PP-YOLOE+ ve YOLOv10#
Bilgisayarlı görü alanı sürekli gelişiyor ve yeni modeller gerçek zamanlı nesne algılamada mümkün olanın sınırlarını zorluyor. Bu kapsamlı teknik karşılaştırmada, farklı ekosistemler için tasarlanmış iki yetkin mimari olan PP-YOLOE+ ve YOLOv10'u inceleyeceğiz. Ayrıca genel alanın, Ultralytics Platformu gibi daha birleşik ve kullanımı kolay platformlara ve son teknoloji YOLO26 modeline doğru nasıl ilerlediğini de ele alacağız.
Modellere Giriş#
Bilgisayarlı görü projelerin için doğru temeli seçmek, her modelin mimarisindeki ödünleşimleri, dağıtım kısıtlamalarını ve ekosistem desteğini derinlemesine anlamayı gerektirir.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle geliştiricileri tarafından oluşturulan PP-YOLOE+, PaddleDetection ekosistemindeki önceki sürümlere kıyasla evrimsel bir adımdır.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddleDetection Deposu
- Belgeler: PP-YOLOE+ Resmî Belgeleri
Güçlü Yönler: PP-YOLOE+, PaddlePaddle çerçevesiyle derinlemesine bütünleşmiş ortamlarda öne çıkar. Gelişmiş bir CSPRepResNet omurgası sunar ve etkileyici Ortalama Hassasiyet Ortalaması (mAP) elde etmek için güçlü bir etiket atama stratejisi olan TAL'a dayanır. Asya'daki endüstriyel uygulamalarda yaygın olan sunucu sınıfı GPU'lara dağıtım için yüksek düzeyde optimize edilmiştir.
Zayıf Yönler: PP-YOLOE+'nın başlıca dezavantajı PaddlePaddle ekosistemine yoğun bağımlılığıdır; bu ekosistem PyTorch'a alışkın geliştiricilere daha az sezgisel gelebilir. Ayrıca işlem sonrası için geleneksel Aşırı Olmayan Bastırma (NMS) gerektirir; bu da gecikmeyi ve dağıtım karmaşıklığını artırır.
PP-YOLOE+ hakkında daha fazla bilgi edin
YOLOv10 Genel Bakış#
Tsinghua Üniversitesi araştırmacıları 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 çiftli atama yöntemidir. Bu, modelin ikincil bir filtreleme adımına gerek kalmadan sınırlayıcı kutuları yerel olarak tahmin etmesi demektir; böylece model dağıtımı uç cihazlarda çok daha kolay ve hızlı olur. Düşük parametre sayısı ile yüksek isabetlilik arasında mükemmel bir denge sunar.
Zayıf Yönler: Standart 2B nesne algılama için son derece verimli olsa da YOLOv10, örnek segmentasyonu ve poz tahmini gibi diğer önemli bilgisayarlı görü görevleri için yerel destek sunmaz; 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 açısından kritik öneme sahiptir. Aşağıda boyutları, doğrulukları ve gecikme süreleri ayrıntılı olarak karşılaştırılıyor.
| 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 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Teknik Analiz#
Verileri incelerken birkaç önemli eğilim öne çıkıyor. YOLOv10 nano ve small modelleri, uçta verimliliği önceliklendiriyor; YOLOv10n yalnızca 2,3 milyon parametreye ve 6,7B FLOP'a sahip. Bu hafif tasarım, NMS içermeyen mimarisiyle birlikte TensorRT ve OpenVINO kullanan platformlarda gecikmeyi önemli ölçüde azaltıyor.
Buna karşılık PP-YOLOE+, daha büyük ağırlık sınıflarında güçlü bir performans sergiliyor; X-large varyantı mAP bakımından YOLOv10x'i az farkla geride bırakıyor (%54,7'ye karşı %54,4). Ancak bunun bedeli, parametre sayısının üç kattan fazla olması (98,42M'ye karşı 29,5M); bu da YOLOv10x'i belleğin kısıtlı olduğu ortamlarda çok daha verimli bir model hâline getiriyor.
Ultralytics Ekosisteminin Avantajı#
PP-YOLOE+ ve YOLOv10 etkileyici teknik başarılara imza atmış olsa da modern ML mühendisliği, yalnızca ham bir mimariden fazlasını gerektirir; bakımı iyi yapılan bir ekosistem ister.
