PP-YOLOE+ ve YOLOv7#

Bilgisayarlı görü işlem hatları oluştururken doğru nesne algılama modelini seçmek kritik önem taşır. 2022'de geliştirilen iki önemli mimari olan PP-YOLOE+ ve YOLOv7, gerçek zamanlı nesne algılamada güçlü yenilikler sundu. Bu teknik karşılaştırma, uygulamaların için bilinçli kararlar vermene yardımcı olmak üzere mimarilerine, eğitim yöntemlerine ve gerçek dünya performanslarına derinlemesine bir bakış sunuyor.

Modellere Genel Bakış#

Hem PP-YOLOE+ hem de YOLOv7 doğruluk ve hız sınırlarını zorlamak üzere tasarlandı; ancak farklı geliştirme ekosistemlerinden ve tasarım felsefelerinden geliyorlar.

PP-YOLOE+#

Baidu'daki PaddlePaddle geliştiricileri tarafından geliştirilen PP-YOLOE+, özgün PP-YOLOv2 üzerine inşa edildi. PaddlePaddle ekosistemi için optimize edilmiş, verimli ve son derece doğru bir nesne algılayıcı sunmak amacıyla tanıtıldı.

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddleDetection Deposu
• Belgeler: PP-YOLOE+ Belgeleri

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOv7#

Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv7, piyasaya sürüldüğü dönemde gerçek zamanlı nesne algılayıcılar için en iyi performans ölçütlerini belirlemek üzere "eğitilebilir ücretsiz avantajlar" yaklaşımını ortaya koydu.

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

YOLOv7 hakkında daha fazla bilgi edin

Mimari Yenilikler#

PP-YOLOE+ Mimarisi#

PP-YOLOE+ büyük ölçüde çapasız bir yaklaşım kullanır. Böylece özel veri kümeleri için çapa kutularını ayarlama ihtiyacını ortadan kaldırarak dağıtım sürecini basitleştirir. Güçlü bir RepResNet omurgası ve çok ölçekli özellik birleştirmeyi etkili biçimde gerçekleştiren CSPNet tarzı bir PAN (Yol Toplama Ağı) kullanır. Ayrıca eğitim sırasında sınıflandırma ve konum belirleme görevlerini dinamik olarak hizalamak için Görev Hizalama Öğrenimi (TAL) kavramından yararlanır ve çeşitli bilgisayarlı görü görevlerinde yüksek doğruluk sağlar.

YOLOv7 Mimarisi#

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı'nı (E-ELAN) tanıtarak farklı bir yaklaşım benimsedi. Bu mimari, özgün gradyan yolunu bozmadan ağın daha çeşitli özellikler öğrenmesini ve böylece daha iyi yakınsamasını sağlar. YOLOv7 ayrıca modelin yeniden parametreleştirilmesinden, özellikle de çıkarım sırasında doğruluktan ödün vermeden yürütmeyi hızlandırmak için evrişim katmanlarını birleştiren planlı yeniden parametrelenmiş evrişimlerden yoğun biçimde yararlanır. Bu özellik, YOLOv7'yi çok nesneli izleme ve karmaşık güvenlik alarm sistemleri gibi görevlerde özellikle güçlü kılar.

Performans Analizi#

Hız, parametre sayısı ve doğruluk (mAP) dengesi kurulurken modeller, belirli varyanta ve hedef donanıma bağlı olarak birbirlerine üstünlük sağlayabilir. Aşağıda ölçütlerin kapsamlı bir karşılaştırması yer alıyor.

PP-YOLOE+x modeli biraz daha yüksek mAP değerine ulaşırken YOLOv7 varyantları parametre sayısı ile doğruluk arasında çok güçlü bir oran sunuyor. TensorRT optimizasyonunun olağanüstü düşük gecikme sağladığı ham GPU işlemede YOLOv7 mimarisi hâlâ öne çıkan seçeneklerden biri.

Ultralytics Avantajı#

Bu modelleri eğitirken ve dağıtırken seçtiğin çatı, modelin kendisi kadar önemlidir. Ultralytics kullanmak, tüm makine öğrenimi yaşam döngüsünü basitleştiren birleşik Python API'si sayesinde daha akıcı bir kullanıcı deneyimi sunar.

• Bakımı İyi Yapılan Ekosistem: Ultralytics YOLO modelleri sürekli güncellenen bir ekosistemden, kapsamlı belgelerden ve aktif bir topluluktan yararlanır.
• Bellek Gereksinimleri: Ultralytics, veri yükleme ve eğitim süreçlerini yoğun biçimde 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 yığın boyutları kullanmasına olanak tanır.
• Eğitim Verimliliği: Güçlü veri artırma stratejilerinden ve yerleşik hiperparametre ayarından yararlanan Ultralytics, hazır önceden eğitilmiş ağırlıklarla modellerin hızla yakınsamasını sağlar.

