Başla

PP-YOLOE+ ve YOLOv6-3.0

Gerçek zamanlı bilgisayarlı görü hızla yaygınlaşarak farklı dağıtım senaryoları için optimize edilmiş özel mimarilerin ortaya çıkmasını sağladı. Geliştiriciler, yüksek iş hacmi ile güvenilir doğruluk arasında denge kurması gereken uygulamalar geliştirirken sıklıkla PP-YOLOE+ ile YOLOv6-3.0 modellerini karşılaştırıyor. Her iki model de yayımlandıklarında önemli mimari iyileştirmeler getirerek endüstriyel ve uç uygulamalar için çıkarım hızlarını artırmaya odaklandı.

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 Yazarları tarafından geliştirilen PP-YOLOE+, öncüllerini temel alan ve farklı ölçek gereksinimlerinde sağlam performans sunan önemli bir bağlantı noktası kullanmayan algılayıcıdır.

Mimari Öne Çıkanlar#

PP-YOLOE+, özgün PP-YOLOE tasarımına kıyasla birkaç önemli iyileştirme getirdi. Hesaplama maliyetini özellik çıkarma yetenekleriyle verimli biçimde dengeleyen CSPRepResNet omurgasını kullanır. Ayrıca çok ölçekli özellik birleştirmeyi sağlamak için Yol Toplama Ağı (PAN) ile birleştirilmiş bir özellik piramit ağı (FPN) içerir. Öne çıkan özelliklerinden biri olan ET-head (Verimli Görev Hizalı başlık), nesne algılama sırasında sınıflandırma ile konum belirleme arasındaki uyumu önemli ölçüde artırır.

PP-YOLOE+ güçlü ortalama ortalama hassasiyet (mAP) değerlerine ulaşsa da PaddlePaddle ekosistemine bağımlılığı, PyTorch tabanlı iş akışlarına alışkın araştırmacılar için öğrenme sürecini zaman zaman zorlaştırabilir. Bu durum, doğrudan Paddle çıkarım desteği olmayan çeşitli uç cihazlar hedeflendiğinde model dağıtımı sürecini biraz karmaşıklaştırabilir.

Dağıtım Bağlamı

PP-YOLOE+, Baidu'nun teknoloji yığını içinde dağıtım için son derece optimize edilmiştir; bu nedenle üretim ortamın büyük ölçüde Paddle çıkarım araçlarına dayanıyorsa iyi bir seçenektir.

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel İşlem Hacmi#

Meituan Görsel Yapay Zekâ Departmanı tarafından yayımlanan YOLOv6-3.0, GPU donanımlarında yüksek iş hacmine öncelik vererek endüstriyel uygulamalar için yeni nesil bir nesne algılayıcı olarak tasarlandı.

Mimari 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. 3.0 güncellemesi, parametre sayısını önemli ölçüde artırmadan uzamsal özelliklerin korunmasını geliştiren Çift Yönlü Birleştirme (BiC) modülünü boyun kısmına ekledi. Ayrıca model eğitimi sırasında bağlantı noktasına dayalı kararlılığın avantajlarını birleştirirken gerçek zamanlı çıkarım sırasında hızlı, bağlantı noktası kullanmayan mimariyi koruyan Bağlantı Noktası Destekli Eğitim (AAT) stratejisini de tanıttı.

Ancak YOLOv6-3.0 sunucu sınıfı GPU'lar için yüksek düzeyde optimize edildiğinden, yoğun kaynak kısıtlaması olan ve yalnızca CPU içeren uç cihazlarda dağıtıldığında gecikme kazanımları bazen azalır. Bu uzmanlaşma, YOLOv6-3.0'un çevrimdışı video analizi gibi ortamlarda en iyi performansı gösterdiği ve daha küçük donanımlarda uç için 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 ölçütlerini vurguluyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
  • 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 YOLOv6-3.0 belirli ihtiyaçlara yönelik çözümler sunsa da modern yapay zekâ geliştirme çalışmaları çok yönlü, bellek verimli iş akışları gerektirir. Ultralytics Platform burada güçlü bir geliştirici deneyimi sunar. Birleşik Python API'siyle eski araştırma depolarında sıkça karşılaşılan yüksek yapılandırma yükü olmadan modern modelleri eğitebilir, doğrulayabilir ve dağıtabilirsin.

Ultralytics modelleri standart algılamanın ötesinde örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarımı dâhil olmak üzere çok çeşitli görü görevlerini yerel olarak destekler. Genellikle yüksek miktarda GPU VRAM'i gerektiren transformatör tabanlı modellerin, örneğin RT-DETR modelinin aksine, eğitim sırasında daha az bellek kullanacak şekilde de optimize edilmişlerdir.

YOLO26'yı Keşfet: Yeni Standart#

En yeni görü modellerini dağıtmak isteyen kuruluşlar için Ocak 2026'da yayımlanan Ultralytics YOLO26, birkaç önemli yenilikle eski nesillerden belirgin biçimde daha iyi performans gösteriyor:

  • Uçtan Uca, NMS'siz Tasarım: YOLOv10 kavramlarını 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 kritik olan öngörülebilir, düşük gecikmeli çıkarım sağlar.
  • CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kayıp (DFL) mimariden kaldırıldığı için YOLO26, uç bilişim ve özel GPU hızlandırması olmayan ortamlar için optimize edilmiştir; YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • 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 eğitim teknikleri, hava drone görüntüleri ve kalabalık sahne analizi gibi uygulamalar için hayati önem taşıyan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
İşlem Hatlarını Geleceğe Hazırla

Bugün yeni bir proje geliştiriyorsan eski mimariler yerine YOLO26 ile başla. Bellek verimliliği ve NMS içermeyen hızı, YOLO26'yı üretime almayı çok daha kolaylaştırır.

Uygulama#

Ultralytics Python paketi ile modelleri eğitmek ve dışa aktarmak kolaydır. Aşağıdaki örnekte en yeni YOLO26 modelinin nasıl eğitileceği ve hızlı uç dağıtımı için ONNX'e nasıl aktarılacağı gösteriliyor:

from ultralytics import YOLO

# 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 akışlarıyla derinlemesine bütünleşmiş ancak modern kararlılık arayan ekipler için Ultralytics YOLO11 modelini incelemek de iyi bir geçiş adımıdır; YOLO11, Ultralytics ekosisteminin tamamının desteğiyle kapsamlı görev çok yönlülüğü sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.