Link to this sectionPP-YOLOE+ ve YOLOv10#

Bilgisayarlı görü dünyası sürekli gelişiyor ve yeni modeller, gerçek zamanlı nesne algılamada mümkün olanın sınırlarını zorluyor. Bu kapsamlı teknik karşılaştırmada, farklı ekosistemler için tasarlanmış iki yetenekli mimari olan PP-YOLOE+ ve YOLOv10'u inceleyeceğiz. Ayrıca, daha geniş ekosistemin Ultralytics Platform gibi daha birleşik, kullanımı kolay platformlara ve son teknoloji ürünü YOLO26 modeline doğru nasıl evrildiğini keşfedeceğiz.

Link to this sectionModellere Giriş#

Bilgisayarlı görü projelerin için doğru temeli seçmek, her modelin mimari ödünleşimlerini, dağıtım kısıtlamalarını ve ekosistem desteğini derinlemesine anlamayı gerektirir.

Link to this sectionPP-YOLOE+ Genel Bakış#

Baidu'daki PaddlePaddle Yazarları tarafından geliştirilen PP-YOLOE+, PaddleDetection ekosistemindeki önceki yinelemelerin üzerinde evrimsel bir adımdır.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddleDetection Deposu
• Dokümantasyon: PP-YOLOE+ Resmi Dokümantasyonu

Güçlü Yönler: PP-YOLOE+, PaddlePaddle çerçevesi ile derinlemesine entegre olmuş ortamlarda öne çıkar. Gelişmiş bir CSPRepResNet omurgası sunar ve etkileyici ortalama Hassasiyet (mAP) değerleri elde etmek için güçlü bir etiket atama stratejisine (TAL) dayanır. Asya'daki endüstriyel uygulamalarda yaygın olan sunucu sınıfı GPU'larda dağıtım için yüksek düzeyde optimize edilmiştir.

Zayıf Yönler: PP-YOLOE+'nın temel dezavantajı, PyTorch'a alışkın geliştiriciler için daha az sezgisel olabilen PaddlePaddle ekosistemine olan yoğun bağımlılığıdır. Ayrıca, post-processing için geleneksel Non-Maximum Suppression (NMS) gerektirir; bu da gecikmeye ve dağıtım karmaşıklığına neden olur.

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionYOLOv10'a Genel Bakış#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından yayınlanan YOLOv10, çıkarım hattından NMS'yi kaldırarak önemli bir mimari paradigma değişimi getirdi.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Organizasyon: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: YOLOv10 Deposu
• Dokümantasyon: YOLOv10 Dokümantasyonu

Güçlü Yönler: YOLOv10'un en dikkat çekici özelliği, NMS'siz eğitim için tutarlı çift atamalarıdır. Bu, modelin ikincil bir filtreleme adımına gerek duymadan doğal olarak sınırlayıcı kutuları (bounding boxes) tahmin etmesi anlamına gelir; bu da model dağıtımını uç cihazlarda çok daha basit ve hızlı hale getirir. Düşük parametre sayısı ile yüksek doğruluk arasında mükemmel bir denge sağlar.

Zayıf Yönler: Standart 2D nesne algılama için oldukça verimli olsa da, YOLOv10 örnek bölümleme ve poz tahmini gibi diğer kritik bilgisayarlı görü görevleri için yerel desteğe sahip değildir, bu da karmaşık, çok görevli hatlardaki çok yönlülüğünü sınırlar.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modellerin standart karşılaştırma testlerinde nasıl performans gösterdiğini anlamak, doğru mimariyi seçmek için çok önemlidir. Aşağıda boyutları, doğrulukları ve gecikmeleri hakkında detaylı bir karşılaştırma bulunmaktadır.

Link to this sectionTeknik Analiz#

Verileri analiz ederken birkaç ana eğilim ortaya çıkıyor. YOLOv10 nano ve small modelleri, 2,3 milyon parametre ve 6,7B FLOPs ile övünen YOLOv10n ile uç verimliliğini agresif bir şekilde hedefliyor. Bu hafif tasarım, NMS'siz mimarisiyle birleştiğinde, TensorRT ve OpenVINO kullanan platformlarda gecikmeyi önemli ölçüde azaltıyor.

