PP-YOLOE+ ve YOLOv5#
Bilgisayarlı görü için bir derin öğrenme çerçevesi seçerken geliştiriciler hız, doğruluk ve dağıtım kolaylığı arasında doğru dengeyi bulmak için sık sık farklı mimarileri karşılaştırır. Bu karşılaştırma, nesne algılama için PP-YOLOE+ ile YOLOv5 arasındaki teknik farkları inceliyor. Mimarilerini, performans ölçütlerini ve en uygun dağıtım senaryolarını analiz ederek gerçek zamanlı robotik, uç dağıtımı veya bulut tabanlı video analizi içeren sonraki projen için bilinçli bir karar verebilirsin.
Model Kökenleri ve Meta Verileri#
Her iki model de güçlü mühendislik ekiplerinden geliyor ancak biraz farklı ekosistemleri hedefliyor. Kökenlerini anlamak, mimari tasarım tercihlerine ilişkin değerli bir bağlam sunar.
PP-YOLOE+ Ayrıntıları:
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Belgeler: PaddleDetection README dosyası
PP-YOLOE+ hakkında daha fazla bilgi edin
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+, PP-YOLOv2 gibi önceki modellerin temelini alan, Baidu ekosistemi içindeki bir gelişmedir. Özellik çıkarmayı iyileştirmek için Kısmi Çapraz Aşama (CSP) ağlarının ilkelerini yeniden parametreleştirme teknikleriyle birleştiren optimize edilmiş bir CSPRepResNet omurgası kullanır. Bu, modelin eğitim sırasında yüksek doğruluğu korurken daha hızlı çıkarım için daha yalın bir mimariye dönüşmesini sağlar.
Ayrıca PP-YOLOE+, Görev Hizalama Öğrenmesini (TAL) ve Verimli Görev Hizalı başlığı (ET-head) kullanır. Bu birleşim, yoğun nesne algılayıcılarda sık karşılaşılan bir darboğaz olan sınıflandırma ve konum belirleme görevleri arasındaki uyumsuzluğu çözmeyi amaçlar. İyi tasarlanmış olsa da mimari PaddlePaddle çerçevesine sıkı biçimde bağlıdır; bu durum, diğer yaygın makine öğrenimi kitaplıklarında standartlaşan ekipler için entegrasyon sorunları yaratabilir.
YOLOv5 Mimarisi#
Buna karşılık YOLOv5, hem akademik araştırmalarda hem de kurumsal üretimde sektör standardı olan PyTorch üzerinde yerel olarak geliştirildi. Güçlü gradyan akışı ve parametre verimliliğiyle bilinen, değiştirilmiş bir CSPDarknet53 omurgası kullanır.
YOLOv5'in öne çıkan özelliklerinden biri olan AutoAnchor algoritması, eğitim öncesinde çapa kutusu boyutlarını özel veri kümeni temel alarak dinamik biçimde denetler ve ayarlar. Böylece sınırlayıcı kutular için hiperparametreleri elle ayarlama ihtiyacı ortadan kalkar. Modelin Yol Toplama Ağı (PANet) boyun kısmı, güçlü çok ölçekli özellik birleştirmeyi sağlayarak farklı boyutlardaki nesneleri algılamada yüksek etkililik sunar.
YOLOv5 doğrudan PyTorch üzerine kurulduğundan ONNX ve TensorRT gibi optimize edilmiş biçimlere dışa aktarma, çerçeveye özel araç zincirlerine bağlı modellere kıyasla çok daha az ara katman yapılandırması gerektirir.
Performans Analizi#
Bu modelleri değerlendirmek için ortalama Ortalama Hassasiyet (mAP) ile gecikme arasındaki ödünleşime bakmak gerekir. Aşağıdaki tabloda farklı model boyutlarının ölçütleri gösteriliyor.
| 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 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
PP-YOLOE+ büyük ölçeklerde (örneğin X sürümünde) oldukça rekabetçi mAP değerlerine ulaşsa da YOLOv5, küçük ölçeklerde daha yüksek hız ve daha az parametre sunar. YOLOv5 Nano (YOLOv5n) yalnızca 1.9 milyon parametre gerektirir; bu nedenle bellek gereksinimlerinin katı olduğu kaynakları kısıtlı uç cihazlar için çok uygundur. Ayrıca YOLO modellerini eğitmek, genellikle RT-DETR gibi ağır transformatör tabanlı alternatiflere kıyasla daha az CUDA belleği tüketir.
