PP-YOLOE+ ve YOLOv7
Bilgisayarlı görü işlem hatları oluştururken doğru nesne algılama modelini seçmek kritik önemdedir. 2022'de ortaya çıkan iki önemli mimari olan PP-YOLOE+ ve YOLOv7, gerçek zamanlı nesne algılamada önemli ilerlemeler getirdi. Bu teknik karşılaştırma, uygulamaların için bilinçli kararlar vermene yardımcı olmak üzere mimarilerini, eğitim yöntemlerini ve gerçek dünya performanslarını inceliyor.
Modellere Genel Bakış#
Hem PP-YOLOE+ hem de YOLOv7 doğruluğu ve hızı artırmak için tasarlandı, ancak farklı geliştirme ekosistemlerinden ve tasarım yaklaşımlarından doğdular.
PP-YOLOE+#
Baidu'daki PaddlePaddle Yazarları tarafından geliştirilen PP-YOLOE+, PP-YOLOE ve daha eski PP-YOLOv2 modellerini temel alır. PaddlePaddle ekosistemi için optimize edilmiş verimli ve doğru bir nesne algılayıcı sunmak amacıyla geliştirilmiştir.
- 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+, bağlantı noktası kullanmayan bir tasarım kullanır ve özel veri kümeleri için bağlantı noktası kutularını ayarlama gereksinimini ortadan kaldırarak dağıtımı basitleştirir. Etkili çok ölçekli özellik birleştirme için CSPRepResNet omurgası ve CSPNet tarzı PAN (Yol Toplama Ağı) içerir. Ayrıca eğitim sırasında sınıflandırma ve konum belirleme görevlerini dinamik olarak hizalamak için Görev Hizalama Öğrenmesini (TAL) kullanır 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 yakınsama sağlamasını mümkün kılar. YOLOv7 ayrıca, özellikle planlı yeniden parametreleştirilmiş evrişimler olmak üzere modelin yeniden parametreleştirilmesini yoğun biçimde kullanır. Bunlar, doğruluktan ödün vermeden yürütmeyi hızlandırmak için çıkarım sırasında evrişim katmanlarını birleştirir. Bu özellikler YOLOv7'yi çoklu nesne takibi ve karmaşık güvenlik alarm sistemleri gibi GPU iş yükleri için çok uygun kılar.
Performans Analizi#
Hız, parametreler ve doğruluk (mAP) arasında denge kurarken her model, belirli sürüme ve hedef donanıma bağlı olarak farklı alanlarda öne çıkar. Aşağıdaki tabloda bu modellerin ölçütleri karşılaştırılıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
PP-YOLOE+x modeli biraz daha yüksek mAP değerine ulaşırken YOLOv7 sürümleri parametre-doğruluk açısından oldukça güçlü bir oran sunar. TensorRT optimizasyonunun çok düşük gecikme sağladığı ham GPU işlemelerinde YOLOv7 mimarisi hâlâ tercih edilen bir seçenektir.
Ultralytics Avantajı#
Bu modelleri eğitirken ve dağıtırken seçtiğin çerçeve, modelin kendisi kadar önemlidir. Ultralytics, tüm makine öğrenimi yaşam döngüsünü basitleştiren birleşik bir Python API'si sayesinde basitleştirilmiş 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 rutinlerini optimize eder. Ultralytics YOLO modellerini eğitmek, genellikle ağır transformatör tabanlı mimarilere kıyasla çok daha az CUDA belleği gerektirir ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük toplu iş 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 (yukarı akıştaki YOLOv7 dışa aktarımlarını çalıştırma hakkında bilgi için YOLOv7 belgelerine bak), ancak modern bir Ultralytics YOLO modelini eğitmek yalnızca birkaç satır kod gerektirir ve karmaşık eğitim betiklerinin yerini alır:
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 algılama alanında kilometre taşları olsa da yapay zekâ dünyası hızla gelişiyor. Herhangi bir yeni bilgisayarlı görü projesi için önerilen model Ultralytics YOLO26 modelidir. Ocak 2026'da yayımlanan YOLO26, uç öncelikli görsel yapay zekâ alanında önemli bir ilerlemedir.
YOLO26 Eski Mimarilerden Neden Daha İyi Performans Gösteriyor:
- Uçtan Uca, NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca çalışır. İsteğe bağlı bire bir başlığı (
nms=False) ile Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak, ilk kez YOLOv10 ile tanıtılan bir yaklaşımla öngörülebilir çıkarım gecikmesi sağlar. - DFL'nin Kaldırılması: Dağılımsal Odak Kayıbı'nın kaldırılması dışa aktarma sürecini basitleştirir ve düşük güç tüketen uç cihazlarla uyumluluğu önemli ölçüde artırır.
- CPU Çıkarımında %43'e Varan Hız Artışı: Özel GPU bulunmayan akıllı şehir IoT sensörleri gibi senaryolarda YOLO26, CPU'larda verimli çalışacak şekilde optimize edilmiştir; YOLO26n, YOLO11n'den %43'e kadar daha hızlıdır.
- MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2'sinin ardındaki teknikler gibi) ilham alan YOLO26, kararlı eğitim ve hızlı yakınsama için SGD ile Muon'un hibritini kullanır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, drone hava görüntüleri ve üretimde kusur tespiti gibi kullanım alanları için hayati önem taşıyan küçük nesne algılamada kayda değer kazanımlar sağlar.
İdeal Kullanım Alanları ve Dağıtım Senaryoları#
PP-YOLOE+ Ne Zaman Kullanılmalı#
Baidu ve PaddlePaddle ekosistemine derinlemesine bağlıysan PP-YOLOE+ doğal bir seçimdir. Dağıtım hedefin Paddle modellerine özel donanım kullanıyorsa PP-YOLOE+ yüksek doğruluk ve sıkı entegrasyon sunar. Endüstriyel üretim otomasyonu için oldukça etkilidir.
YOLOv7 Ne Zaman Kullanılmalı#
YOLOv7, özellikle TensorRT kullanan NVIDIA donanımlarına dağıtım yaparken genel amaçlı yüksek performanslı çıkarım için iyi bir seçenek olmaya devam ediyor. PyTorch ekosistemiyle entegrasyonu, YOLOv7'yi akademik araştırmalar ve gerçek zamanlı kalabalık yönetimi ya da poz tahmini görevleri gibi özel ticari işlem hatları için oldukça çok yönlü kılıyor.
Değerlendirilebilecek Diğer Modeller#
Tam ihtiyaçlarına bağlı olarak bu mimarileri geniş ve üretime hazır esneklik sunan YOLO11 ile ya da projen geleneksel evrişimli ağlara kıyasla transformatör tabanlı algılamanın belirli avantajlarını gerektiriyorsa RT-DETR ile karşılaştırmak da ilgini çekebilir.
Sonuç#
Hem PP-YOLOE+ hem de YOLOv7, gerçek zamanlı nesne algılama alanında önemli iyileştirmeler getirdi. PP-YOLOE+ PaddlePaddle'ın standart olduğu ortamlarda öne çıkarken YOLOv7, PyTorch ekosistemi aracılığıyla esneklik ve performans sunar.
Ancak bilgisayarlı görü çözümleri gelişmeye devam ederken modern araçlardan yararlanmak da önem kazanıyor. Geliştiriciler, Ultralytics Platform ve YOLO26 gibi yeni nesil mimarileri benimseyerek uygulamalarını hız, doğruluk ve kullanım kolaylığı açısından güncel tutabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.