PP-YOLOE+ ve YOLO26: Gerçek Zamanlı Nesne Algılama Mimarilerine Derinlemesine Bir Bakış

Gerçek zamanlı bilgisayar görüşü alanı, ölçeklenebilir, verimli ve yüksek doğruluklu nesne algılama modellerine olan ihtiyaçla birlikte muazzam bir büyüme kaydetmiştir. Bu alandaki öne çıkan iki mimari, PaddlePaddle ekosisteminden güçlü bir dedektör olan PP-YOLOE+ ve uç dağıtım ile eğitim verimliliğini yeniden tanımlayan en son teknoloji model olan Ultralytics YOLO26'dır.

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

Teknik Özellikler ve Yazarlık

Bu modellerin arkasındaki kökenleri 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+ 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
Belgeler:YOLO26 Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edinin

Mimari Yenilikler

PP-YOLOE+ Mimarisi

Selefi PP-YOLOv2 üzerine inşa edilen PP-YOLOE+, endüstriyel uygulamalar için özel olarak tasarlanmış sağlam bir yapı sunar. Hız ve doğruluğu dengelemek için CSPRepResNet backbone'unu ve bir ET-head'i (Efficient Task-aligned head) kullanır. PP-YOLOE+, dinamik etiket atamasını (TAL) kullanır ve Baidu'nun PaddlePaddle çerçevesiyle sorunsuz bir şekilde entegre olur, bu da onu T4 ve V100 gibi NVIDIA GPU'lar için yüksek oranda optimize edilmiş hale getirir. Ancak, PaddlePaddle ekosistemine olan yoğun bağımlılığı, PyTorch iş akışlarına alışkın geliştiriciler için sürtünme yaratabilir.

YOLO26 Mimarisi: Önce Uç Devrimi

2026 yılının başlarında piyasaya sürülen Ultralytics YOLO26, gerçek zamanlı algılama hattını tamamen yeniden tasarlıyor ve dağıtım basitliğine ve uç verimliliğine büyük bir vurgu yapıyor.

Temel YOLO26 yenilikleri şunlardır:

Uçtan Uca NMS'siz Tasarım: YOLO26 doğal olarak uçtan uca bir yapıya sahiptir ve Non-Maximum Suppression (NMS) son işlemine olan ihtiyacı tamamen ortadan kaldırır. YOLOv10'da öncülük edilen bu çığır açan gelişme, sahne yoğunluğundan bağımsız olarak tutarlı çıkarım gecikmesi sağlar ve dağıtımı önemli ölçüde basitleştirir.
DFL Kaldırılması: Distribution Focal Loss (DFL) kaldırılmasıyla, YOLO26 çıktı başlığını önemli ölçüde basitleştirir. Bu, kenar cihazları ve mikrodenetleyicilerle çok daha iyi 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 edilmiştir ve YOLO11'e kıyasla CPU'larda %43'e kadar daha hızlı çıkarım hızları elde eder.
MuSGD Optimizatörü: Moonshot AI gibi gelişmiş LLM eğitim tekniklerinden ilham alan YOLO26, SGD ve Muon'un bir hibritini sunar. Bu, bilgisayar görüşü görevlerine eşsiz eğitim kararlılığı ve daha hızlı yakınsama getirir.
ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, özellikle küçük nesne tanımayı hedefler ve iyileştirir; bu da drone operasyonları ve IoT kenar sensörleri için kritik öneme sahiptir.

YOLO26'da Görev Odaklı İyileştirmeler

Standart sınırlayıcı kutuların ötesinde, YOLO26 tüm görüş görevlerinde belirli yükseltmeler sunar. segmentasyon için anlamsal segmentasyon kaybı ve çok ölçekli prototipleme, Poz Tahmini için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Box (OBB) detectsiyonunda sınır sorunlarını çözmek için özel bir açı kaybı kullanır.

Performans ve Metrikler

Aşağıdaki tablo, PP-YOLOE+'nın çeşitli model boyutlarında YOLO26 ile nasıl karşılaştırıldığını kapsamlı bir şekilde göstermektedir. YOLO26 modelleri, ham hız, parametre verimliliği ve genel Mean Average Precision (mAP) açısından açıkça üstündür.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
PP-YOLOE+t	640	39.9	-	2.84	4.85	19.15
PP-YOLOE+s	640	43.7	-	2.62	7.93	17.36
PP-YOLOE+m	640	49.8	-	5.56	23.43	49.91
PP-YOLOE+l	640	52.9	-	8.36	52.2	110.07
PP-YOLOE+x	640	54.7	-	14.3	98.42	206.59

