PP-YOLOE+ ve YOLO26#

Gerçek zamanlı bilgisayarlı görü manzarası, ölçeklenebilir, verimli ve son derece doğru nesne algılama modellerine duyulan ihtiyaçla birlikte muazzam bir büyüme kaydetti. Bu alandaki öne çıkan iki mimari, PaddlePaddle ekosisteminden güçlü bir dedektör olan PP-YOLOE+ ve uçta dağıtımı ve eğitim verimliliğini yeniden tanımlayan en son teknoloji ürünü Ultralytics YOLO26 modelidir.

Bu kapsamlı kılavuz, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak amacıyla mimarilerini, performans metriklerini, eğitim metodolojilerini ve ideal kullanım senaryolarını vurgulayarak bu iki modeli karşılaştırır.

Teknik Özellikler ve Yazarlık#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, gerçek dünya uygulamaları için kritik bir bağlam sağlar.

PP-YOLOE+ Detayları:

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: 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 edinin

YOLO26 Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 14 Ocak 2026
• GitHub: Ultralytics Repository
• Dokümanlar: YOLO26 Documentation

YOLO26 hakkında daha fazla bilgi edin

Mimari Yenilikler#

PP-YOLOE+ Mimarisi#

Öncüsü PP-YOLOv2 üzerine inşa edilen PP-YOLOE+, endüstriyel uygulamalara göre uyarlanmış sağlam bir tasarım sunar. Hız ve doğruluk dengesini sağlamak için CSPRepResNet omurgasını ve bir ET-head (Verimli Görev Odaklı kafa) kullanır. PP-YOLOE+, dinamik etiket atamasını (TAL) kullanır ve Baidu'nun PaddlePaddle framework'ü ile sorunsuz bir şekilde entegre olarak T4 ve V100 gibi NVIDIA GPU'lar için yüksek düzeyde optimize edilmesini sağlar. Ancak, PaddlePaddle ekosistemine olan yoğun bağımlılığı, PyTorch iş akışlarına alışkın geliştiriciler için zorluklar yaratabilir.

YOLO26 Mimarisi: Uç Nokta Odaklı Devrim#

2026'nın başlarında piyasaya sürülen Ultralytics YOLO26, gerçek zamanlı algılama hattını tamamen yeniden düşünerek dağıtım kolaylığına ve uç nokta verimliliğine büyük bir vurgu yapıyor.

Önemli YOLO26 yenilikleri şunlardır:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26 yerel olarak uçtan ucadır ve Non-Maximum Suppression (NMS) son işlem ihtiyacını tamamen ortadan kaldırır. İlk kez YOLOv10'da öncülük edilen bu çığır açan özellik, sahne yoğunluğundan bağımsız olarak tutarlı çıkarım gecikmesi sağlayarak dağıtımı önemli ölçüde daha basit hale getirir.
• DFL Kaldırma: Distribution Focal Loss (DFL) kaldırılarak, YOLO26 çıktı başlığını önemli ölçüde basitleştirir. Bu, uç cihazlar ve mikro denetleyicilerle çok daha iyi bir uyumluluk sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, özel GPU'ları olmayan ortamlar için yoğun bir şekilde optimize edilmiş olup, YOLO11'e kıyasla CPU'larda %43'e kadar daha hızlı çıkarım hızları elde eder.
• MuSGD Optimizer: Moonshot AI şirketindekiler gibi gelişmiş LLM eğitim tekniklerinden esinlenen YOLO26, SGD ve Muon'un hibrit bir versiyonunu sunar. Bu, bilgisayarlı görü görevlerine benzeri görülmemiş bir eğitim kararlılığı ve daha hızlı yakınsama getirir.
• ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, drone operasyonları ve IoT uç sensörleri için kritik önem taşıyan küçük nesne tanımayı doğrudan hedefler ve iyileştirir.

Performans ve Metrikler#

Aşağıdaki tablo, PP-YOLOE+'nın çeşitli model boyutlarında YOLO26 ile nasıl karşılaştırıldığına dair kapsamlı bir bakış sunar. YOLO26 modelleri, ham hız, parametre verimliliği ve genel Ortalama Ortalama Kesinlik (mAP) konularında açıkça üstünlük sağlamaktadır.

