PP-YOLOE+ ve YOLOv6-3.0#

Gerçek zamanlı computer vision alanı hızla genişleyerek farklı dağıtım senaryoları için optimize edilmiş son derece uzmanlaşmış mimarilere yol açmıştır. Geliştiriciler, yüksek iş hacmi ile güvenilir doğruluk arasında bir denge gerektiren uygulamalar geliştirirken sıklıkla PP-YOLOE+ ve YOLOv6-3.0 modellerini karşılaştırır. Her iki model de piyasaya sürüldüklerinde endüstriyel ve uç (edge) uygulamalar için çıkarım hızlarını artırmaya odaklanarak önemli mimari geliştirmeler sunmuştur.

Ayrıntılı mimari incelemelere geçmeden önce, bu modellerin hız ve doğruluk açısından birbirlerine göre nasıl performans gösterdiklerini görselleştirmek için aşağıdaki grafiği incele.

PP-YOLOE+: Mimari Güçlü ve Zayıf Yönler#

PaddlePaddle Authors tarafından geliştirilen PP-YOLOE+, çeşitli ölçek gereksinimlerinde güçlü performans sunmak için öncüllerinin üzerine inşa edilen, öne çıkan bir anchor-free detector modelidir.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

Mimari Öne Çıkanlar#

PP-YOLOE+, orijinal PP-YOLOE tasarımına göre birkaç kritik iyileştirme sunar. Hesaplama maliyetini özellik çıkarma yetenekleriyle verimli bir şekilde dengeleyen güçlü bir CSPRepResNet omurgasından yararlanır. Ayrıca, çok ölçekli özellik birleşimini sağlamak için Path Aggregation Network (PAN) ile birleştirilmiş gelişmiş bir feature pyramid network (FPN) içerir. En dikkat çekici özelliklerinden biri, object detection sırasında sınıflandırma ve yerelleştirme koordinasyonunu önemli ölçüde iyileştiren ET-head (Efficient Task-aligned head) bileşenidir.

PP-YOLOE+ etkileyici bir mean average precision (mAP) elde ederken, PaddlePaddle ekosistemine olan bağımlılığı, PyTorch tabanlı iş akışlarına alışkın araştırmacılar için bazen dik bir öğrenme eğrisi sunabilir. Bu durum, doğrudan Paddle çıkarım desteğinden yoksun heterojen uç (edge) cihazları hedeflerken model deployment sürecini biraz karmaşıklaştırabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel İş Hacmi#

Meituan Vision AI Departmanı tarafından yayınlanan YOLOv6-3.0, özellikle GPU donanımı üzerinde devasa verim önceliklendirilerek, endüstriyel uygulamalar için yeni nesil bir nesne dedektörü olarak tasarlanmıştır.

• 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 maksimize etmek için özel olarak uyarlanmış bir EfficientRep omurgasına sahiptir. v3.0 güncellemesi, parametre sayısını aşırı derecede artırmadan uzamsal özellik tutulumunu artıran, boyun (neck) kısmına Çift Yönlü Birleştirme (BiC) modülü getirmiştir. Ek olarak, model training sırasında çapa tabanlı kararlılığın avantajlarını birleştiren ve real-time inference sırasında hızlı, çapa içermeyen (anchor-free) bir mimariyi koruyan bir Anchor-Aided Training (AAT) stratejisi sunmuştur.

Ancak, YOLOv6-3.0 sunucu sınıfı GPU'lar için yüksek düzeyde optimize edildiğinden, ağır kısıtlamalara sahip, yalnızca CPU içeren uç cihazlarda dağıtıldığında gecikme kazanımları bazen azalmaktadır. Bu özelleşme, çevrimdışı video analitiği gibi ortamlarda mükemmel olduğu ancak daha küçük, yerelleştirilmiş donanımlarda dinamik olarak optimize edilmiş modellerin gerisinde kalabileceği anlamına gelir.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırma Tablosu#

Aşağıdaki tablo, her iki mimarinin farklı ölçek varyantlarını doğrudan karşılaştırarak temel performans ölçümlerini vurgulamaktadır.

Kullanım Durumları ve Öneriler#

PP-YOLOE+ ile YOLOv6 arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
• Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Ne Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için önerilir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan's teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: Eski Modellerin Ötesine Geçmek#

PP-YOLOE+ ve YOLOv6-3.0 hedef odaklı çözümler sunarken, modern yapay zeka geliştirme süreçleri çok yönlü, bellek açısından verimli iş akışları gerektirir. Ultralytics Platform tam bu noktada eşsiz bir geliştirici deneyimi sağlar. Birleştirilmiş bir Python API ile, eski araştırma depolarında tipik olarak görülen büyük yapılandırma yükü olmadan en son modelleri sorunsuz bir şekilde eğitebilir, doğrulayabilir ve dağıtabilirsiniz.

Ultralytics modelleri, standart tespitin ötesinde örnek bölütleme, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarma gibi çok çeşitli görü görevlerini yerel olarak destekler. Ayrıca, eğitim sırasında daha düşük bellek kullanımı için yüksek düzeyde optimize edilmişlerdir; bu durum, genellikle devasa GPU VRAM tahsisleri gerektiren RT-DETR gibi transformatör tabanlı modellerle keskin bir tezat oluşturur.

YOLO26 ile Tanış: Yeni Standart#

En son teknoloji ürünü en iyi vizyon modellerini dağıtmak isteyen kuruluşlar için (Ocak 2026'da yayınlanan) Ultralytics YOLO26 performans sınırlarını yeniden tanımlar. Birkaç kritik yenilikle eski nesillerin performansını önemli ölçüde geride bırakır:

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 modellerindeki konseptleri temel alan YOLO26, Non-Maximum Suppression (NMS) son işleme adımını tamamen ortadan kaldırır. Bu yerel olarak uçtan uca yaklaşım, gerçek zamanlı güvenlik sistemleri için çok önemli olan öngörülebilir, çok düşük gecikmeli çıkarımı garanti eder.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı'nın (DFL) mimariden kaldırılmasıyla YOLO26, uç bilişim ve özel GPU hızlandırmasından yoksun ortamlar için radikal bir şekilde optimize edilmiştir.
• MuSGD Optimizer: LLM eğitim kararlılığını vizyon modellerine entegre eden bu hibrit optimize edici (Moonshot AI'dan ilham alınmıştır), hızlı yakınsama ve son derece kararlı custom training oturuşları sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, aerial drone imagery ve kalabalık sahne analizi gibi uygulamalar için hayati önem taşıyan küçük nesne tanımada dikkat çekici iyileştirmeler sunar.

Sorunsuz Uygulama#

Ultralytics Python package kullanarak en son teknolojiye sahip modelleri eğitmek ve dışa aktarmak son derece basittir. Aşağıdaki örnek, en son YOLO26 modelinin nasıl eğitileceğini ve hızlı uç (edge) dağıtımı için ONNX formatına nasıl dışa aktarılacağını göstermektedir:

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a test image (NMS-free speed)
predict_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for edge deployment
model.export(format="onnx")

Eski iş akışlarına sıkı sıkıya bağlı olan ancak modern kararlılık arayan ekipler için Ultralytics YOLO11 keşfetmek de mükemmel bir geçiş adımıdır ve tüm Ultralytics ekosistemi tarafından desteklenen kapsamlı görev çok yönlülüğü sunar.