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

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

Analiz

Bellek Gereksinimleri ve Verimliliği: YOLO26, daha yüksek mAP skorları elde etmek için önemli ölçüde daha az parametre ve FLOP gerektirir. Örneğin, YOLO26n (Nano) modeli, yalnızca 2.4M parametre ile 40.9 mAP elde eder ve PP-YOLOE+t modelini geride bırakırken yaklaşık olarak yarısı boyutundadır. Bu, hem eğitim hem de dağıtım sırasında daha düşük bellek kullanımına dönüşür.
Çıkarım Hızı: TensorRT kullanılarak dışa aktarıldığında, YOLO26 gecikme metriklerinde üstündür. NMS'nin kaldırılması, bir T4 GPU'da 1.7ms'lik çıkarım süresinin mükemmel bir şekilde stabil kalmasını sağlarken, PP-YOLOE+ potansiyel olarak değişken son işlem sürelerine dayanır.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı

Ham metrikler önemli olsa da, geliştirici deneyimi genellikle proje başarısını belirler. Ultralytics Platformu, eski çerçeveleri tamamen geride bırakan, iyi yönetilen bir ekosistem sunar.

Kullanım Kolaylığı: Ultralytics, karmaşık şablon kodlarını soyutlar. YOLO26'yı eğitmek yalnızca birkaç satır python kodu gerektirir ve PP-YOLOE+'nın gerektirdiği yoğun yapılandırma dosyalarından kaçınır.
Çok Yönlülük: PP-YOLOE+ öncelikli olarak bir nesne detectsiyon mimarisidir. YOLO26, segmentasyon, sınıflandırma, poz tahmini ve OBB için kullanıma hazır destek sunar.
Eğitim Verimliliği: Ultralytics YOLO modelleri, RT-DETR gibi büyük transformer modellerine veya eski mimarilere kıyasla çok daha düşük CUDA belleği gerektirir; bu da araştırmacıların tüketici sınıfı donanımlarda son teknoloji modelleri eğitmesini sağlar.

Diğer Ultralytics Modelleri

YOLO26 mevcut araştırmaların zirvesi olsa da, Ultralytics ekosistemi aynı zamanda YOLO11 ve YOLOv8'i de barındırır. Her ikisi de büyük topluluk desteğine sahip, oldukça yetenekli modeller olmaya devam etmektedir ve eski, miras sistemlerden geçiş yapan kullanıcılar için idealdir.

Kod Örneği: YOLO26 Eğitimi

Ultralytics ile başlamak sorunsuzdur. İşte bir YOLO26 modelini nasıl yükleyeceğinizi, eğiteceğinizi ve doğrulayacağınızı 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

Ne Zaman PP-YOLOE+ Seçmeli

Eski PaddlePaddle Altyapısı: Bir işletme zaten Baidu'nun teknoloji yığınına derinden entegre olmuşsa ve Paddle Inference için önceden yapılandırılmış donanım kullanıyorsa, PP-YOLOE+ güvenli ve istikrarlı bir seçimdir.
Asya Üretim Merkezleri: Asya'daki birçok endüstriyel görüş hattı, otomatik kusur detectsiyonunda PP-YOLOE+ için sağlam, önceden var olan desteğe sahiptir.

YOLO26 Ne Zaman Seçilmeli

Kenar 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 şampiyon yapar.
Kalabalık Sahneler ve Akıllı Şehirler: Uçtan Uca NMS'siz mimari, geleneksel NMS'nin darboğazlara neden olacağı park yönetimi ve trafik izleme gibi yoğun ortamlarda stabil gecikmeyi garanti eder.
Çok Görevli Projeler: İş hattınız nesneleri track etmeyi, insan pozlarını tahmin etmeyi veya piksel mükemmelliğinde maskeler oluşturmayı gerektiriyorsa, YOLO26 tüm bunları tek, birleşik bir python paketi içinde halleder.

Sonuç

PP-YOLOE+ kendi özel ekosisteminde oldukça yetenekli bir detectör olmaya devam etse de, YOLO26'nın piyasaya sürülmesi paradigmayı değiştirdi. LLM'den ilham alan eğitim optimizasyonlarını (MuSGD) amansızca optimize edilmiş, NMS'siz bir mimariyle birleştirerek, Ultralytics hem yüksek doğrulukta hem de zahmetsizce dağıtılabilir bir model oluşturdu. Hız, doğruluk ve geliştirici deneyiminin en iyi dengesini arayan modern geliştiriciler için YOLO26 kesin tercihtir.