PP-YOLOE+ ve YOLO26#

Gerçek zamanlı bilgisayarlı görü alanı, ölçeklenebilir, verimli ve yüksek doğruluklu nesne algılama modellerine duyulan ihtiyaçla büyük bir gelişme kaydetti. Bu alandaki öne çıkan iki mimari, PaddlePaddle ekosisteminden güçlü bir algılayıcı olan PP-YOLOE+ ve uç dağıtımı ile eğitim verimliliğini yeniden tanımlayan, son teknoloji ürünü en yeni model Ultralytics YOLO26'dır.

Bu kapsamlı kılavuz, bilinçli bir karar vererek sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak amacıyla bu iki modeli mimarileri, performans metrikleri, eğitim yöntemleri ve ideal kullanım alanları açısından karşılaştırır.

Teknik Özellikler ve Yazarlık#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, gerçek dünyadaki uygulamaları için önemli bir bağlam sağlar.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle Authors
• 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 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 modeli PP-YOLOv2 üzerine kurulan PP-YOLOE+, endüstriyel uygulamalara göre uyarlanmış sağlam bir tasarım sunar. Hızı ve doğruluğu dengelemek için CSPRepResNet omurgasından ve ET-head (Verimli Görev Uyumlu Başlık) bileşeninden yararlanır. PP-YOLOE+, dinamik etiket atamayı (TAL) kullanır ve Baidu'nun PaddlePaddle framework'üyle sorunsuz şekilde bütünleşerek T4 ve V100 gibi NVIDIA GPU'ları için yüksek düzeyde optimize edilir. Ancak PaddlePaddle ekosistemine yoğun bağımlılığı, PyTorch iş akışlarına yerleşmiş geliştiriciler için zorluk oluşturabilir.

YOLO26 Mimarisi: Önce Uç Devrimi#

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

YOLO26'in başlıca yenilikleri şunlardır:

• Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca çalışır ve Maksimum Olmayan Bastırma (NMS) son işleme adımına duyulan ihtiyacı tamamen ortadan kaldırır. İlk kez YOLOv10 tarafından öncülük edilen bu atılım, sahnedeki kalabalıktan bağımsız olarak tutarlı çıkarım gecikmesi sağlar ve dağıtımı önemli ölçüde kolaylaştırır.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss (DFL) bileşenini kaldırarak çıktı başlığını büyük ölçüde basitleştirir. Bu sayede uç cihazlar ve mikrodenetleyicilerle çok daha iyi uyumluluk elde edilir.
• %43'e Varan Daha Hızlı CPU Çıkarımı: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, özel GPU bulunmayan ortamlar için büyük ölçüde optimize edilmiştir ve YOLO11 ile karşılaştırıldığında CPU'larda %43'e varan daha yüksek çıkarım hızlarına ulaşır.
• MuSGD Optimizasyonu: Moonshot AI tarafından kullanılanlar gibi gelişmiş LLM eğitim tekniklerinden ilham alan YOLO26, SGD ve Muon'un hibritini sunar. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve daha hızlı yakınsama kazandırır.
• 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, çeşitli model boyutlarında PP-YOLOE+'nın YOLO26 ile nasıl karşılaştırıldığını kapsamlı biçimde gösterir. YOLO26 modelleri ham hız, parametre verimliliği ve genel Ortalama Ortalama Kesinlik (mAP) açısından açıkça öne çıkar.

