PP-YOLOE+ ve YOLOv6-3.0#

Gerçek zamanlı bilgisayarlı görü alanı hızla genişledi ve farklı dağıtım senaryolarına göre optimize edilmiş son derece özelleşmiş mimariler ortaya çıktı. Geliştiriciler, yüksek verim ile güvenilir doğruluk arasında denge kurması gereken uygulamalar geliştirirken sık sık PP-YOLOE+ ve YOLOv6-3.0 modellerini karşılaştırıyor. Her iki model de yayımlandıklarında, endüstriyel ve uç uygulamalar için çıkarım hızlarını artırmaya odaklanarak mimaride önemli iyileşmeler getirdi.

Ayrıntılı mimari incelemelere geçmeden önce, bu modellerin hız ve doğruluk bakımından birbirlerine göre nasıl performans gösterdiğini görmek için aşağıdaki grafiği incele.

PP-YOLOE+: Mimari Güçlü ve Zayıf Yönleri#

PaddlePaddle geliştiricileri tarafından geliştirilen PP-YOLOE+, çeşitli ölçek gereksinimlerinde güçlü performans sunmak üzere önceki modellerini temel alan önemli bir çapasız algılayıcıdır.

• Yazarlar: PaddlePaddle yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

Mimari Öne Çıkanlar#

PP-YOLOE+, özgün PP-YOLOE tasarımına göre birçok önemli iyileştirme getirdi. Hesaplama maliyetini özellik çıkarma yetenekleriyle etkili biçimde dengeleyen güçlü bir CSPRepResNet omurgasından yararlanır. Ayrıca çok ölçekli özellik birleştirmeyi sağlayan gelişmiş bir özellik piramidi ağı (FPN) ile Yol Toplama Ağı'nı (PAN) bir araya getirir. Öne çıkan özelliklerinden biri, nesne algılama sırasında sınıflandırma ile konum belirleme arasındaki koordinasyonu önemli ölçüde iyileştiren ET-başlığıdır (Verimli Görev Hizalı başlık).

PP-YOLOE+ etkileyici ortalama kesinlik (mAP) değerlerine ulaşsa da PaddlePaddle ekosistemine bağımlılığı, PyTorch tabanlı iş akışlarına alışkın araştırmacılar için öğrenme sürecini bazen zorlaştırabilir. Bu durum, yerel Paddle çıkarım desteği olmayan farklı uç cihazları hedeflerken model dağıtımını biraz karmaşıklaştırabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel İşlem Hacmi#

Meituan Görü Yapay Zekâ Departmanı tarafından yayımlanan YOLOv6-3.0, GPU donanımında yüksek verime öncelik vererek endüstriyel uygulamalara yönelik yeni nesil bir nesne algılayıcı olarak tasarlandı.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Mimari Öne Çıkanlar#

YOLOv6-3.0, özellikle TensorRT kullanan NVIDIA GPU'larda donanım kullanımını en üst düzeye çıkarmak üzere tasarlanmış EfficientRep omurgasına sahiptir. v3.0 güncellemesi, parametre sayısını önemli ölçüde artırmadan uzamsal özelliklerin korunmasını iyileştiren Çift Yönlü Birleştirme (BiC) modülünü boyun kısmına ekledi. Ayrıca model eğitimi sırasında çapa tabanlı kararlılığın avantajlarını birleştirirken gerçek zamanlı çıkarım sırasında hızlı ve çapasız mimariyi koruyan Çapa Destekli Eğitim (AAT) stratejisini de kullanıma sundu.

Ancak YOLOv6-3.0, sunucu sınıfı GPU'lar için yüksek düzeyde optimize edildiğinden, yalnızca CPU kullanan ve kaynakları ciddi ölçüde kısıtlı uç cihazlara dağıtıldığında gecikme avantajları bazen azalır. Bu özelleşme, çevrimdışı video analizi gibi ortamlarda üstün performans sağlarken küçük ve yerel donanımlarda dinamik olarak optimize edilmiş modellerin gerisinde kalmasına yol açabilir.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırma Tablosu#

Aşağıdaki tablo, her iki mimarinin farklı ölçek varyantlarını doğrudan karşılaştırarak temel performans ölçütlerini vurguluyor.

Kullanım Alanları ve Öneriler#

PP-YOLOE+ ile YOLOv6 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlar için güçlü bir seçenektir:

• PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
• Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: Eski Modellerin Ötesine Geçiş#

PP-YOLOE+ ve YOLOv6 belirli ihtiyaçlara yönelik çözümler sunsa da modern yapay zekâ geliştirme süreçleri çok yönlü ve bellek açısından verimli iş akışları gerektiriyor. Ultralytics Platform tam da bu noktada benzersiz bir geliştirici deneyimi sunuyor. Birleşik Python API'siyle eski araştırma depolarında sıkça karşılaşılan yoğun yapılandırma yüküne girmeden en yeni modelleri kolayca eğitebilir, doğrulayabilir ve dağıtabilirsin.

Ultralytics modelleri standart algılamanın yanı sıra örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarımı gibi çok çeşitli görü görevlerini yerel olarak destekler. Ayrıca eğitim sırasında daha az bellek kullanacak şekilde yoğun biçimde optimize edilmiştir. Bu durum, genellikle büyük GPU VRAM'i gerektiren Transformer tabanlı modeller ve RT-DETR gibi modellerle keskin bir tezat oluşturur.

YOLO26'yı Keşfet: Yeni Standart#

Son teknoloji görü modellerini dağıtmak isteyen kuruluşlar için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) performans sınırlarını yeniden tanımlıyor. Birkaç önemli yenilikle eski nesillerden çok daha iyi performans gösteriyor:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10'daki kavramları temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini tamamen ortadan kaldırır. Bu yerel uçtan uca yaklaşım, gerçek zamanlı güvenlik sistemleri için hayati önem taşıyan, öngörülebilir ve son derece düşük gecikmeli çıkarım sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Mimarisinden Dağılımsal Odak Kayıbı'nın (DFL) kaldırılmasıyla YOLO26, uç bilişim ve özel GPU hızlandırması bulunmayan ortamlar için köklü biçimde optimize edilmiştir.
• MuSGD Optimizasyonu: LLM eğitiminin kararlılığını görü modellerine taşıyan bu hibrit optimizasyon yöntemi (Moonshot AI'dan ilham almıştır), hızlı yakınsamayı ve son derece kararlı özel eğitim oturumlarını mümkün kılar.
• ProgLoss + STAL: Bu gelişmiş kayıp formülleri, havadan drone görüntüleri ve kalabalık sahne analizi gibi uygulamalar için hayati önem taşıyan küçük nesne tanımada kayda değer iyileşmeler sağlar.

Sorunsuz Uygulama#

Son teknoloji modelleri Ultralytics Python paketi ile eğitmek ve dışa aktarmak son derece kolaydır. Aşağıdaki örnek, en yeni YOLO26 modelini eğitip uçta hızlı dağıtım için ONNX'e aktarmayı gösteriyor:

from ultralytics import YOLO

# En yeni YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Bir test görüntüsünde NMS gerektirmeyen çıkarım yap
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Uçta dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Eski iş akışlarına derinlemesine entegre olmuş ancak modern kararlılık arayan ekipler için Ultralytics YOLO11'i değerlendirmek de mükemmel bir geçiş adımıdır; Ultralytics ekosisteminin tamamıyla desteklenen kapsamlı görev esnekliği sunar.