Link to this sectionPP-YOLOE+ ve YOLOv5#

Bilgisayarlı görü için doğru derin öğrenme çatısını seçerken, geliştiriciler kendilerini sık sık hız, doğruluk ve dağıtım kolaylığı arasında mükemmel dengeyi bulmak amacıyla farklı mimarilerin yeteneklerini karşılaştırırken bulurlar. Bu derinlemesine incelemede, PP-YOLOE+ ve YOLOv5 arasındaki teknik nüansları keşfedeceğiz. Mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ederek, ister gerçek zamanlı robotik, ister uç cihazda dağıtım, ister bulut tabanlı video analitiği içeriyor olsun, bir sonraki projeniz için bilinçli bir karar verebilirsiniz.

Link to this sectionModel Kökenleri ve Meta Verileri#

Her iki model de son derece yetenekli mühendislik ekiplerinden gelmekte ancak biraz farklı ekosistemleri hedeflemektedir. Kökenlerini anlamak, mimari tasarım tercihleri için değerli bir bağlam sağlar.

PP-YOLOE+ Detayları:

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Dokümantasyon: PaddleDetection README

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv5 Detayları:

• Yazarlar: Glenn Jocher
• Organizasyon: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Dokümantasyon: https://docs.ultralytics.com/models/yolov5/

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionMimari Karşılaştırma#

Link to this sectionPP-YOLOE+ Mimarisi#

PP-YOLOE+, önceki PP-YOLOv2 gibi modellerin temeli üzerine inşa edilmiş, Baidu ekosistemi içinde bir evrimdir. Özellik çıkarımını, Cross Stage Partial (CSP) ağlarının ilkeleri ile yeniden parametrelendirme tekniklerini birleştirerek geliştiren, yoğun şekilde optimize edilmiş bir CSPRepResNet omurgası sunar. Bu, modelin eğitim sırasında yüksek doğruluğu korurken daha hızlı çıkarım için daha akıcı bir mimariye büzülmesine olanak tanır.

Ek olarak, PP-YOLOE+ Görev Hizalama Öğrenme (TAL) ve Verimli Görev hizalı başlık (ET-head) kullanır. Bu kombinasyon, yoğun nesne dedektörlerinde yaygın bir darboğaz olan sınıflandırma ve yerelleştirme görevleri arasındaki uyumsuzluğu çözmeyi amaçlar. Yapısal olarak etkileyici olsa da, mimari diğer ana akım ML kütüphaneleri üzerinde standartlaşan ekipler için entegrasyon zorlukları oluşturabilecek PaddlePaddle framework ile sıkı bir şekilde bağlantılıdır.

Link to this sectionYOLOv5 Mimarisi#

Buna karşılık YOLOv5, hem akademik araştırmalar hem de kurumsal üretim için endüstri standardı olan PyTorch içinde yerel olarak tasarlanmıştır. Olağanüstü gradyan akışı ve parametre verimliliği ile bilinen değiştirilmiş bir CSPDarknet53 omurgası kullanır.

YOLOv5'in bir alametifarikası, eğitimden önce özel veri kümenize dayalı olarak çapa kutusu boyutlarını dinamik olarak kontrol eden ve ayarlayan AutoAnchor algoritmasıdır. Bu, sınırlayıcı kutular için manuel hiperparametre ayarını ortadan kaldırır. Modelin Path Aggregation Network (PANet) boyun kısmı, güçlü çok ölçekli özellik füzyonu sağlayarak çeşitli boyutlardaki nesneleri tespit etmede oldukça etkili olmasını sağlar.

Link to this sectionPerformans Analizi#

Bu modelleri değerlendirmek, ortalama Hassasiyet (mAP) ile gecikme arasındaki ödünleşime bakmayı gerektirir. Aşağıdaki tablo, farklı model boyutlarındaki metrikleri sergilemektedir.

PP-YOLOE+ daha büyük ölçeklerde (X varyantı gibi) oldukça rekabetçi mAP skorlarına ulaşsa da, YOLOv5 spektrumun daha küçük ucunda üstün hız ve daha düşük parametre sayıları sunar. YOLOv5 Nano (YOLOv5n), sadece 2,6 milyon parametre gerektirir, bu da onu bellek gereksinimlerinin katı olduğu kısıtlı uç cihazlar için oldukça uygun hale getirir. Ayrıca, YOLO modellerini eğitmek, RT-DETR gibi ağır Transformer tabanlı alternatiflere kıyasla genellikle daha az CUDA belleği tüketir.

