Başla

PP-YOLOE+ ve YOLO26

Ölçeklenebilir, verimli ve doğru nesne algılama modellerine duyulan ihtiyaçla gerçek zamanlı bilgisayarlı görü hızla gelişti. Bu alandaki öne çıkan iki mimari, PaddlePaddle ekosisteminden bir algılayıcı olan PP-YOLOE+ ile uç dağıtım ve eğitim verimliliği için tasarlanan en yeni Ultralytics modeli Ultralytics YOLO26'dır.

Bu kılavuz, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak amacıyla bu iki modelin mimarilerini, performans ölçütlerini, eğitim yöntemlerini ve ideal kullanım senaryolarını karşılaştırıyor.

Teknik Özellikler ve Yazarlar#

Bu modellerin kökenleri ve tasarım yaklaşımları, gerçek dünya uygulamalarını anlamak için yararlı bir bağlam sunar.

PP-YOLOE+ Ayrıntıları:

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLO26 Ayrıntıları:

Mimari Yenilikler#

PP-YOLOE+ Mimarisi#

PP-YOLOE ve önceki PP-YOLOv2 üzerine inşa edilen PP-YOLOE+, endüstriyel uygulamalara uygun, sağlam bir tasarım sunar. Hız ve doğruluk dengesini kurmak için CSPRepResNet omurgası ve ET başlığı (Efficient Task-aligned head) kullanır. PP-YOLOE+, dinamik etiket ataması (TAL) kullanır ve Baidu'nun PaddlePaddle çerçevesiyle sıkı biçimde bütünleşir; bu da modeli T4 ve V100 gibi NVIDIA GPU'ları için yüksek düzeyde optimize eder. Ancak PaddlePaddle ekosistemine güçlü biçimde bağımlı olması, PyTorch iş akışlarına alışkın geliştiriciler için sorun yaratabilir.

YOLO26 Mimarisi: Uç Öncelikli Tasarım#

Ocak 2026'da yayımlanan Ultralytics YOLO26, gerçek zamanlı algılama hattını yeniden tasarlayarak dağıtım kolaylığına ve uç verimliliğine güçlü biçimde odaklanır.

YOLO26'nın temel yenilikleri:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, doğal uçtan uca çıkarımı (nms=False) destekleyerek maksimum olmayan bastırma (NMS) son işleme gereksinimini ortadan kaldırır. İlk olarak YOLOv10 ile sunulan bu yaklaşım, sahnedeki kalabalık düzeyinden bağımsız olarak çıkarım gecikmesini tutarlı kılar ve dağıtımı önemli ölçüde basitleştirir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'u (DFL) kaldıran YOLO26, çıktı başlığını basitleştirerek düşük güçlü uç cihazlarla uyumluluğu artırır.
  • CPU'da %43'e Varan Hızlı Çıkarım: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, özel GPU'su olmayan ortamlar için optimize edilmiştir. YOLO26n, YOLO11n ile karşılaştırıldığında CPU'da %43'e kadar daha hızlı çıkarım yapar.
  • MuSGD İyileştiricisi: Moonshot AI gibi ileri LLM eğitim tekniklerinden esinlenen YOLO26, SGD ile Muon'un hibrit bir sürümünü sunar. Bu yaklaşım bilgisayarlı görü görevlerinde kararlı eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Progressive Loss ve küçük hedeflere duyarlı etiket ataması, küçük nesneleri tanımayı özellikle iyileştirir. Bu özellik, IoT uç sensörleri ve VisDrone veri kümesi gibi drone görüntüleri için kritik önemdedir.
YOLO26'da Göreve Özel İyileştirmeler

YOLO26, standart sınırlayıcı kutuların ötesine geçerek tüm görü görevlerine özel yükseltmeler getirir. Segmentasyon için anlamsal segmentasyon kaybı ve çok ölçekli prototipleme, Poz Tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasındaki sınır sorunlarını çözmek için özel bir açı kaybı kullanır.

Performans ve Metrikler#

Aşağıdaki tablo, PP-YOLOE+ ile YOLO26'nın farklı model boyutlarında kapsamlı bir karşılaştırmasını sunuyor. YOLO26 modelleri ham hız, parametre verimliliği ve genel Ortalama Kesinlik Ortalaması (mAP) açısından öne çıkıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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 ölçümlerinde öne çıkar. NMS gerektirmeyen bire bir başlık (nms=False, bu kıyaslamalarda kullanılmıştır), T4 GPU'daki 1.7 ms çıkarım süresini kararlı tutarken PP-YOLOE+ değişkenlik gösterebilen son işlem sürelerine bağlıdır.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Ham ölçütler önemli olsa da proje başarısını çoğu zaman geliştirici deneyimi belirler. Ultralytics Platform, eski çerçevelere kıyasla kullanımı çok daha kolay, 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, RT-DETR gibi büyük Transformer modellerine veya eski mimarilere kıyasla çok daha az CUDA belleği gerektirir; böylece araştırmacılar tüketici sınıfı donanımlarda doğru modeller eğitebilir.
Diğer Ultralytics Modelleri

YOLO26 varsayılan olarak önerilse de Ultralytics ekosisteminde YOLO11 ve YOLOv8 de bulunur. Her iki model de geniş topluluk desteğine sahip, mevcut sistemleri sürdüren kullanıcılara uygun seçenekler olmaya devam eder.

Kod Örneği: YOLO26 Eğitimi#

Ultralytics ile işe başlamak kolaydır. Aşağıda YOLO26 modelini yükleme, eğitme ve dışa aktarma işlemlerini gösteren çalıştırılabilir bir örnek bulabilirsin:

from ultralytics import YOLO

# Load the 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 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.
  • Mevcut Paddle Tabanlı Üretim Hatları: Otomatik hata tespiti için hâlihazırda PP-YOLOE+ çalıştıran endüstriyel görüntü işleme hatları, kullandıkları araçları sürdürmeye devam edebilir.

YOLO26'yı Ne Zaman Seçmeli?#

  • Uç Bilişim ve IoT: CPU'da %43'e varan hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırması) ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi kartlarında, cep telefonlarında ve gömülü cihazlarda dağıtım için güçlü bir seçenek hâline getirir.
  • Kalabalık Sahneler ve Akıllı Şehirler: Uçtan uca, NMS gerektirmeyen mimari, geleneksel NMS'nin darboğaz oluşturacağı otopark yönetimi ve trafik izleme gibi yoğun ortamlarda gecikmeyi kararlı tutar.
  • Çok Görevli Projeler: İşlem hattın nesne takibi, insan pozlarının tahmini veya hassas segmentasyon maskeleri oluşturma gerektiriyorsa YOLO26 tüm bunları tek bir birleşik Python paketinde gerçekleştirir.

Sonuç#

PP-YOLOE+, kendi ekosisteminde yetenekli bir algılayıcı olmaya devam etse de YOLO26 gerçek zamanlı algılamada çıtayı yükseltir. LLM'den esinlenen eğitim optimizasyonlarını (MuSGD), optimize edilmiş ve NMS gerektirmeyen bir mimariyle birleştiren Ultralytics, hem yüksek doğruluk sunan hem de dağıtımı kolay bir model geliştirdi. Hız, doğruluk ve geliştirici deneyimi arasında en iyi dengeyi arayan modern geliştiriciler için önerilen seçenek YOLO26'dır.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.