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

Analiz#

• Bellek Gereksinimleri ve Verimlilik: YOLO26, daha yüksek mAP skorlarına ulaşmak için önemli ölçüde daha az parametre ve FLOP gerektirir. Örneğin YOLO26n (Nano) modeli yalnızca 2,4 milyon parametreyle 40,9 mAP elde ederek yaklaşık yarı boyutta olmasına rağmen PP-YOLOE+t modelinden daha iyi performans gösterir. Bu, hem eğitim hem de dağıtım sırasında daha düşük bellek kullanımına dönüşür.
• Çıkarım Hızı: TensorRT kullanılarak dışa aktarıldığında YOLO26, gecikme metriklerinde açık ara öne çıkar. NMS'nin kaldırılması, T4 GPU'daki 1,7 ms'lik çıkarım süresinin tamamen kararlı kalmasını sağlarken PP-YOLOE+, değişkenlik gösterebilen son işleme sürelerine bağlıdır.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Ham metrikler önemli olsa da geliştirici deneyimi çoğu zaman projenin başarısını belirler. Ultralytics Platformu, eski framework'leri her açıdan geride bırakan, bakımı iyi yapılan bir ekosistem sunar.

1. Kullanım Kolaylığı: Ultralytics, karmaşık şablon kodlarını soyutlar. YOLO26'yı eğitmek yalnızca birkaç satır Python gerektirir ve PP-YOLOE+'nın ihtiyaç duyduğu yoğun yapılandırma dosyalarını ortadan kaldırır.
2. Çok Yönlülük: PP-YOLOE+ öncelikle bir nesne algılama mimarisidir. YOLO26, kutudan çıktığı hâliyle segmentasyon, sınıflandırma, poz tahmini ve OBB desteği sunar.
3. Eğitim Verimliliği: Ultralytics YOLO modelleri, RT-DETR gibi hantal Transformer modellerine veya eski mimarilere kıyasla çok daha az CUDA belleği gerektirir ve araştırmacıların son teknoloji modelleri tüketici sınıfı donanımlarda eğitmesini sağlar.

Kod Örneği: YOLO26 Eğitimi#

Ultralytics ile çalışmaya başlamak sorunsuzdur. Aşağıda, bir YOLO26 modelini yükleme, eğitme ve doğrulama işlemlerini gösteren tamamen çalıştırılabilir bir örnek yer alır:

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 Alanları#

PP-YOLOE+ Ne Zaman Seçilmeli#

• Eski PaddlePaddle Altyapısı: Bir kuruluş Baidu'nun teknoloji yığınına zaten derinlemesine entegreyse ve Paddle Inference için önceden yapılandırılmış donanım kullanıyorsa PP-YOLOE+ güvenli ve kararlı bir tercihtir.
• Asya Üretim Merkezleri: Asya'daki birçok endüstriyel görü işlem hattı, otomatik hata algılama için PP-YOLOE+ desteğini sağlam ve önceden sunar.

YOLO26 Ne Zaman Seçilmeli?#

• Uç Bilişim ve IoT: %43 daha hızlı CPU çıkarımı ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi'ler, cep telefonları ve gömülü cihazlarda dağıtım için tartışmasız lider hâline getirir.
• Kalabalık Sahneler ve Akıllı Şehirler: Uçtan Uca NMS'siz mimari, geleneksel NMS'nin darboğaz oluşturabileceği otopark yönetimi ve trafik izleme gibi yoğun ortamlarda kararlı gecikme süresini garanti eder.
• Çok Görevli Projeler: İşlem hattın nesneleri izlemeyi, insan pozlarını tahmin etmeyi veya piksel düzeyinde kusursuz maskeler oluşturmayı gerektiriyorsa YOLO26 bunların tamamını tek ve birleşik bir Python paketi içinde ele alır.

Sonuç#

PP-YOLOE+ kendi ekosistemi içinde son derece yetenekli bir algılayıcı olmaya devam etse de YOLO26'nın yayımlanması paradigmayı değiştirdi. Ultralytics, LLM'den ilham alan eğitim optimizasyonlarını (MuSGD) durmaksızın optimize edilmiş, NMS'siz bir mimariyle birleştirerek hem son derece doğru hem de zahmetsizce dağıtılabilen bir model oluşturdu. Hız, doğruluk ve geliştirici deneyimi arasında en iyi dengeyi arayan modern geliştiriciler için YOLO26 kesin tercihtir.