PP-YOLOE+ ve YOLOv10#
Bilgisayarlı görü alanı sürekli gelişiyor; yeni modeller, gerçek zamanlı nesne algılamada mümkün olanların sınırlarını zorluyor. Bu kapsamlı teknik karşılaştırmada, farklı ekosistemler için tasarlanmış ve yüksek kapasiteye sahip iki mimari olan PP-YOLOE+ ile YOLOv10'u inceleyeceğiz. Ayrıca, daha geniş alanın Ultralytics Platform ve son teknoloji YOLO26 modeli gibi daha bütünleşik ve kullanımı kolay platformlara nasıl yöneldiğini de ele alacağız.
Modellere Giriş#
Bilgisayarlı görü projelerin için doğru temeli seçmek, her modelin mimari ödünleşimlerini, dağıtım kısıtlamalarını ve ekosistem desteğini derinlemesine anlamanı gerektirir.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle geliştiricileri tarafından geliştirilen PP-YOLOE+, PaddleDetection ekosistemindeki önceki sürümlerin evrimsel bir adımıdır.
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection deposu
- Belgeler: PP-YOLOE+ Resmi Belgeleri
Güçlü yönler: PP-YOLOE+, PaddlePaddle framework ile derinlemesine entegre ortamlarda üstün performans gösterir. Gelişmiş bir CSPRepResNet omurgası sunar ve etkileyici ortalama Kesinlik (mAP) elde etmek için güçlü bir etiket atama stratejisine (TAL) dayanır. Asya'daki endüstriyel uygulamalarda yaygın olan sunucu sınıfı GPU'larda dağıtım için büyük ölçüde optimize edilmiştir.
Zayıf yönler: PP-YOLOE+'nın başlıca dezavantajı, PyTorch'a alışkın geliştiriciler için daha az sezgisel olabilen PaddlePaddle ekosistemine büyük ölçüde bağımlı olmasıdır. Ayrıca son işleme için geleneksel Maksimum Olmayan Bastırma (NMS) gerektirir; bu da gecikmeyi ve dağıtım karmaşıklığını artırır.
PP-YOLOE+ hakkında daha fazla bilgi edin
YOLOv10 Genel Bakış#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından yayımlanan YOLOv10, çıkarım işlem hattından NMS'yi kaldırarak önemli bir mimari paradigma değişikliği getirdi.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Tarih: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: YOLOv10 Deposu
- Belgeler: YOLOv10 Belgeleri
Güçlü yönler: YOLOv10'un öne çıkan özelliği, NMS'siz eğitim için tutarlı ikili atamalardır. Bu, modelin ikincil bir filtreleme adımına ihtiyaç duymadan sınırlayıcı kutuları yerel olarak tahmin ettiği anlamına gelir; böylece model dağıtımı, uç cihazlarda çok daha basit ve hızlı hâle gelir. Düşük parametre sayısı ile yüksek doğruluk arasında mükemmel bir denge sağlar.
Zayıf yönler: Standart 2B nesne algılama için son derece verimli olsa da YOLOv10, örnek bölütleme ve poz tahmini gibi diğer önemli bilgisayarlı görü görevleri için yerel desteğe sahip değildir; bu da karmaşık, çok görevli işlem hatlarındaki çok yönlülüğünü sınırlar.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu modellerin standartlaştırılmış kıyaslamalarda nasıl performans gösterdiğini anlamak, doğru mimariyi seçmek için kritik öneme sahiptir. Aşağıda boyut, doğruluk ve gecikme açısından ayrıntılı bir karşılaştırma yer alıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Teknik Analiz#
Verileri incelerken birkaç önemli eğilim ortaya çıkıyor. YOLOv10 nano ve small modelleri uç cihaz verimliliğini agresif biçimde hedefliyor; YOLOv10n yalnızca 2,3 milyon parametreye ve 6,7B FLOPs'a sahip. Bu hafif tasarım, NMS'siz mimarisiyle birlikte TensorRT ve OpenVINO kullanan platformlarda gecikmeyi büyük ölçüde azaltıyor.
Buna karşılık PP-YOLOE+, daha büyük ağırlık sınıflarında güçlü bir yetenek sergiliyor; X-large varyantı mAP açısından YOLOv10x'i az farkla geride bırakıyor (%54,7'ye karşı %54,4). Ancak bunun bedeli, neredeyse iki katı parametre sayısıdır (98,42M'ye karşı 56,9M); bu da YOLOv10x'i belleğin kısıtlı olduğu ortamlar için önemli ölçüde daha verimli bir model hâline getiriyor.
