Link to this sectionPP-YOLOE+ ve YOLOv6-3.0#

Gerçek zamanlı bilgisayarlı görü alanı hızla genişleyerek, çeşitli dağıtım senaryoları için optimize edilmiş oldukça özelleşmiş mimarilere yol açtı. Geliştiriciler, yüksek verim ve güvenilir doğruluk dengesi gerektiren uygulamalar oluştururken sıklıkla PP-YOLOE+ ve YOLOv6-3.0 modellerini karşılaştırırlar. Her iki model de piyasaya sürüldüklerinde, endüstriyel ve uç cihaz uygulamaları için çıkarım hızlarını artırmaya odaklanarak önemli mimari iyileştirmeler getirmiştir.

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

Link to this sectionPP-YOLOE+: Mimari Güçlü ve Zayıf Yönler#

PaddlePaddle Yazarları tarafından geliştirilen PP-YOLOE+, çeşitli ölçek gereksinimlerinde sağlam performans sunmak için öncüllerinin üzerine inşa edilmiş öne çıkan bir çapasız dedektördür.

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

Link to this sectionMimari Öne Çıkanlar#

PP-YOLOE+, orijinal PP-YOLOE tasarımına göre birçok kritik geliştirme sundu. Hesaplama maliyetini özellik çıkarma yetenekleriyle verimli bir şekilde dengeleyen güçlü bir CSPRepResNet omurgasından yararlanır. Ayrıca, çok ölçekli özellik birleştirmeyi sağlamak için bir Path Aggregation Network (PAN) ile birleştirilmiş gelişmiş bir özellik piramidi ağı (FPN) içerir. En dikkat çekici özelliklerinden biri, nesne algılama sırasında sınıflandırma ve yerelleştirme koordinasyonunu önemli ölçüde iyileştiren ET-head'dir (Verimli Görev uyumlu kafa).

PP-YOLOE+ etkileyici bir ortalama hassasiyet (mAP) elde etse de, PaddlePaddle ekosistemine olan bağımlılığı, PyTorch tabanlı iş akışlarına alışkın araştırmacılar için bazen dik bir öğrenme eğrisi oluşturabilir. Bu durum, doğrudan Paddle çıkarım desteğinden yoksun heterojen uç cihazları hedeflendiğinde model dağıtımı sürecini biraz karmaşıklaştırabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionYOLOv6-3.0: 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

Link to this sectionMimari Öne Çıkanlar#

YOLOv6-3.0, özellikle TensorRT kullanan NVIDIA GPU'larda donanım kullanımını en üst düzeye çıkarmak için özel olarak tasarlanmış bir EfficientRep omurgasına sahiptir. v3.0 güncellemesi, parametre sayısını aşırı artırmadan uzamsal özellik tutma kapasitesini artıran, boyun kısmına Çift Yönlü Birleştirme (BiC) modülü getirdi. Ek olarak, model eğitimi sırasında çapa tabanlı kararlılığın avantajlarını birleştiren ve gerçek zamanlı çıkarım sırasında hızlı, çapasız bir mimariyi koruyan bir Çapa Destekli Eğitim (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

Link to this sectionPerformans Karşılaştırma Tablosu#

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

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
• 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.

Link to this sectionNe 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'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı: Eski Modellerin Ötesine Geçmek#

PP-YOLOE+ ve YOLOv6-3.0 hedefe yönelik çözümler sunsa da, modern yapay zeka geliştirme süreçleri çok yönlü, bellek açısından verimli iş akışları gerektirir. İşte Ultralytics Platform burada benzersiz bir geliştirici deneyimi sağlar. Birleşik bir Python API ile, eski araştırma depolarında yaygın olarak bulunan büyük konfigürasyon yükleri olmadan, en son teknoloji modelleri sorunsuz bir şekilde eğitebilir, doğrulayabilir ve dağıtabilirsin.

Ultralytics models natively support a wide array of vision tasks beyond standard detection, including instance segmentation, pose estimation, image classification, and Oriented Bounding Box (OBB) extraction. Furthermore, they are highly optimized for lower memory usage during training—a stark contrast to transformer-based models like RT-DETR which generally demand massive GPU VRAM allocations.

Link to this sectionYOLO26 ile Tanış: Yeni Standart#

En üst düzey yapay zeka modellerini dağıtmak isteyen kuruluşlar için, (Ocak 2026'da yayınlanan) Ultralytics YOLO26 performans sınırlarını yeniden tanımlıyor. Birkaç kritik yenilikle eski nesillerden önemli ölçüde daha iyi performans gösterir:

• Uçtan Uca NMS-Free Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Maksimum Olmayan Baskılama (NMS) sonrası işlemlerini tamamen ortadan kaldırır. Bu yerel olarak uçtan uca yaklaşım, gerçek zamanlı güvenlik sistemleri için kritik öneme sahip olan öngörülebilir, ultra 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 görme modellerine entegre eden bu hibrit iyileştirici (Moonshot AI'dan esinlenilmiştir), hızlı yakınsama ve oldukça kararlı özel eğitim oturumları sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, hava drone görüntüleri ve kalabalık sahne analizi gibi uygulamalar için hayati önem taşıyan küçük nesne tanımada dikkat çekici iyileştirmeler sunar.

Link to this sectionSorunsuz Uygulama#

Ultralytics Python paketi kullanılarak en son teknoloji modelleri eğitmek ve dışa aktarmak oldukça basittir. Aşağıdaki örnek, en son YOLO26 modelini nasıl eğiteceğini ve hızlı uç dağıtım için onu ONNX'e nasıl aktaracağını 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 derinlemesine entegre olmuş ancak modern kararlılık arayan ekipler için, tüm Ultralytics ekosistemi tarafından desteklenen kapsamlı görev çeşitliliği sunan Ultralytics YOLO11 sürümünü keşfetmek de mükemmel bir geçiş adımıdır.