PP-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.
Model 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/
- Docs: 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
- Dokümanlar: https://docs.ultralytics.com/models/yolov5
YOLOv5 hakkında daha fazla bilgi edin
Mimari Karşılaştırma#
PP-YOLOE+ Mimarisi#
PP-YOLOE+, PP-YOLOv2 gibi önceki modellerin temel üzerine inşa edilmiş, Baidu ekosistemi içinde bir evrimdir. PP-YOLOv2, Cross Stage Partial (CSP) ağlarının ilkelerini yeniden parametrelendirme teknikleriyle birleştirerek özellik çıkarımını geliştiren, yoğun şekilde optimize edilmiş bir CSPRepResNet omurga sunar. Bu, modelin eğitim sırasında yüksek doğruluğu korurken daha hızlı çıkarım için daha sade bir mimariye dönüşmesini sağlar.
Ek olarak, PP-YOLOE+ Görev Hizalama Öğrenimi (TAL) ve Verimli Görev Hizalamalı 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 PaddlePaddle framework ile sıkı bir şekilde bağlantılıdır; bu durum, diğer ana akım ML kütüphanelerini standartlaştıran ekipler için entegrasyon zorlukları doğurabilir.
YOLOv5 Mimarisi#
Buna karşılık YOLOv5, hem akademik araştırma hem de kurumsal üretim için endüstri standardı olan PyTorch içinde yerel olarak tasarlanmıştır. Istisnai gradyan akışı ve parametre verimliliğiyle 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.
YOLOv5 doğrudan PyTorch üzerine kurulduğundan, ONNX ve TensorRT gibi optimize edilmiş formatlara dışa aktarma işlemi, yerelleştirilmiş çerçevelere bağlı modellerden çok daha az ara katman (middleware) yapılandırması gerektirir.
Performans Analizi#
Bu modelleri değerlendirmek, ortalama Hassasiyet (mAP) ile gecikme arasındaki ödünleşime bakmayı gerektirir. Aşağıdaki tablo, farklı model boyutlarındaki metrikleri sergilemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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) oldukça rekabetçi mAP skorları elde ederken, YOLOv5 spektrumun daha küçük ucunda üstün hız ve daha düşük parametre sayıları sunar. YOLOv5 Nano (YOLOv5n) yalnızca 2,6 milyon parametre gerektirir, bu da onu bellek gereksinimlerinin katı olduğu kısıtlı uç cihazlar için son derece uygun hale getirir. Dahası, YOLO modellerini eğitmek, RT-DETR gibi ağır transformer tabanlı alternatiflere kıyasla genellikle daha az CUDA belleği tüketir.
Ultralytics 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.
Benzersiz Kullanım Kolaylığı#
Ultralytics için Python API, karmaşık şablon kodları soyutlar. Geliştiriciler eğitimi başlatabilir, performans doğrulayabilir ve modelleri sorunsuz bir şekilde dağıtabilir. Belgeler kapsamlıdır, yüksek düzeyde sürdürülmektedir ve devasa bir küresel açık kaynak topluluğu tarafından desteklenmektedir.
Görevler Arasında Çok Yönlülük#
PP-YOLOE+ özel bir nesne dedektörüyken, Ultralytics ekosistemi kullanıcıların tek bir birleşik API altında birden fazla bilgisayarlı görü görevini ele almasına olanak tanır. YOLOv5 ve halefleri ile standart sınırlayıcı kutulardan Image Segmentation ve sınıflandırma iş akışlarına zahmetsizce geçiş yapabilirsin.
Kod 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()Gerçek 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 seçmelisin: Uluslararası geliştiricilerin, araştırmacıların ve işletmelerin büyük çoğunluğu için YOLOv5 bir güç merkezi olmaya devam etmektedir. PyTorch kökleri, takip için Weights & Biases gibi araçlarla anında uyumlu olduğu ve NVIDIA GPU hızlandırması için TensorRT veya Apple cihazları için CoreML formatına temiz bir şekilde dışa aktarıldığı anlamına gelir. Tarımsal ürün izlemeden yüksek hızlı drone navigasyonuna kadar çeşitli alanlarda üstündür.
Tespitin Geleceği: Ultralytics YOLO26#
YOLOv5 ikonik bir model olsa da bilgisayarlı görü sınırı ilerlemiştir. Tüm yeni geliştirmeler için, Ocak 2026'da yayınlanan YOLO26'ya geçiş yapmanı şiddetle tavsiye ederiz. Ultralytics Platform aracılığıyla sorunsuz bir şekilde kullanılabilen YOLO26, verimliliği tamamen yeniden tanımlar.
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: Küçük nesnelerde benzeri görülmemiş doğruluk sağlayan ProgLoss ve STAL gibi gelişmiş kayıp fonksiyonları içerir. Hava görüntüleri için yerel olarak Oriented Bounding Box (OBB) algılamasını destekler.
Son teknoloji görü modellerini keşfediyorsan, önceki nesil YOLO11 modelini veya RT-DETR gibi transformer tabanlı yaklaşımları karşılaştırmakla da ilgilenebilirsin. Sonuç olarak, son teknoloji mimari gelişmelerle birleştirilen sağlam ekosistem, Ultralytics'i modern bilgisayarlı görü görevleri için bir numaralı seçenek olarak pekiştirir.