Not: Kalın değerler, tüm modellerdeki en iyi performans gösteren metrikleri 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 parametre ile 40,9 mAP elde ederek PP-YOLOE+t modelinden daha iyi performans gösterir ve neredeyse yarı boyutundadır. Bu, hem eğitim hem de dağıtım sırasında daha düşük bellek kullanımı anlamına gelir.
• Çıkarım Hızı: TensorRT kullanılarak dışarı aktarıldığında YOLO26 gecikme metriklerinde üstünlük sağlar. NMS'nin kaldırılması, T4 GPU üzerindeki 1,7 ms'lik çıkarım süresinin mükemmel bir şekilde kararlı kalmasını sağlarken, PP-YOLOE+ potansiyel olarak değişken son işlem sürelerine güvenir.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Ham metinler önemli olsa da, geliştirici deneyimi genellikle proje başarısını belirler. Ultralytics Platform, eski framework'leri tamamen geride bırakan, bakımlı bir ekosistem sağlar.

1. Kullanım Kolaylığı: Ultralytics karmaşık kod yığınlarını soyutlar. YOLO26'yı eğitmek, PP-YOLOE+'nın gerektirdiği yoğun yapılandırma dosyalarından kaçınarak sadece birkaç satır Python kodu gerektirir.
2. Çok Yönlülük: PP-YOLOE+ öncelikle bir nesne algılama mimarisidir. YOLO26 ise segmentasyon, sınıflandırma, poz tahmini ve OBB için kutudan çıktığı gibi destek sunar.
3. Eğitim Verimliliği: Ultralytics YOLO modelleri, RT-DETR gibi hantal transformer modelleri veya daha eski mimarilerle karşılaştırıldığında çok daha düşük CUDA belleği gerektirir; bu sayede araştırmacılar en son teknolojiye sahip modelleri tüketici sınıfı donanımlarda eğitebilir.

Kod Örneği: YOLO26 Eğitimi#

Ultralytics ile başlamak çok kolaydır. İşte bir YOLO26 modelini nasıl yükleyeceğini, eğiteceğini ve doğrulayacağını gösteren tamamen çalıştırılabilir bir örnek:

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="auto",  # MuSGD is automatically engaged for YOLO26
)

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

İdeal Kullanım Senaryoları#

PP-YOLOE+ Ne Zaman Seçilmeli#

• Eski PaddlePaddle Altyapısı: Eğer bir şirket halihazırda Baidu'nun teknoloji yığınına derinden entegreyse ve Paddle Inference için önceden yapılandırılmış donanımlar kullanıyorsa, PP-YOLOE+ güvenli ve istikrarlı bir tercihtir.
• Asya Üretim Merkezleri: Asya'daki birçok endüstriyel görü hattı, otomatik kusur tespitinde PP-YOLOE+ için sağlam ve önceden mevcut bir desteğe sahiptir.

Ne Zaman YOLO26 Seçilmeli#

• Uç Nokta Bilişimi ve IoT: %43 daha hızlı CPU çıkarımı ve DFL kaldırma, YOLO26'yı Raspberry Pi, cep telefonları ve gömülü cihazlarda dağıtım için tartışmasız şampiyon yapar.
• Kalabalık Sahneler ve Akıllı Şehirler: Uçtan Uca NMS İçermeyen mimari, geleneksel NMS'nin darboğazlara yol açacağı otopark yönetimi ve trafik izleme gibi yoğun ortamlarda kararlı gecikmeyi garanti eder.
• Çok Görevli Projeler: Eğer iş akışın nesneleri takip etmeyi, insan pozlarını tahmin etmeyi veya piksel hassasiyetinde maskeler oluşturmayı gerektiriyorsa, YOLO26 bunların hepsini tek bir birleşik Python paketi içinde halleder.

Sonuç#

PP-YOLOE+ kendi özel ekosistemi içinde oldukça yetenekli bir dedektör olarak kalsa da, YOLO26'nın piyasaya sürülmesi paradigmayı değiştirdi. LLM'den esinlenen eğitim optimizasyonlarını (MuSGD) sürekli optimize edilmiş, NMS'siz bir mimariyle birleştiren Ultralytics, hem oldukça doğru hem de zahmetsizce dağıtılabilir bir model yarattı. Hız, doğruluk ve geliştirici deneyiminin en iyi dengesini arayan modern geliştiriciler için YOLO26 kesin tercihtir.