Link to this sectionPP-YOLOE+ ve YOLO26#

Gerçek zamanlı bilgisayarlı görü alanı, ölçeklenebilir, verimli ve yüksek doğruluklu 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 uç nokta dağıtımı ile eğitim verimliliğini yeniden tanımlayan en güncel, ileri teknoloji modeli Ultralytics YOLO26'dır.

Bu kapsamlı rehber, bir sonraki yapay zeka projen için bilinçli bir karar vermene yardımcı olmak amacıyla bu iki modeli mimarileri, performans metrikleri, eğitim metodolojileri ve ideal kullanım alanları açısından karşılaştırıyor.

Link to this sectionTeknik Özellikler ve Yazarlık#

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

PP-YOLOE+ Detayları:

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 2 Nisan 2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddleDetection Deposu
• Dokümantasyon: PP-YOLOE+ Dokümantasyonu

PP-YOLOE+ hakkında daha fazla bilgi edinin

YOLO26 Detayları:

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

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

Link to this sectionPP-YOLOE+ Mimarisi#

Öncülü olan PP-YOLOv2 üzerine inşa edilen PP-YOLOE+, endüstriyel uygulamalara göre uyarlanmış sağlam bir tasarım sunar. Hız ve doğruluk arasında bir denge kurmak için CSPRepResNet backbone (omurga) yapısını ve ET-head (Verimli Görev odaklı başlık) kullanır. PP-YOLOE+, dinamik etiket ataması (TAL) kullanır ve Baidu'nun PaddlePaddle çerçevesiyle sorunsuz bir şekilde entegre olur, bu da onu T4 ve V100 gibi NVIDIA GPU'lar için oldukça optimize hale getirir. Ancak, PaddlePaddle ekosistemine olan yoğun bağımlılığı, PyTorch iş akışlarına alışkın geliştiriciler için zorluk çıkarabilir.

Link to this sectionYOLO26 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-Free (NMS'siz) Tasarım: YOLO26 doğal olarak uçtan ucadır ve Non-Maximum Suppression (NMS) son işlemine olan ihtiyacı tamamen ortadan kaldırır. İlk kez YOLOv10 içinde öncülük edilen bu çığır açıcı özellik, sahne kalabalığından bağımsız olarak tutarlı çıkarım gecikmesi sağlar ve dağıtımı önemli ölçüde basitleştirir.
• 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 kaldırma ve yapısal optimizasyonlar sayesinde YOLO26, özel GPU'lara sahip olmayan ortamlar için yoğun bir şekilde optimize edilmiş olup YOLO11'e kıyasla CPU'larda %43'e kadar daha hızlı çıkarım hızlarına ulaşır.
• MuSGD Optimizer: Moonshot AI gibi kuruluşların ileri düzey LLM eğitim tekniklerinden esinlenen YOLO26, SGD ve Muon'un bir hibritini sunar. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve daha hızlı yakınsama getirir.
• ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, özellikle drone operasyonları ve IoT uç sensörleri için kritik olan küçük nesne tanımayı hedefler ve iyileştirir.

Link to this sectionPerformans ve Metrikler#

Aşağıdaki tablo, PP-YOLOE+'nın çeşitli model boyutlarında YOLO26 ile nasıl karşılaştırıldığını kapsamlı bir şekilde gösterir. YOLO26 modelleri, saf hız, parametre verimliliği ve genel Ortalama Hassasiyet (mAP) açısından açık ara üstündür.

Not: Kalın değerler, tüm modellerdeki en iyi performans gösteren metrikleri vurgular.

Link to this sectionAnaliz#

• Bellek Gereksinimleri ve Verimlilik: YOLO26, daha yüksek mAP puanlarına ulaşmak için önemli ölçüde daha az parametre ve FLOP gerektirir. Örneğin, YOLO26n (Nano) modeli, PP-YOLOE+t modelinden yaklaşık olarak yarısı kadar boyuttayken 40.9 mAP değerine ulaşarak onu geride bırakır. Bu, hem eğitim hem de dağıtım sırasında daha düşük bellek kullanımı anlamına gelir.
• Çıkarım Hızı: TensorRT kullanılarak dışa aktarıldığında, YOLO26 gecikme metriklerine hükmeder. NMS'in kaldırılması, T4 GPU üzerinde 1.7ms'lik çıkarım süresinin mükemmel derecede sabit kalmasını sağlarken, PP-YOLOE+ potansiyel olarak değişken son işlem sürelerine güvenir.

Link to this sectionUltralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Saf metrikler önemli olsa da, geliştirici deneyimi genellikle projenin başarısını belirler. Ultralytics Platform, eski çerçeveleri tamamen geride bırakan, iyi bakılan bir ekosistem sunar.

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+ öncelikli olarak bir nesne algılama mimarisidir. YOLO26; segmentasyon, sınıflandırma, poz tahmini ve OBB için kutudan çıktığı gibi destek sunar.
3. Training Efficiency: Ultralytics YOLO models require vastly lower CUDA memory compared to bulky transformer models like RT-DETR or older architectures, enabling researchers to train state-of-the-art models on consumer-grade hardware.

Link to this sectionKod 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}")

Link to this sectionİdeal Kullanım Senaryoları#

Link to this sectionPP-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.

Link to this sectionNe 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-Free (NMS'siz) mimari, geleneksel NMS'in darboğaz yaratacağı 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.

Link to this sectionSonuç#

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.