Link to this sectionPP-YOLOE+ ve YOLOv7#

Bilgisayarlı görü işlem hatları oluştururken doğru nesne algılama modelini seçmek kritiktir. 2022'den iki önemli mimari olan PP-YOLOE+ ve YOLOv7, gerçek zamanlı nesne algılamada güçlü ilerlemeler sunmuştur. Bu teknik karşılaştırma, uygulamalarınız için bilinçli kararlar vermenize yardımcı olmak adına mimarilerine, eğitim metodolojilerine ve gerçek dünya performanslarına derinlemesine bir bakış sağlar.

Link to this sectionModellere Genel Bakış#

Hem PP-YOLOE+ hem de YOLOv7, doğruluk ve hızın sınırlarını zorlamak için tasarlanmıştır, ancak farklı geliştirme ekosistemlerinden ve tasarım felsefelerinden gelirler.

Link to this sectionPP-YOLOE+#

Baidu'daki PaddlePaddle yazarları tarafından geliştirilen PP-YOLOE+, orijinal PP-YOLOv2 üzerine inşa edilmiştir. PaddlePaddle ekosistemi için optimize edilmiş, verimli ve oldukça doğru bir nesne dedektörü sağlamak amacıyla tanıtılmıştır.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: 2203.16250
• GitHub: PaddleDetection Deposu
• Dokümantasyon: PP-YOLOE+ Dokümantasyonu

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionYOLOv7#

Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv7, piyasaya sürüldüğü dönemde gerçek zamanlı nesne dedektörleri için yeni son teknoloji kriterlerini belirlemek üzere "eğitilebilir ücretsiz özellikler çantası" (trainable bag-of-freebies) kavramını tanıtmıştır.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: YOLOv7 Deposu
• Dokümanlar: Ultralytics YOLOv7 Dokümanları

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Link to this sectionPP-YOLOE+ Mimarisi#

PP-YOLOE+, büyük ölçüde çapasız (anchor-free) bir paradigmaya dayanır ve özel veri setleri için çapa kutularını (anchor boxes) ayarlama ihtiyacını ortadan kaldırarak dağıtım sürecini basitleştirir. Güçlü bir RepResNet omurgasını ve etkili çok ölçekli özellik füzyonu için CSPNet tarzı bir PAN'ı (Yol Toplama Ağı) bünyesinde barındırır. Ayrıca, eğitim sırasında sınıflandırma ve yerelleştirme görevlerini dinamik olarak hizalamak için Görev Hizalama Öğrenimi (TAL) kavramından yararlanarak çeşitli bilgisayarlı görü görevlerinde yüksek doğruluk sağlar.

Link to this sectionYOLOv7 Mimarisi#

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı'nı (E-ELAN) tanıtarak farklı bir yaklaşım benimsedi. Bu mimari, ağın orijinal gradyan yolunu bozmadan daha çeşitli özellikleri öğrenmesine olanak tanıyarak daha iyi yakınsamaya yol açar. YOLOv7 ayrıca, yürütmeyi hızlandırmak için çıkarım sırasında evrişimli katmanları birleştiren ve doğruluktan ödün vermeyen model yeniden parametrelendirmesini (özellikle planlanmış yeniden parametrelendirilmiş evrişimler) yoğun bir şekilde kullanır. Bu, YOLOv7'yi çoklu nesne takibi ve karmaşık güvenlik alarm sistemleri gibi görevlerde son derece güçlü kılar.

Link to this sectionPerformans Analizi#

Hız, parametreler ve doğruluk (mAP) dengesini kurarken, modeller spesifik varyantlara ve hedef donanıma bağlı olarak farklı avantajlar sağlar. Aşağıda metriklerinin kapsamlı bir karşılaştırması bulunmaktadır.

PP-YOLOE+x modeli biraz daha yüksek bir mAP elde ederken, YOLOv7 varyantları çok güçlü bir parametre-doğruluk oranı sunar. YOLOv7 mimarisi, TensorRT optimizasyonunun son derece düşük gecikme süresi sağladığı saf GPU işlemleri için favori olmaya devam etmektedir.

Link to this sectionUltralytics Avantajı#

Bu modelleri eğitirken ve dağıtırken, seçtiğin çerçeve modelin kendisi kadar önemlidir. Ultralytics kullanmak, tüm makine öğrenimi yaşam döngüsünü basitleştiren oldukça birleşik bir Python API sayesinde akıcı bir kullanıcı deneyimi sağlar.

