PP-YOLOE+ ile YOLOv5 karşılaştırması#
Bilgisayarlı görü için doğru derin öğrenme çerçevesini seçerken geliştiriciler, hız, doğruluk ve dağıtım kolaylığı arasında ideal dengeyi bulmak için genellikle farklı mimarilerin yeteneklerini karşılaştırır. Bu derinlemesine incelemede PP-YOLOE+ ile YOLOv5 arasındaki teknik nüansları ele alacağız. Mimarilerini, performans ölçümlerini ve ideal dağıtım senaryolarını analiz ederek ister gerçek zamanlı robotik, ister uçta dağıtım, ister bulut tabanlı video analitiği içersin, bir sonraki projen için bilinçli bir karar verebilirsin.
Model Kökenleri ve Meta Verileri#
Her iki model de son derece yetkin mühendislik ekiplerinin çalışmalarından doğmuştur, ancak biraz farklı ekosistemleri hedefler. Kökenlerini anlamak, mimari tasarım tercihlerine ilişkin değerli bir bağlam sağlar.
PP-YOLOE+ Ayrıntıları:
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Belgeler: PaddleDetection README
PP-YOLOE+ hakkında daha fazla bilgi edinin
YOLOv5 Ayrıntıları:
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- Belgeler: https://docs.ultralytics.com/models/yolov5
Mimari Karşılaştırması#
PP-YOLOE+ Mimarisi#
PP-YOLOE+, Baidu ekosistemi içinde, PP-YOLOv2 gibi önceki modellerin temeli üzerine geliştirilmiş bir evrimdir. Çapraz Aşama Kısmi (CSP) ağlarının ilkelerini yeniden parametreleştirme teknikleriyle birleştiren, yoğun biçimde optimize edilmiş bir CSPRepResNet omurgası sunar ve özellik çıkarımını geliştirir. Bu sayede model, eğitim sırasında yüksek doğruluğu korurken daha hızlı çıkarım için daha yalın bir mimariye indirgenebilir.
Ayrıca PP-YOLOE+, Görev Hizalama Öğrenimi (TAL) ve Verimli Görev Hizalı başlık (ET-head) kullanır. Bu birleşim, yoğun nesne algılayıcılarda yaygın bir darboğaz olan sınıflandırma ve konumlandırma görevleri arasındaki uyumsuzluğu çözmeyi amaçlar. Mimari yapısal olarak etkileyici olsa da PaddlePaddle framework ile sıkı biçimde bağlıdır; bu da diğer yaygın ML kütüphanelerini standartlaştıran ekipler için entegrasyon zorlukları oluşturabilir.
YOLOv5 Mimarisi#
Buna karşılık YOLOv5, hem akademik araştırma hem de kurumsal üretim için sektör standardı olan PyTorch üzerinde yerel olarak geliştirilmiştir. Olağanüstü gradyan akışı ve parametre verimliliğiyle bilinen, değiştirilmiş bir CSPDarknet53 omurgası kullanır.
YOLOv5'in ayırt edici özelliklerinden biri, eğitimden önce belirli özel veri kümen temelinde anchor box boyutlarını dinamik olarak kontrol edip ayarlayan AutoAnchor algoritmasıdır. Bu, sınırlayıcı kutular için manuel hiperparametre ayarını ortadan kaldırır. Modelin Path Aggregation Network (PANet) boynu, güçlü çok ölçekli özellik birleştirmesi sağlayarak farklı boyutlardaki nesneleri algılamada yüksek etkinlik sunar.
YOLOv5 doğrudan PyTorch üzerine kurulduğundan, ONNX ve TensorRT gibi optimize edilmiş biçimlere dışa aktarma, yerelleştirilmiş çerçevelere bağlı modellere kıyasla çok daha az ara yazılım yapılandırması gerektirir.
Performans Analizi#
Bu modelleri değerlendirmek, Ortalama Ortalama Kesinlik (mAP) ile gecikme arasındaki ödünleşime bakmayı gerektirir. Aşağıdaki tablo, farklı model boyutlarındaki ölçümleri gösterir.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
PP-YOLOE+ daha büyük ölçeklerde (X varyantı gibi) son derece rekabetçi mAP skorlarına ulaşırken, YOLOv5 daha küçük ölçekte üstün hız ve daha düşük parametre sayıları sunar. YOLOv5 Nano (YOLOv5n) yalnızca 2,6 milyon parametre gerektirir; bu da onu bellek gereksinimlerinin sıkı olduğu kısıtlı uç cihazlar için son derece uygun hale getirir. Ayrıca YOLO modellerini eğitmek, RT-DETR gibi ağır Transformer tabanlı alternatiflere kıyasla genellikle daha az CUDA belleği tüketir.