Buna karşılık, PP-YOLOE+, X-large varyantının mAP'de (yüzde 54,7'ye karşı yüzde 54,4) YOLOv10x'i marjinal bir farkla geride bırakmasıyla daha büyük ağırlık sınıflarında güçlü bir yetenek sergiliyor. Ancak bu, parametre sayısının neredeyse iki katına (98,42M'ye karşı 56,9M) çıkması pahasına gerçekleşiyor ve bu da YOLOv10x'i bellek kısıtlamalı ortamlar için önemli ölçüde daha verimli bir model haline getiriyor.

Link to this sectionUltralytics Ekosistemi Avantajı#

PP-YOLOE+ ve YOLOv10 etkileyici teknik başarılar sunsa da, modern ML mühendisliği sadece ham bir mimariden fazlasını gerektirir; iyi bakılan bir ekosistem gerektirir.

Ultralytics, veri toplama ve etiketleme, eğitim ve dağıtım süreçlerini önemli ölçüde basitleştiren, sektör lideri bir Python SDK sağlar. Ağır araştırma çerçevelerine veya eski transformer modellerine kıyasla, Ultralytics mimarileri eğitim sırasında çok daha az CUDA belleği tüketerek daha büyük yığın boyutlarına ve daha hızlı yinelemelere olanak tanır. Ayrıca Ultralytics paketi, görüntü sınıflandırma, OBB (Yönlendirilmiş Sınırlayıcı Kutu) ve kutudan çıktığı gibi sağlam nesne takibi desteğiyle muazzam bir çok yönlülük sunar.

Link to this sectionYOLO26 ile Tanış: Yeni Nesil#

Ocak 2026'da yayınlanan Ultralytics YOLO26, YOLOv10 gibi modellerin en iyi içgörülerini birleştirirken sınırlamalarını gidererek bilgisayarlı görü evriminin zirvesini temsil ediyor.

YOLO26'nın Temel Yenilikleri:

• Uçtan Uca NMS'siz Tasarım: YOLOv10'da öncülük edilen konsept üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır ve farklı donanımlarda daha hızlı, daha basit dağıtım için NMS post-processing işlemini tamamen ortadan kaldırır.
• DFL Kaldırma: Distribution Focal Loss (DFL) kaldırılarak, model mimarisi dışa aktarım için büyük ölçüde basitleştirilmiştir ve düşük güçlü uç yapay zeka cihazlarıyla kusursuz uyumluluk sağlanmıştır.
• MuSGD Optimize Edici: (Moonshot AI'ın Kimi K2'si gibi) büyük dil modeli eğitim tekniklerinden ilham alan YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, benzeri görülmemiş bir eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları sunar.
• 43%'e Kadar Daha Hızlı CPU Çıkarımı: Gerçek dünya senaryoları için yoğun bir şekilde optimize edilen YOLO26, CPU hesaplamasına dayanan uygulamalar için büyük hız artışları sunar; bu da onu akıllı gözetim ve mobil dağıtımlar için mükemmel kılar.
• ProgLoss + STAL: Bu iyileştirilmiş kayıp fonksiyonları, hava görüntüleri ve robotik için kritik bir faktör olan küçük nesne tanıma performansını önemli ölçüde artırır.
• Göreve Özel İyileştirmeler: YOLOv10'un aksine, YOLO26 segmentasyon için çok ölçekli proto ve poz tahmini için Residual Log-Likelihood Estimation (RLE) desteğini yerel olarak sunar.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionPratik Uygulama#

Ultralytics modelleri ile başlangıç yapmak, sorunsuz olacak şekilde tasarlanmıştır. Yalnızca birkaç satır kodla, otomatik hiperparametre ayarlama ve modern veri artırma 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)

Link to this sectionKullanım Durumları ve Öneriler#

PP-YOLOE+ ve YOLOv10 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
• Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için önerilir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionSonuç#

PP-YOLOE+, Baidu ekosistemine ve endüstriyel sunucu ortamlarına kilitlenmiş ekipler için güvenilir bir seçenek olmaya devam ediyor. YOLOv10, NMS'siz, gerçek zamanlı algılamanın uygulanabilirliğini kanıtlayan parlak bir akademik dönüm noktasını temsil ediyor.

Ancak, doğruluk, yüksek çıkarım hızı ve kesintisiz çok görevli yeteneklerin nihai karışımını arayan geliştiriciler için Ultralytics YOLO26 kesin seçimdir. Eğitim verimliliği ve uç öncelikli dağıtım mimarisindeki yenilikleri, onun 2026 ve sonrasında prodüksiyon sınıfı bilgisayarlı görü için en sağlam ve çok yönlü çözüm olarak kalmasını sağlar.