• İyi Korunan Ekosistem: Ultralytics YOLO modelleri, sürekli güncellenen bir ekosistemden, sağlam dokümantasyondan ve aktif bir topluluktan yararlanır.
• Bellek Gereksinimleri: Ultralytics, veri yükleme ve eğitim rejimlerini yoğun bir şekilde optimize eder. Ultralytics YOLO modellerini eğitmek, ağır Transformer tabanlı mimarilere kıyasla genellikle çok daha az CUDA belleği gerektirir ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük batch size değerleri kullanmasına olanak tanır.
• Eğitim Verimliliği: Sağlam veri artırma stratejilerinden ve yerleşik hiperparametre ayarlamasından yararlanan Ultralytics, modellerin hazır önceden eğitilmiş ağırlıklarla hızlı bir şekilde yakınsamasını sağlar.

Link to this sectionBasit API Uygulaması#

Ultralytics ile bir YOLOv7 modelini eğitmek, karmaşık eğitim betiklerini tamamen soyutlayarak sadece birkaç satır kod alır:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")

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

# Export to TensorRT for deployment
model.export(format="engine", device=0)

Link to this sectionYeni Standart: YOLO26 ile Tanışın#

PP-YOLOE+ ve YOLOv7 nesne algılamada birer dönüm noktası olsa da, yapay zeka dünyası hızla gelişmektedir. Herhangi bir yeni bilgisayarlı görü projesi için Ultralytics YOLO26 kullanmanı şiddetle öneririz. Ocak 2026'da piyasaya sürülen YOLO26, uç cihaz odaklı görü yapay zekasında dev bir ileri adımı temsil ediyor.

YOLO26 Neden Eski Mimarilerden Daha İyi Performans Gösterir:

• Uçtan Uca NMS-Free Tasarım: YOLO26 yerel olarak uçtan uca bir yapıdır. Maksimum Olmayan Baskılama (NMS) son işlemini ortadan kaldırarak, YOLOv10 içinde ilk kez görülen bir atılım olan öngörülebilir, deterministik çıkarım gecikmesini garanti eder.
• DFL Kaldırılması: Dağılım Odaklı Kaybın (DFL) kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç cihazlar için uyumluluğu önemli ölçüde artırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Akıllı şehir IoT sensörleri gibi özel GPU'ların bulunmadığı senaryolar için YOLO26, doğrudan CPU'larda verimli bir şekilde çalışacak şekilde yoğun bir şekilde optimize edilmiştir.
• MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'nın Kimi K2'si gibi) esinlenen YOLO26, inanılmaz derecede kararlı eğitim ve hızlı yakınsama için SGD ve Muon'un bir hibritini kullanır.
• ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, drone hava görüntüleri ve üretim hatası tespiti gibi kullanım durumları için hayati önem taşıyan küçük nesne algılamada kayda değer kazanımlar sağlar.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionİdeal Kullanım Durumları ve Dağıtım Senaryoları#

Link to this sectionPP-YOLOE+ ne zaman kullanılmalı#

PP-YOLOE+, Baidu ve PaddlePaddle ekosisteminin derinliklerinde olduğunda parlar. Eğer dağıtım hedefin Paddle modelleri için özel olarak uyarlanmış özel donanımlar kullanıyorsa (örneğin belirli Asya üretim hatlarında), PP-YOLOE+ mükemmel doğruluk ve kusursuz entegrasyon sağlar. Endüstriyel üretim otomasyonu için son derece etkilidir.

Link to this sectionYOLOv7 ne zaman kullanılmalı#

YOLOv7, özellikle TensorRT kullanarak NVIDIA donanımı üzerinde dağıtım yaparken genel yüksek performanslı çıkarım için mükemmel bir seçenek olmaya devam etmektedir. PyTorch ekosistemine entegrasyonu, onu akademik araştırmalar ve ağın yapısal bütünlüğünün çok önemli olduğu gerçek zamanlı kalabalık yönetimi veya karmaşık poz tahmini görevleri gibi özel ticari hatlar için çok yönlü kılar.

Link to this sectionDikkate Alınacak Diğer Modeller#

Tam ihtiyaçlarına bağlı olarak, bu mimarileri geniş, üretime hazır esneklik için YOLO11 ile veya projen senin durumunda geleneksel evrişimli ağlara göre vision transformer'ların özel avantajlarını gerektiriyorsa RT-DETR ile karşılaştırmak isteyebilirsin.

Link to this sectionSonuç#

Hem PP-YOLOE+ hem de YOLOv7, gerçek zamanlı nesne algılama dünyasına önemli iyileştirmeler getirdi. PP-YOLOE+ PaddlePaddle çevresinde standartlaştırılmış ortamlarda başarılı olurken, YOLOv7 PyTorch ve Ultralytics ekosistemleri aracılığıyla inanılmaz bir esneklik ve performans sunar.

Ancak, bilgisayarlı görü çözümleri ilerlemeye devam ettikçe modern araçları kullanmak çok önemlidir. Ultralytics Platform ve YOLO26 gibi yeni nesil mimarileri benimseyerek, geliştiriciler uygulamalarının hız, doğruluk ve kullanım kolaylığı açısından en ileri seviyede kalmasını sağlayabilirler.