PP-YOLOE+ ve YOLOv6-3.0#

Gerçek zamanlı bilgisayarlı görü alanı hızla genişleyerek çeşitli dağıtım senaryoları için optimize edilmiş, son derece özelleşmiş mimarilerin ortaya çıkmasını sağladı. Geliştiriciler, yüksek iş hacmi ile güvenilir doğruluk arasında denge kurmayı gerektiren uygulamalar geliştirirken sıkça PP-YOLOE+ ve YOLOv6-3.0 modellerini karşılaştırır. Her iki model de piyasaya sürüldüklerinde mimari açıdan önemli iyileştirmeler sundu ve endüstriyel ve uç uygulamalar için çıkarım hızlarını artırmaya odaklandı.

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

PP-YOLOE+: Mimari Güçlü ve Zayıf Yönler#

PaddlePaddle Authors tarafından geliştirilen PP-YOLOE+, çeşitli ölçek gereksinimleri genelinde güçlü performans sunmak için önceki modellerinin üzerine inşa edilen öne çıkan bir çapasız algılayıcıdır.

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

Mimari Öne Çıkanlar#

PP-YOLOE+, özgün PP-YOLOE tasarımına kıyasla birkaç kritik iyileştirme sundu. Hesaplama maliyeti ile özellik çıkarma yetenekleri arasında verimli bir denge kuran güçlü bir CSPRepResNet omurgasından yararlanır. Ayrıca çok ölçekli özellik füzyonunu güvence altına almak için gelişmiş bir özellik piramidi ağı (FPN) ile Path Aggregation Network'ü (PAN) birleştirir. Öne çıkan özelliklerinden biri, nesne algılama sırasında sınıflandırma ve konumlandırma koordinasyonunu önemli ölçüde iyileştiren ET-head'dir (Verimli Görev Hizalı Başlık).

PP-YOLOE+ etkileyici bir ortalama kesinlik (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 desteği bulunmayan heterojen uç cihazları hedeflerken model dağıtımı sürecini biraz karmaşıklaştırabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel İş Hacmi#

Meituan Vision AI Department tarafından piyasaya sürülen YOLOv6-3.0, endüstriyel uygulamalar için yeni nesil bir nesne algılayıcı olarak hizmet vermek üzere özel olarak tasarlandı ve GPU donanımında çok yüksek iş hacmine öncelik verdi.

• 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'larında donanım kullanımını en üst düzeye çıkarmak üzere tasarlanmış bir EfficientRep omurgasına sahiptir. v3.0 güncellemesi, parametre sayısını ciddi ölçüde şişirmeden uzamsal özellik korunumunu iyileştiren bir Bi-directional Concatenation (BiC) modülünü boyun kısmına ekledi. Ayrıca model eğitimi sırasında çapa tabanlı kararlılığın avantajlarını birleştirirken gerçek zamanlı çıkarım sırasında hızlı, çapasız bir mimariyi koruyan Anchor-Aided Training (AAT) stratejisini tanıttı.

Ancak YOLOv6-3.0 sunucu sınıfı GPU'lar için büyük ölçüde optimize edildiğinden, yoğun şekilde kısıtlanmış ve yalnızca CPU kullanan uç cihazlara dağıtıldığında gecikme kazanımları bazen azalır. Bu uzmanlaşma, çevrimdışı video analizi gibi ortamlarda üstünlük sağlamasına karşın daha küçük, yerel donanımlarda dinamik olarak optimize edilmiş modellerin gerisinde kalabileceği anlamına gelir.

YOLOv6 hakkında daha fazla bilgi

Performans Karşılaştırma Tablosu#

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

Kullanım Alanları ve Öneriler#

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

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+, şu kişiler için güçlü bir seçimdir:

• PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
• Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

Ultralytics Avantajı: Eski Modellerin Ötesine Geçmek#

PP-YOLOE+ ve YOLOv6-3.0 hedefe yönelik çözümler sunsa da modern yapay zeka geliştirme süreçleri çok yönlü ve bellek açısından verimli iş akışları gerektirir. İşte Ultralytics Platform burada benzersiz bir geliştirici deneyimi sunar. Birleşik bir Python API ile eski araştırma depolarında genellikle bulunan kapsamlı yapılandırma yükü olmadan en yeni modelleri sorunsuzca eğitebilir, doğrulayabilir ve dağıtabilirsin.

Ultralytics modelleri, standart algılamanın ötesinde örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarımı dahil olmak üzere çok çeşitli görü görevlerini yerel olarak destekler. Ayrıca eğitim sırasında daha düşük bellek kullanımı için büyük ölçüde optimize edilmişlerdir; bu, genellikle çok yüksek GPU VRAM tahsisi gerektiren Transformer tabanlı modeller (örneğin RT-DETR) ile tam bir tezat oluşturur.

YOLO26'yı Keşfet: Yeni Standart#

En gelişmiş görü modellerini dağıtmak isteyen kuruluşlar için Ultralytics YOLO26 (Ocak 2026'da piyasaya sürüldü) performans sınırlarını yeniden tanımlıyor. Birkaç kritik yenilik sayesinde eski nesillere kıyasla önemli ölçüde daha iyi performans gösteriyor:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını tamamen ortadan kaldırır. Bu yerel uçtan uca yaklaşım, gerçek zamanlı güvenlik sistemleri için kritik olan öngörülebilir, ultra düşük gecikmeli çıkarımı garanti eder.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Dağılımsal Odak Kayıbının (DFL) mimariden kaldırılması sayesinde YOLO26, uç bilişim ve özel GPU hızlandırması bulunmayan ortamlar için radikal biçimde optimize edilmiştir.
• MuSGD Optimize Edicisi: LLM eğitim kararlılığını görü modellerine entegre eden bu hibrit optimize edici (Moonshot AI'dan esinlenmiştir), hızlı yakınsamayı ve son derece kararlı özel eğitim oturumlarını mümkün kılar.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, hava aracı görüntüleri ve kalabalık sahne analizi gibi uygulamalar için hayati önem taşıyan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.

Sorunsuz Uygulama#

Ultralytics Python paketi kullanarak en gelişmiş modelleri eğitmek ve dışa aktarmak son derece basittir. Aşağıdaki örnek, en yeni YOLO26 modelinin nasıl eğitileceğini ve hızlı uç dağıtımı için ONNX'e nasıl aktarılacağını gösterir:

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")

Daha eski iş akışlarıyla derinlemesine entegre olmuş ancak modern kararlılık arayan ekipler için Ultralytics YOLO11 modelini incelemek de mükemmel bir geçiş adımıdır; bu model, tüm Ultralytics ekosistemiyle desteklenen kapsamlı görev çok yönlülüğü sunar.