Link to this sectionUltralytics Avantajı#

Bir mimari seçerken, ham metrikler denklemin sadece bir parçasıdır. Geliştirici deneyimi, ekosistem desteği ve dağıtım hatları genellikle bir projenin gerçek dünyadaki başarısını belirler. Ultralytics modellerinin öne çıktığı yer tam olarak burasıdır.

Link to this sectionBenzersiz Kullanım Kolaylığı#

Ultralytics için Python API, karmaşık ortak kodları soyutlar. Geliştiriciler eğitimi başlatabilir, performansı doğrulayabilir ve modelleri sorunsuz bir şekilde dağıtabilirler. Dokümantasyon kapsamlıdır, son derece bakımlıdır ve devasa bir küresel açık kaynak topluluğu tarafından desteklenmektedir.

Link to this sectionGörevler Arasında Çok Yönlülük#

PP-YOLOE+ özel bir nesne dedektörü olsa da, Ultralytics ekosistemi kullanıcıların tek bir birleşik API altında birden fazla bilgisayarlı görü görevini ele almalarına olanak tanır. YOLOv5 ve halefleri ile standart sınırlayıcı kutulardan Görüntü Segmentasyonu ve sınıflandırma iş akışlarına zahmetsizce geçiş yapabilirsin.

Link to this sectionKod Örneği: YOLOv5 Eğitimi#

Başlamak sadece birkaç satır kod gerektirir. 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()

Link to this sectionGerçek Dünya Kullanım Durumları#

Ne zaman PP-YOLOE+ seçilmeli: Kuruluşun Baidu yazılım yığınına derinlemesine gömülüyse veya PaddlePaddle çerçevesini zorunlu kılan özel donanımlara büyük ölçüde güveniyorsan, PP-YOLOE+ sağlam bir performans sergiler. Paddle ile eski entegrasyonun mevcut olduğu Asya genelindeki özel üretim hatlarında sıklıkla kullanılır.

Ne zaman YOLOv5 seçilmeli: Uluslararası geliştiricilerin, araştırmacıların ve işletmelerin büyük çoğunluğu için YOLOv5 bir güç merkezi olmaya devam ediyor. PyTorch kökleri, onu takip için Weights & Biases gibi araçlarla anında uyumlu olduğu ve NVIDIA GPU hızlandırması için TensorRT veya Apple cihazları için CoreML formatlarına temiz bir şekilde aktarılabildiği anlamına gelir. Tarımsal ürün izlemeden yüksek hızlı drone navigasyonuna kadar çeşitli alanlarda mükemmeldir.

Link to this sectionTespitin Geleceği: Ultralytics YOLO26#

YOLOv5 ikonik bir model olsa da, bilgisayarlı görünün sınırı ilerledi. Tüm yeni geliştirmeler için, Ocak 2026'da piyasaya sürülen YOLO26'ya geçiş yapmanı şiddetle tavsiye ederiz. Ultralytics Platform aracılığıyla sorunsuz bir şekilde erişilebilen YOLO26, verimliliği tamamen yeniden tanımlıyor.

YOLO26 hakkında daha fazla bilgi edin

YOLO26'daki Temel Yenilikler:

• Uçtan Uca NMS-Free Tasarım: YOLO26, Non-Maximum Suppression işlem sonrası aşamasını tamamen ortadan kaldırır. Bu, gecikme değişkenliğini azaltır ve dağıtım hattını önemli ölçüde basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 GPU'su olmayan uç cihazlarda hızı önemli ölçüde artırır.
• MuSGD İyileştirici: Önde gelen Büyük Dil Modellerinden esinlenen bu hibrit iyileştirici, eğitim dinamiklerini stabilize eder ve özel veri kümelerinde çok daha hızlı yakınsamaya olanak tanır.
• Göreve Özel İyileştirmeler: ProgLoss ve STAL gibi gelişmiş kayıp fonksiyonları içerir, küçük nesnelerde benzeri görülmemiş bir doğruluk sağlar. Hava görüntüleri için Oriented Bounding Box (OBB) tespitini yerel olarak destekler.

En son teknoloji vizyon modellerini keşfediyorsan, önceki nesil YOLO11 veya RT-DETR gibi Transformer tabanlı yaklaşımları karşılaştırmakla da ilgilenebilirsin. Nihayetinde, güçlü ekosistem ve en son mimari gelişmeler, Ultralytics'i modern bilgisayarlı görü görevleri için bir numaralı seçenek olarak sağlamlaştırıyor.