Ultralytics Ekosisteminin Avantajı#
Hem PP-YOLOE+ hem de YOLOv10 etkileyici teknik başarılar sunsa da modern ML mühendisliği yalnızca ham bir mimariden fazlasını gerektirir; bunun için iyi sürdürülen bir ekosistem gerekir.
Ultralytics, veri toplama ve açıklama, eğitim ve dağıtım süreçlerini büyük ölçüde basitleştiren sektör lideri bir Python SDK sunar. Ağır araştırma framework'leri veya eski Transformer modelleriyle karşılaştırıldığında Ultralytics mimarileri eğitim sırasında CUDA belleğinin yalnızca küçük bir bölümünü kullanır; bu da daha büyük toplu iş boyutlarına ve daha hızlı yinelemelere olanak tanır. Ayrıca Ultralytics paketi, görüntü sınıflandırma, OBB (Yönlendirilmiş Sınırlayıcı Kutu) ve güçlü nesne izleme desteğini doğrudan sunarak büyük bir çok yönlülük sağlar.
YOLO26 ile Tanışın: Yeni Nesil#
Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLOv10 gibi modellerden elde edilen en iyi içgörüleri bir araya getirirken onların sınırlamalarını da ele alarak bilgisayarlı görü evriminin zirvesini temsil ediyor.
YOLO26'nın Temel Yenilikleri:
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un öncülük ettiği kavram üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır ve farklı donanımlarda daha hızlı, daha basit dağıtım için NMS son işlemesini tamamen ortadan kaldırır.
- DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak model mimarisi dışa aktarma için büyük ölçüde basitleştirilir ve düşük güçlü uç AI cihazları ile kusursuz uyumluluk sağlanır.
- MuSGD Optimize Edicisi: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ile Muon'un bir birleşimini kullanır. Bu, benzeri görülmemiş bir eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Gerçek dünya senaryoları için yoğun biçimde optimize edilen YOLO26, CPU hesaplamasına dayanan uygulamalarda büyük hız artışları sunar; bu da onu akıllı gözetim ve mobil dağıtımlar için ideal hâle getirir.
- ProgLoss + STAL: Bu iyileştirilmiş kayıp fonksiyonları, hava görüntüleri ve robotik için kritik bir faktör olan küçük nesne tanıma performansını büyük ölçüde artırır.
- Göreve Özel İyileştirmeler: YOLOv10'un aksine YOLO26, bölütleme için çok ölçekli proto'yu ve poz tahmini için Residual Log-Likelihood Estimation (RLE) yöntemini yerel olarak destekler.
Pratik Uygulama#
Ultralytics modellerini kullanmaya başlamak sürtünmesiz olacak şekilde tasarlanmıştır. Yalnızca birkaç satır kodla otomatik hiperparametre ayarı ve modern veri artırma işlem hatlarını kullanarak bir eğitim çalışması başlatabilirsin.
from ultralytics import YOLO
# Load the highly recommended YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# Memory usage is highly optimized compared to transformer architectures
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Run an end-to-end NMS-free inference
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Export directly to ONNX or TensorRT for deployment
model.export(format="onnx", simplify=True)Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+, şu kişiler için güçlü bir seçimdir:
- PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
- Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.
YOLOv10 Ne Zaman Seçilmeli?#
YOLOv10 şu durumlar için önerilir:
- NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Dengesi: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Sonuç#
PP-YOLOE+, Baidu ekosistemine ve endüstriyel sunucu ortamlarına bağlı ekipler için güvenilir bir seçenek olmaya devam ediyor. YOLOv10 ise NMS'siz, gerçek zamanlı algılamanın uygulanabilirliğini kanıtlayan parlak bir akademik dönüm noktasını temsil ediyor.
Ancak doğruluk, son derece yüksek çıkarım hızı ve sorunsuz çok görevli yeteneklerin en iyi birleşimini arayan geliştiriciler için Ultralytics YOLO26 kesin tercihtir. Eğitim verimliliğindeki yenilikleri ve uç cihazları önceleyen dağıtım mimarisi, onun 2026 ve sonrasında üretim sınıfı bilgisayarlı görü için en güçlü ve çok yönlü çözüm olmasını sağlıyor.