PP-YOLOE+ ve YOLOv10#
Bilgisayarlı görü dünyası sürekli gelişmekte olup, yeni modeller gerçek zamanlı nesne tespiti alanında mümkün olanın sınırlarını zorlamaktadır. Bu kapsamlı teknik karşılaştırmada, farklı ekosistemler için tasarlanmış son derece yetenekli iki mimari olan PP-YOLOE+ ve YOLOv10'u inceleyeceğiz. Ayrıca daha geniş kapsamlı bu dünyanın Ultralytics Platform ve son teknoloji ürünü YOLO26 modeli gibi daha birleşik, kullanımı kolay platformlara doğru nasıl evrildiğini keşfedeceğiz.
Modellere Giriş#
Bilgisayarlı görü projelerin için doğru temeli seçmek, her modelin mimari ödünleşimlerinin, dağıtım kısıtlamalarının ve ekosistem desteğinin derinlemesine anlaşılmasını gerektirir.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle Yazarları tarafından geliştirilen PP-YOLOE+, PaddleDetection ekosistemindeki önceki yinelemelerin üzerinde evrimsel bir adımdır.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 02.04.2022
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection Deposu
- Belgeler: PP-YOLOE+ Resmi Belgeleri
Güçlü Yönleri: PP-YOLOE+, PaddlePaddle çerçevesi ile derinlemesine entegre olmuş ortamlarda üstün başarı gösterir. Gelişmiş bir CSPRepResNet omurgası sunar ve etkileyici bir ortalama Ortalama Kesinlik (mAP) elde etmek için güçlü bir etiket atama stratejisine (TAL) güvenir. 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
YOLOv10'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.
- Kuruluş: Tsinghua University
- Tarih: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: YOLOv10 Deposu
- Belgeler: YOLOv10 Belgeleri
Güçlü Yönleri: YOLOv10'un en dikkat çekici özelliği, NMS'siz eğitim için tutarlı ikili atamalarıdır. Bu, modelin ikincil bir filtreleme adımına ihtiyaç duymadan yerel olarak sınırlayıcı kutular tahmin ettiği 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 Yönleri: Standart 2D nesne tespiti için oldukça verimli olmasına rağmen YOLOv10, örnek segmentasyonu ve poz tahmini gibi diğer hayati bilgisayarlı görü görevleri için yerel desteğe sahip değildir ve bu da karmaşık, çok görevli boru hatlarındaki çok yönlülüğünü sınırlandırır.
YOLOv10 hakkında daha fazla bilgi edin
Performans 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.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 analiz ederken birkaç önemli trend ortaya çıkmaktadır. YOLOv10 nano ve küçük modelleri, yalnızca 2,3 milyon parametreye ve 6,7B FLOP'a sahip YOLOv10n ile uç verimliliğini agresif bir şekilde hedefler. Bu hafif tasarım, NMS'siz mimarisiyle birleştiğinde TensorRT ve OpenVINO kullanan platformlardaki gecikmeyi büyük ölçüde azaltır.
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.
Ultralytics Ekosistemi Avantajı#
Hem PP-YOLOE+ hem de YOLOv10 cazip teknik başarılar sunarken, modern ML mühendisliği ham bir mimariden fazlasını gerektirir; iyi bakım yapılan bir ekosistem gerektirir.
Ultralytics; veri toplama ve etiketleme, eğitim ve dağıtımı önemli ölçüde basitleştiren sektör lideri bir Python SDK sağlar. Ağır araştırma çerçevelerine veya eski dönüştürücü modellerine kıyasla Ultralytics mimarileri, eğitim sırasında çok daha az CUDA belleği gerektirerek daha büyük toplu iş boyutlarına ve daha hızlı yinelemelere olanak tanır. Ayrıca Ultralytics paketi; görüntü sınıflandırma, OBB (Yönlendirilmiş Sınırlayıcı Kutu) ve sağlam nesne takibini kutudan çıkar çıkmaz destekleyerek muazzam bir çok yönlülük sunar.
YOLO26 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: Dağıtım Odaklı Kayıp (DFL) kaldırılarak model mimarisi dışa aktarım için büyük ölçüde basitleştirilir ve düşük güç tüketimine sahip uç AI cihazlarıyla kusursuz uyumluluk sağlanır.
- 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 edilmiş olan YOLO26, CPU hesaplamasına dayanan uygulamalar için devasa hız artışları sunarak akıllı gözetim ve mobil dağıtımlar için mükemmel hale gelir.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, hava görüntüsü ve robotik için kritik bir faktör olan küçük nesne tanıma performansını büyük 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
Pratik 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)Kullanım Durumları ve Öneriler#
PP-YOLOE+ ve YOLOv10 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şu durumlar için güçlü bir tercihtir:
- PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
- 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.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Sonuç#
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.