Basit API Uygulaması#

Ultralytics paketi yerel YOLOv7 eğitimini desteklemez (orijinal YOLOv7 dışa aktarımlarını çalıştırmak için YOLOv7 belgelerine bak); ancak modern bir Ultralytics YOLO modelini eğitmek, karmaşık eğitim betiklerini tamamen soyutlayarak yalnızca birkaç satır kod gerektirir:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 modeli yükle
model = YOLO("yolo26n.pt")

# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Dağıtım için TensorRT'ye aktar
model.export(format="engine", device=0)

Yeni Standart: YOLO26 ile Tanış#

PP-YOLOE+ ve YOLOv7, nesne algılamada önemli dönüm noktaları olsa da yapay zekâ alanı hızla gelişiyor. Yeni bilgisayarlı görü projelerinde Ultralytics YOLO26'yı önemle öneriyoruz. Ocak 2026'da yayımlanan YOLO26, uçta öncelikli görü yapay zekâsında büyük bir sıçramayı temsil ediyor.

YOLO26 Eski Mimarilerden Neden Daha İyi Performans Gösteriyor:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, yerel olarak uçtan uca çalışır. İsteğe bağlı bire bir başlığıyla (nms=False) Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak öngörülebilir ve deterministik çıkarım gecikmesi sağlar. Bu, ilk kez YOLOv10'da görülen çığır açıcı bir yeniliktir.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıbı'nın kaldırılması dışa aktarma sürecini basitleştirir ve düşük güç tüketen uç cihazlarla uyumluluğu önemli ölçüde artırır.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Özel GPU'su olmayan akıllı şehir IoT sensörleri gibi senaryolar için YOLO26, doğrudan CPU'larda verimli çalışacak şekilde yoğun biçimde optimize edilmiştir.
• MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi gelişmiş LLM eğitim tekniklerinden ilham alan YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ile Muon'un hibritini kullanır.
• ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, drone hava görüntüleri ve üretim hatası algılama gibi kullanım alanları için hayati önem taşıyan küçük nesne algılamada kayda değer iyileşmeler sağlar.

İdeal Kullanım Alanları ve Dağıtım Senaryoları#

PP-YOLOE+ Ne Zaman Kullanılmalı#

Baidu ve PaddlePaddle ekosistemine derinlemesine bağlıysan PP-YOLOE+ öne çıkar. Dağıtım hedefin Paddle modellerine göre tasarlanmış özel donanımları (örneğin bazı Asya üretim hatlarındaki donanımları) kullanıyorsa PP-YOLOE+ yüksek doğruluk ve sorunsuz entegrasyon sunar. Endüstriyel üretim otomasyonunda oldukça etkilidir.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, özellikle TensorRT kullanan NVIDIA donanımlarına dağıtımda genel amaçlı, yüksek performanslı çıkarım için mükemmel bir seçenek olmaya devam ediyor. PyTorch ekosistemiyle entegrasyonu, onu akademik araştırmalar ve ağın yapısal bütünlüğünün çok önemli olduğu gerçek zamanlı kalabalık yönetimi veya karmaşık poz tahmini görevleri gibi özel ticari işlem hatları için oldukça esnek kılıyor.

Değerlendirilebilecek Diğer Modeller#

Tam ihtiyaçlarına bağlı olarak, geniş kapsamlı ve üretime hazır esneklik için bu mimarileri YOLO11 ile ya da projen geleneksel evrişimli ağlara kıyasla görsel Transformer'ların belirli avantajlarını gerektiriyorsa RT-DETR ile karşılaştırmak da ilgini çekebilir.

Sonuç#

Hem PP-YOLOE+ hem de YOLOv7, gerçek zamanlı nesne algılama alanında önemli iyileşmeler sağladı. PP-YOLOE+ PaddlePaddle'ı standart kabul eden ortamlarda öne çıkarken YOLOv7, PyTorch ekosistemi üzerinden olağanüstü esneklik ve performans sunuyor.

Ancak bilgisayarlı görü çözümleri gelişmeye devam ederken modern araçlardan yararlanmak çok önemlidir. Ultralytics Platform'u ve YOLO26 gibi yeni nesil mimarileri benimseyen geliştiriciler, uygulamalarının hız, doğruluk ve kullanım kolaylığı açısından en ileri seviyede kalmasını sağlayabilir.