Ultralytics, veri toplama ve etiketleme, eğitim ve dağıtım süreçlerini büyük ölçüde kolaylaştıran, sektörün önde gelen Python SDK'sını sunar. Ağır araştırma çatılarına veya eski Transformer modellerine kıyasla Ultralytics mimarileri eğitim sırasında çok daha az CUDA belleği gerektirir; böylece daha büyük batch boyutları ve daha hızlı yinelemeler mümkün olur. Ayrıca Ultralytics paketi büyük bir esneklik sunar; görüntü sınıflandırmayı, OBB'yi (Yönlendirilmiş Sınırlayıcı Kutu) ve güçlü nesne takibini kutudan çıktığı gibi destekler.
YOLO26 ile Tanış: Yeni Nesil#
Ocak 2026'da yayımlanan Ultralytics YOLO26, bilgisayarlı görü evriminin zirvesini temsil eder; YOLOv10 gibi modellerden edinilen en iyi çıkarımları bir araya getirirken bu modellerin sınırlamalarını da giderir.
YOLO26'nın Temel Yenilikleri:
- Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10'da öncülük edilen kavramı temel alan YOLO26, çeşitli donanımlarda daha hızlı ve kolay dağıtım için NMS son işleme adımını ortadan kaldıran isteğe bağlı bir uçtan uca başlık (
nms=False) sunar. - DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak model mimarisi dışa aktarma için büyük ölçüde basitleştirilir ve düşük güç tüketimli uç yapay zekâ cihazlarıyla sorunsuz uyumluluk sağlanır.
- MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ve Muon'un bir birleşimini kullanır. Bu, daha önce görülmemiş bir eğitim kararlılığı ve çok daha hızlı yakınsama sağlar.
- CPU Çıkarımında %43'e Varan Hız Artışı: Gerçek dünya senaryoları için yoğun biçimde optimize edilen YOLO26, CPU hesaplamasına dayanan uygulamalarda büyük hız kazanımları sunar; bu özelliğiyle akıllı gözetim ve mobil dağıtımlar için idealdir.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, küçük nesneleri tanıma performansını önemli ölçüde artırır; bu, hava görüntüleri ve robotik için kritik bir etkendir.
- Göreve Özel İyileştirmeler: YOLOv10'dan farklı olarak YOLO26, segmentasyon için çok ölçekli proto'yu ve poz tahmini için Residual Log-Likelihood Estimation'ı (RLE) yerel olarak destekler.
Uygulamaya Geçirme#
Ultralytics modellerine başlamak zahmetsiz olacak şekilde tasarlanmıştır. Yalnızca birkaç satır kodla modern veri artırma işlem hatlarını kullanarak bir eğitim çalışması başlatabilirsin.
from ultralytics import YOLO
# Şiddetle önerilen YOLO26 modelini yükle
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde eğit
# Bellek kullanımı, Transformer mimarilerine kıyasla büyük ölçüde optimize edilmiştir
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Uçtan uca, NMS içermeyen çıkarımı çalıştır
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Dağıtım için doğrudan ONNX veya TensorRT'ye aktar
model.export(format="onnx", simplify=True)Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile YOLOv10 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+'ı Ne Zaman Seçmeli#
PP-YOLOE+ şu durumlar için güçlü bir seçenektir:
- PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
- Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.
YOLOv10'u Ne Zaman Seçmeli?#
YOLOv10 şu durumlarda önerilir:
- NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Hız ve Doğruluk Arasında Dengeli Ödünleşimler: 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'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan 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 içermeyen gerçek zamanlı algılamanın uygulanabilirliğini kanıtlayan önemli bir akademik kilometre taşıdır.
Ancak doğruluk, olağanüstü çıkarım hızı ve sorunsuz çoklu görev yeteneklerinin en iyi birleşimini arayan geliştiriciler için Ultralytics YOLO26 kesin tercihtir. Eğitim verimliliği ve uç öncelikli dağıtım mimarisindeki yenilikleri, 2026'da ve sonrasında üretim düzeyinde bilgisayarlı görü için en sağlam ve çok yönlü çözüm olmasını sağlar.