Ultralytics Avantajı#
Mimari seçerken ham ölçütler denklemin yalnızca bir parçasıdır. Geliştirici deneyimi, ekosistem desteği ve dağıtım işlem hatları çoğu zaman bir projenin gerçek dünyadaki başarısını belirler. Ultralytics modellerinin öne çıktığı nokta budur.
Kullanım Kolaylığı#
Ultralytics'in Python API'si, karmaşık yardımcı kodları soyutlar. Geliştiriciler çok az kodla eğitime başlayabilir, performansı doğrulayabilir ve modelleri dağıtabilir. Belgeler kapsamlıdır, etkin biçimde güncellenir ve geniş bir küresel açık kaynak topluluğunun desteğini alır.
Görevler Arasında Çok Yönlülük#
PP-YOLOE+ özel bir nesne algılayıcısıyken Ultralytics ekosistemi, kullanıcıların tek bir birleşik API altında birden fazla bilgisayarlı görü görevi gerçekleştirmesine olanak tanır. YOLOv5 ve sonraki modelleriyle standart sınırlayıcı kutulardan örnek segmentasyonu ve sınıflandırma iş akışlarına kolayca geçebilirsin.
Kod Örneği: YOLOv5 Eğitimi#
Başlamak için yalnızca birkaç satır kod yeterlidir. Bu basitlik, araştırma ve geliştirme döngülerini önemli ölçüde hızlandırır.
from ultralytics import YOLO
# Önceden eğitilmiş küçük bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir görüntü üzerinde hızlı çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Gerçek Dünya Kullanım Senaryoları#
PP-YOLOE+ ne zaman seçilmeli: Kuruluşun Baidu yazılım yığınına derinlemesine bağlıysa veya PaddlePaddle çerçevesini zorunlu kılan özel donanıma büyük ölçüde dayanıyorsa PP-YOLOE+ güçlü bir performans sunar. Mevcut Paddle entegrasyonunun bulunduğu özel üretim iş hatlarında sıklıkla kullanılır.
YOLOv5 ne zaman seçilmeli: Çoğu geliştirici, araştırmacı ve kuruluş için YOLOv5 güçlü bir seçenek olmaya devam ediyor. PyTorch temeli, izleme için Weights & Biases gibi araçlarla hemen uyumlu olmasını sağlar ve NVIDIA GPU hızlandırması için TensorRT biçimine ya da Apple cihazları için CoreML biçimine sorunsuzca aktarılabilir. Tarımsal ürün izleme alanından yüksek hızlı drone navigasyonuna kadar çeşitli alanlarda iyi performans gösterir.
Algılamanın Geleceği: Ultralytics YOLO26#
YOLOv5 dönüm noktası niteliğinde bir model olsa da bilgisayarlı görü gelişti. Ocak 2026'da yayımlanan YOLO26, tüm yeni geliştirmeler için önerilen modeldir. Ultralytics Platform üzerinden sunulan YOLO26, verimlilik konusunda yeni bir ölçüt belirliyor.
YOLO26'daki Temel Yenilikler:
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini tamamen atlar. Bu, gecikme değişkenliğini azaltır ve dağıtım hattını büyük ölçüde basitleştirir. - CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kayıp (DFL) kaldırılarak YOLO26, GPU'su olmayan uç cihazlarda hızı önemli ölçüde artırır; YOLO26n, YOLO11n'den %43'e kadar daha hızlı çalışır.
- MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitim tekniklerinden ilham alan bu hibrit optimizatör, eğitim dinamiklerini dengeler ve özel veri kümelerinde daha hızlı yakınsama sağlar.
- Göreve Özel İyileştirmeler: ProgLoss ve STAL (aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması) özellikleri, çok küçük nesnelerde doğruluğu artırır. Hava görüntülerinde Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını yerleşik olarak destekler.
Modern görme modellerini inceliyorsan, önceki nesil YOLO11 ile Transformer tabanlı RT-DETR gibi yaklaşımları karşılaştırmak da ilgini çekebilir. Sağlam ekosistemi ve devam eden mimari gelişmeleriyle Ultralytics, modern bilgisayarlı görü görevleri için güçlü bir seçenektir.