Ultralytics Avantajı#
Bir mimari seçerken ham ölçümler denklemin yalnızca bir parçasıdır. Geliştirici deneyimi, ekosistem desteği ve dağıtım işlem hatları genellikle bir projenin gerçek dünyadaki başarısını belirler. Ultralytics modelleri işte bu noktada öne çıkar.
Eşsiz Kullanım Kolaylığı#
Ultralytics için Python API, karmaşık şablon kodlarını soyutlar. Geliştiriciler eğitimi başlatabilir, performansı doğrulayabilir ve modelleri sorunsuz biçimde dağıtabilir. Belgeler kapsamlı, sürekli güncel ve dünya çapındaki büyük bir açık kaynak topluluğu tarafından desteklenmektedir.
Görevler Arasında Çok Yönlülük#
PP-YOLOE+ özel bir nesne algılayıcıyken Ultralytics ekosistemi, kullanıcıların tek bir birleşik API üzerinden birden fazla bilgisayarlı görü görevinin üstesinden gelmesini sağlar. YOLOv5 ve halefleriyle standart sınırlayıcı kutulardan Görüntü Segmentasyonu ve sınıflandırma iş akışlarına zahmetsizce geçebilirsin.
Kod Örneği: YOLOv5 Eğitimi#
Başlamak için yalnızca birkaç satır kod gerekir. Bu basitlik, araştırma ve geliştirme döngülerini önemli ölçüde hızlandırır.
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Gerçek Dünya Kullanım Örnekleri#
PP-YOLOE+ ne zaman seçilmeli: Kuruluşun Baidu yazılım yığınına derinlemesine entegreyse veya PaddlePaddle framework'ünü zorunlu kılan özel donanımlara yoğun biçimde dayanıyorsa PP-YOLOE+ güçlü bir seçenektir. Paddle ile eski entegrasyonların bulunduğu Asya'daki özel üretim iş akışlarında sıkça kullanılır.
YOLOv5 ne zaman seçilmeli: Uluslararası geliştiricilerin, araştırmacıların ve kuruluşların büyük çoğunluğu için YOLOv5 hâlâ güçlü bir seçenektir. PyTorch kökeni, izleme için Weights & Biases gibi araçlarla anında uyumlu olduğu ve NVIDIA GPU hızlandırması için TensorRT'ye veya Apple cihazları için CoreML'e sorunsuz biçimde dışa aktarılabildiği anlamına gelir. Tarımsal ürün izleme gibi alanlardan yüksek hızlı drone navigasyonuna kadar çeşitli alanlarda başarılıdır.
Algılamanın Geleceği: Ultralytics YOLO26#
YOLOv5 ikonik bir model olsa da bilgisayarlı görü alanının sınırları ilerledi. Tüm yeni geliştirmeler için Ocak 2026'da yayımlanan YOLO26'ya geçmeni önemle öneriyoruz. Ultralytics Platform üzerinden sorunsuzca kullanılabilen YOLO26, verimliliği tamamen yeniden tanımlar.
YOLO26'daki Temel Yenilikler:
- Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma son işleme adımını tamamen ortadan kaldırır. Bu, gecikme değişkenliğini azaltır ve dağıtım işlem hattını büyük ölçüde basitleştirir.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, Dağılımsal Odak Kayıbını (DFL) stratejik olarak kaldırarak GPU içermeyen uç cihazlarda hızı önemli ölçüde artırır.
- MuSGD Optimizer: Önde gelen Büyük Dil Modellerinden ilham alan bu hibrit optimizer, eğitim dinamiklerini dengeler ve özel veri kümelerinde çok daha hızlı yakınsamaya olanak tanır.
- Göreve Özel İyileştirmeler: ProgLoss ve STAL gibi gelişmiş kayıp fonksiyonlarını kullanarak küçük nesnelerde eşi benzeri görülmemiş doğruluk sağlar. Hava görüntülerinde Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını yerel olarak destekler.
Son teknoloji görü modellerini inceliyorsan önceki nesil YOLO11 ile veya RT-DETR gibi Transformer tabanlı yaklaşımlarla yapılan karşılaştırmalar da ilgini çekebilir. Sonuç olarak güçlü ekosistem ve çığır açan mimari geliştirmelerin birleşimi, Ultralytics'i modern bilgisayarlı görü görevleri için önde gelen seçenek haline getirir.