PP-YOLOE+ ve YOLOv5#

Bilgisayarlı görü için doğru derin öğrenme çatısını seçerken geliştiriciler, hız, doğruluk ve dağıtım kolaylığı arasında ideal dengeyi bulmak için farklı mimarilerin yeteneklerini sık sık karşılaştırıyor. Bu kapsamlı incelemede PP-YOLOE+ ve YOLOv5 arasındaki teknik ayrıntıları ele alacağız. Mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyerek gerçek zamanlı robotik, uçta dağıtım veya bulut tabanlı video analizi içeren bir sonraki projen için bilinçli karar verebilirsin.

Model Kökenleri ve Meta Verileri#

Her iki model de oldukça yetenekli mühendislik ekiplerinden çıktı, ancak biraz farklı ekosistemleri hedefliyor. Kökenlerini anlamak, mimari tasarım tercihlerine ilişkin değerli bir bağlam sağlar.

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 geliştiren Baidu ekosisteminin bir ürünüdür. Çapraz Aşamalı Kısmi (CSP) ağ ilkelerini yeniden parametreleme teknikleriyle birleştirerek özellik çıkarımını iyileştiren, yoğun biçimde optimize edilmiş bir CSPRepResNet omurgası sunar. Bu sayede model, eğitim sırasında yüksek doğruluğu korurken daha hızlı çıkarım için daha yalın bir mimariye dönüşebilir.

Ayrıca PP-YOLOE+, Görev Hizalama Öğrenimi (TAL) ile Verimli Görev Hizalı başlığı (ET-head) kullanır. Bu birleşim, yoğun nesne algılayıcılarda sık görülen bir darboğaz olan sınıflandırma ile konum belirleme görevleri arasındaki uyumsuzluğu çözmeyi amaçlar. Mimari açıdan etkileyici olsa da PaddlePaddle çatısına sıkı biçimde bağlıdır; bu durum, diğer yaygın makine öğrenimi kütüphanelerini standartlaştıran ekipler için entegrasyon zorluklarına yol açabilir.

YOLOv5 Mimarisi#

Buna karşılık YOLOv5, hem akademik araştırmalar hem de kurumsal üretim için sektör standardı olan PyTorch üzerinde yerel olarak geliştirildi. Olağanüstü 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.

Performans Analizi#

Bu modelleri değerlendirmek için ortalama Kesinlik (mAP) ile gecikme arasındaki dengeye bakmak gerekir. Aşağıdaki tablo, farklı model boyutlarına ait ölçütleri gösteriyor.

PP-YOLOE+ büyük ölçeklerde (X varyantı gibi) oldukça rekabetçi mAP puanlarına ulaşırken YOLOv5, küçük modellerde daha yüksek hız ve daha az parametre sunuyor. YOLOv5 Nano (YOLOv5n) yalnızca 1,9 milyon parametre gerektirir; bu da onu bellek gereksinimlerinin katı olduğu, kaynakları kısıtlı uç cihazlar için son derece uygun kılar. Ayrıca YOLO modellerini eğitmek, RT-DETR gibi ağır Transformer tabanlı alternatiflere kıyasla genellikle daha az CUDA belleği kullanır.

Ultralytics Avantajı#

Mimari seçerken ham ölçütler denklemin yalnızca bir parçasıdır. Geliştirici deneyimi, ekosistem desteği ve dağıtım işlem hatları çoğu zaman projenin gerçek dünyadaki başarısını belirler. Ultralytics modelleri işte bu noktada öne çıkar.

Eşsiz Kullanım Kolaylığı#

Ultralytics'in Python API'si, karmaşık standart kodu soyutlar. Geliştiriciler eğitimi başlatabilir, performansı doğrulayabilir ve modelleri sorunsuzca dağıtabilir. Belgeler kapsamlı ve günceldir; ayrıca geniş bir küresel açık kaynak topluluğunun desteğine sahiptir.

Görevler Arasında Çok Yönlülük#

PP-YOLOE+ özel bir nesne algılayıcıyken Ultralytics ekosistemi, kullanıcıların tek bir birleşik API altında birden fazla bilgisayarlı görü görevini ele almasına olanak tanır. YOLOv5 ve sonraki modelleriyle standart sınırlayıcı kutulardan Görüntü Bölütleme 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 entegreyse veya PaddlePaddle çatısını zorunlu kılan özel donanımlara büyük ölçüde dayanıyorsa PP-YOLOE+ güçlü bir seçenektir. Paddle ile eski entegrasyonların bulunduğu Asya'daki özel üretim hatlarında sıkça kullanılır.

YOLOv5 ne zaman seçilmeli: Uluslararası geliştiricilerin, araştırmacıların ve kuruluşların büyük çoğunluğu için YOLOv5 güçlü bir seçenektir. PyTorch kökeni, izleme için Weights & Biases gibi araçlarla anında uyumluluk sağlar ve NVIDIA GPU hızlandırması için TensorRT biçimine ya da Apple aygıtları için CoreML biçimine sorunsuzca aktarılır. Tarımsal ürün takibinden yüksek hızlı drone navigasyonuna kadar farklı alanlarda üstün performans gösterir.

Algılamanın Geleceği: Ultralytics YOLO26#

YOLOv5 ikonik bir model olsa da bilgisayarlı görü alanı ilerledi. Ocak 2026'da yayımlanan YOLO26'ya tüm yeni geliştirmelerde geçmeni önemle öneriyoruz. Ultralytics Platform üzerinden kolayca erişilebilen YOLO26, verimliliği baştan tanımlıyor.

YOLO26'daki Temel Yenilikler:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini tamamen atlar. Bu, gecikme değişkenliğini azaltır ve dağıtım işlem hattını büyük ölçüde basitleştirir.
• %43'e Varan Daha Hızlı CPU Çıkarımı: YOLO26, Dağılımsal Odak Kayıbı'nı (DFL) stratejik biçimde kaldırarak GPU'su olmayan uç cihazlarda hızı önemli ölçüde artırır.
• MuSGD Optimizasyonu: Önde gelen Büyük Dil Modellerinden ilham alan bu hibrit optimizasyon yöntemi, eğitim dinamiklerini kararlı hâle getirir ve özel veri kümelerinde çok daha hızlı yakınsama sağlar.
• Göreve Özgü İyileştirmeler: ProgLoss ve STAL gibi gelişmiş kayıp işlevleri, çok küçük nesnelerde benzeri görülmemiş bir doğruluk sağlar. Hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını yerel olarak destekler.

Son teknoloji görü modellerini inceliyorsan önceki nesil YOLO11'i veya RT-DETR gibi Transformer tabanlı yaklaşımları karşılaştırmak da ilgini çekebilir. Güçlü ekosistem ve en yeni mimari yeniliklerin birleşimi, Ultralytics'i modern bilgisayarlı görü görevleri için en iyi seçenek hâline getiriyor.