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 ilerlemeler sundu. Bu teknik karşılaştırma, uygulamaların için bilinçli kararlar vermene yardımcı olmak amacıyla bu modellerin mimarilerini, eğitim yöntemlerini ve gerçek dünya performansını derinlemesine inceler.

Modellere Genel Bakış#

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

PP-YOLOE+#

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

• Yazarlar: PaddlePaddle Authors
• Kuruluş: 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 yeni son teknoloji kıyaslamalar belirlemek üzere "eğitilebilir ücretsiz kazanımlar çantası" yaklaşımını tanıttı.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• 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 anchorsız bir paradigmayı temel alır ve özel veri kümeleri için anchor kutularını ayarlama gereksinimini ortadan kaldırarak dağıtım sürecini basitleştirir. Etkili çok ölçekli özellik birleştirme için güçlü bir RepResNet omurgası ve CSPNet tarzı PAN (Özellik Birleştirme Ağı) kullanır. Ayrıca eğitim sırasında sınıflandırma ve konumlandırma görevlerini dinamik olarak hizalamak için Task Alignment Learning (TAL) kavramından yararlanır ve çeşitli bilgisayarlı görü görevlerinde yüksek doğruluk sağlar.

YOLOv7 Mimarisi#

YOLOv7, Extended Efficient Layer Aggregation Network (E-ELAN) yaklaşımını tanıtarak farklı bir yol izledi. Bu mimari, özgün gradyan yolunu bozmadan ağın daha çeşitli özellikler öğrenmesini sağlar ve böylece daha iyi yakınsamaya ulaşır. YOLOv7 ayrıca model yeniden parametreleştirmesinden, özellikle planlı yeniden parametreleştirilmiş evrişimlerden yoğun biçimde yararlanır. Bu yaklaşım, doğruluktan ödün vermeden yürütmeyi hızlandırmak için çıkarım sırasında evrişim katmanlarını birleştirir. Bu da YOLOv7'yi çoklu nesne takibi ve karmaşık güvenlik alarm sistemleri gibi görevlerde olağanüstü güçlü kılar.

Performans Analizi#

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

PP-YOLOE+x modeli biraz daha yüksek bir mAP değerine ulaşırken YOLOv7 varyantları, parametre sayısına göre oldukça güçlü bir doğruluk oranı sunar. YOLOv7 mimarisi, TensorRT optimizasyonunun son derece düşük gecikme sağladığı ham GPU işleme senaryolarında hâlâ favorilerden biridir.

Ultralytics Avantajı#

Bu modelleri eğitirken ve dağıtırken seçtiğin framework, modelin kendisi kadar önemlidir. Ultralytics kullanmak, tüm makine öğrenimi yaşam döngüsünü basitleştiren son derece bütünleşik bir Python API sayesinde daha akıcı bir kullanıcı deneyimi sağlar.

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

Basit API Uygulaması#

Ultralytics ile YOLOv7 modeli eğitmek yalnızca birkaç satır kod gerektirir ve karmaşık eğitim betiklerini tamamen soyutlar:

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)

Yeni Standart: YOLO26'yı Tanıtıyoruz#

PP-YOLOE+ ve YOLOv7 nesne algılamada dönüm noktaları olsa da yapay zekâ dünyası hızla gelişiyor. Yeni bir bilgisayarlı görü projesi için Ultralytics YOLO26 kullanmanı önemle öneriyoruz. Ocak 2026'da yayımlanan YOLO26, uç öncelikli görüntü yapay zekâsında büyük bir ilerlemeyi temsil ediyor.

YOLO26 Neden Daha Eski Mimarilerden Daha İyi Performans Gösteriyor:

• Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca çalışır. Non-Maximum Suppression (NMS) son işleme adımını ortadan kaldırarak öngörülebilir ve belirlen deterministik çıkarım gecikmesini garanti eder; bu yaklaşım ilk kez YOLOv10 ile görülmüştür.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç cihazlarla uyumluluğu önemli ölçüde artırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'ların bulunmadığı akıllı şehir IoT sensörleri gibi senaryolarda YOLO26, doğrudan CPU'lar üzerinde verimli çalışacak şekilde yoğun biçimde optimize edilmiştir.
• MuSGD Optimizer: Gelişmiş LLM eğitim tekniklerinden, örneğin Moonshot AI'nin Kimi K2'sinden ilham alan YOLO26, son derece kararlı eğitim ve hızlı yakınsama için SGD ile Muon'un birleşimini kullanır.
• ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, drone hava görüntüleri ve üretim kusuru algılama gibi kullanım alanları için hayati önem taşıyan küçük nesne algılamada dikkate değer kazanımlar sağlar.

İdeal Kullanım Alanları ve Dağıtım Senaryoları#

PP-YOLOE+ Ne Zaman Kullanılmalı#

PP-YOLOE+, Baidu ve PaddlePaddle ekosistemlerine derinlemesine bağlı olduğun durumlarda öne çıkar. Dağıtım hedefin Paddle modelleri için uyarlanmış özel donanımlar kullanıyorsa (örneğin belirli Asya üretim işlem hatlarında), PP-YOLOE+ mükemmel doğruluk ve sorunsuz entegrasyon sunar. Endüstriyel üretim otomasyonu için son derece etkilidir.

YOLOv7 Ne Zaman Kullanılmalı#

YOLOv7, özellikle TensorRT kullanan NVIDIA donanımlarına dağıtım yapılırken genel amaçlı yüksek performanslı çıkarım için hâlâ mükemmel bir seçimdir. PyTorch ekosistemine entegrasyonu, onu akademik araştırmalar ve ağın yapısal bütünlüğünün büyük önem taşıdığı gerçek zamanlı kalabalık yönetimi veya karmaşık poz tahmini görevleri gibi özel ticari işlem hatları için son derece esnek kılar.

Değerlendirilebilecek Diğer Modeller#

Tam gereksinimlerine bağlı olarak bu mimarileri geniş ve üretime hazır esneklik için YOLO11 ile veya 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 dünyasına önemli iyileştirmeler getirdi. PP-YOLOE+ PaddlePaddle çevresinde standartlaştırılmış ortamlarda öne çıkarken YOLOv7, PyTorch ve Ultralytics ekosistemleri sayesinde olağanüstü esneklik ve performans sunar.

Ancak bilgisayarlı görü çözümleri gelişmeye devam ederken modern araçları kullanmak büyük önem taşır. Geliştiriciler, Ultralytics Platform ve YOLO26 gibi yeni nesil mimarileri benimseyerek uygulamalarının hız, doğruluk ve kullanım kolaylığı açısından en ileri düzeyde kalmasını sağlayabilir.