PP-YOLOE+ ve YOLOv10
Bilgisayarlı görü, gerçek zamanlı nesne algılamayı iyileştiren yeni modellerle gelişmeye devam ediyor. Bu teknik karşılaştırmada, farklı ekosistemler için tasarlanmış iki yetenekli mimari olan PP-YOLOE+ ve YOLOv10 inceleniyor. Ayrıca alanın Ultralytics Platform ve YOLO26 modeli gibi birleşik, kullanımı kolay araçlara doğru nasıl ilerlediği açıklanıyor.
Modellere Giriş#
Bilgisayarlı görü projelerin için doğru temeli seçmek, her modelin mimari ödünleşimlerini, dağıtım kısıtlarını ve ekosistem desteğini net biçimde anlamanı 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 sıkı biçimde bütünleşmiş ortamlarda öne çıkar. CSPRepResNet omurgası sunar ve güçlü ortalama Kesinlik Ortalaması (mAP) değerine ulaşmak için görevle uyumlu bir etiket atama stratejisi (TAL) kullanır. Endüstriyel uygulamalarda yaygın olan sunucu sınıfı GPU'larda dağıtım için optimize edilmiştir.
Zayıf Yönler: PP-YOLOE+'ın başlıca dezavantajı PaddlePaddle ekosistemine büyük ölçüde bağımlı olmasıdır; bu durum PyTorch'a alışkın geliştiriciler için kullanımı daha az sezgisel kılabilir. Ayrıca son işlem 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 araştırmacıları tarafından yayımlanan YOLOv10, çıkarım hattındaki NMS'yi kaldırarak mimaride önemli bir değişiklik 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 gerektirmeyen eğitim için kullandığı tutarlı ikili atama yöntemidir. Bu sayede model, ikinci bir filtreleme adımına ihtiyaç duymadan sınırlayıcı kutuları doğal olarak tahmin eder ve model dağıtımını uç cihazlarda çok daha basit ve hızlı hâle getirir. Az sayıda parametre ile yüksek doğruluk arasında güçlü bir denge kurar.
Zayıf Yönler: Standart 2B nesne algılamada oldukça verimli olsa da YOLOv10, örnek segmentasyonu ve poz tahmini gibi diğer önemli bilgisayarlı görü görevlerini doğal olarak desteklemez. Bu durum, karmaşık ve çok görevli işlem hatlarındaki çok yönlülüğünü kısıtlar.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Doğru mimariyi seçmek için bu modellerin standart kıyaslamalardaki performansını anlamak kritik önem taşır. Aşağıdaki tabloda modellerin boyutu, doğruluğu ve gecikmesi karşılaştırılıyor.
| Model | boyut (piksel) | mAPval50-95 | 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#
Veriler incelendiğinde birkaç temel eğilim öne çıkar. YOLOv10 nano ve small modelleri uç verimliliğini hedefler; YOLOv10n yalnızca 2.3 milyon parametre ve 6.7B FLOP kullanır. Bu hafif tasarım, NMS gerektirmeyen mimarisiyle birlikte TensorRT ve OpenVINO kullanan platformlarda gecikmeyi önemli ölçüde azaltır.
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 toplamayı ve etiketlemeyi, eğitimi ve dağıtımı önemli ölçüde basitleştiren bir Python paketi sunar. Ağır araştırma çerçeveleri veya eski Transformer modelleriyle karşılaştırıldığında Ultralytics mimarileri eğitim sırasında CUDA belleğinin yalnızca küçük bir bölümünü kullanır; böylece daha büyük toplu iş boyutları ve daha hızlı yinelemeler mümkün olur. Ultralytics paketi ayrıca görüntü sınıflandırmasını, OBB'yi (Yönlendirilmiş Sınırlayıcı Kutu) ve güçlü nesne takibini kutudan çıktığı hâliyle destekleyerek geniş bir kullanım yelpazesi sunar.
YOLO26 ile Tanış: Yeni Nesil#
Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLOv10 gibi modellerin en iyi fikirlerini bir araya getirirken bu modellerin sınırlamalarını giderir.
YOLO26'nın Temel Yenilikleri:
- Uçtan Uca NMS'siz Tasarım: YOLO modellerine YOLOv10 tarafından kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26, farklı donanımlarda daha hızlı ve basit dağıtım için NMS son işlemesini ortadan kaldıran isteğe bağlı bir uçtan uca başlık (
nms=False) sunar. - DFL'nin Kaldırılması: Distribution Focal Loss'u (DFL) kaldırmak, model mimarisinin dışa aktarımını basitleştirir ve düşük güçlü uç yapay zekâ cihazlarıyla uyumluluğu artırır.
- MuSGD İyileştiricisi: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2 modeli gibi) esinlenen YOLO26, SGD ile Muon'u birleştiren hibrit bir yöntem kullanır. Bu yöntem, kararlı eğitim ve çok daha hızlı yakınsama sağlar.
- CPU'da %43'e Varan Hızlı Çıkarım: Gerçek dünya senaryoları için optimize edilen YOLO26n, CPU hesaplamasına dayanan uygulamalarda YOLO11n'den %43'e kadar daha hızlıdır; bu da modeli akıllı gözetim ve mobil dağıtımlar için uygun kılar.
- ProgLoss + STAL: Aşamalı bir kayıp işlevi ve küçük hedeflere duyarlı bir etiket atama stratejisi, küçük nesneleri tanıma performansını önemli ölçüde iyileştirir. 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 modelleriyle işe başlamak kolay 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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
- 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, NMS içermeyen gerçek zamanlı tespitin uygulanabilirliğini kanıtlayan önemli bir akademik kilometre taşıdır.
Ancak doğruluk, hızlı çıkarım ve çoklu görev yeteneklerinin en iyi birleşimini arayan geliştiriciler için Ultralytics YOLO26 önerilen seçenektir. Eğitim verimliliği ve uç öncelikli dağıtım alanındaki yenilikleri, onu üretim düzeyinde bilgisayarlı görü için sağlam ve çok yönlü bir çözüm hâline getiriyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.