kuruluş Baidu'nun teknoloji yığınına zaten derinlemesine yerleşmişse ve Paddle Inference için önceden yapılandırılmış donanım kullanıyorsa PP-YOLOE+ güvenli ve kararlı bir seçenektir.
• Asya'daki Üretim Merkezleri: Asya'daki birçok endüstriyel görü işlem hattı, otomatik kusur tespitinde PP-YOLOE+ için sağlam ve önceden oluşturulmuş desteğe sahiptir.

YOLO26'yı Ne Zaman Seçmeli?#

• Uç Bilişim ve IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi'lere, cep telefonlarına ve gömülü cihazlara dağıtım için tartışmasız en iyi seçenek hâline getirir.
• Kalabalık Sahneler ve Akıllı Şehirler: Uçtan Uca NMS'siz mimari, geleneksel NMS'nin darboğaz yaratabileceği otopark yönetimi ve trafik izleme gibi yoğun ortamlarda kararlı gecikme sağlar.
• Çok Görevli Projeler: İşlem hattında nesneleri izlemek, insan pozlarını tahmin etmek veya piksel düzeyinde kusursuz maskeler oluşturmak gerekiyorsa YOLO26 tüm bunları tek ve birleşik bir Python paketi içinde halleder.

Sonuç#

PP-YOLOE+ kendi ekosisteminde son derece yetkin bir algılayıcı olmaya devam etse de YOLO26'nın yayımlanması paradigmayı değiştirdi. LLM'den esinlenen eğitim optimizasyonlarını (MuSGD), yorulmadan optimize edilmiş NMS'siz bir mimariyle birleştiren Ultralytics, hem son derece isabetli hem de kolayca dağıtılabilen bir model oluşturdu. Hız, isabetlilik ve geliştirici deneyimi arasında en iyi dengeyi arayan modern geliştiriciler için YOLO26 kesin tercihtir.