PP-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.

Modellere Genel Bakış#

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

PP-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
• Kuruluş: Baidu
• Tarih: 02.04.2022
• Arxiv: 2203.16250
• GitHub: PaddleDetection Repository
• Docs: PP-YOLOE+ Documentation

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 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 Repository
• Docs: Ultralytics YOLOv7 Docs

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Yenilikler#

PP-YOLOE+ Mimarisi#

PP-YOLOE+, özel veri kümeleri için anchor kutularını ayarlama ihtiyacını ortadan kaldırarak dağıtım sürecini daha basit hale getiren çapasız bir modele büyük ölçüde güvenir. Etkili çok ölçekli özellik füzyonu için güçlü bir RepResNet omurgası ve CSPNet tarzı bir PAN (Path Aggregation Network) içerir. Ek olarak, eğitim sırasında sınıflandırma ve yerelleştirme görevlerini dinamik olarak hizalamak için Görev Hizalama Öğrenimi (TAL) kavramından yararlanarak çeşitli computer vision tasks genelinde yüksek doğruluk sağlar.

YOLOv7 Mimarisi#

YOLOv7, Gelişmiş Verimli Katman Birleştirme Ağı'nı (E-ELAN) tanıtarak farklı bir yaklaşım benimsemiştir. Bu mimari, ağın orijinal gradyan yolunu bozmadan daha çeşitli özellikleri öğrenmesine olanak tanır ve daha iyi bir yakınsamaya yol açar. YOLOv7 ayrıca model yeniden parametrelendirmesini (özellikle planlanmış yeniden parametrelendirilmiş evrişimleri) yoğun bir şekilde kullanır; bu, doğruluktan ödün vermeden yürütmeyi hızlandırmak için çıkarım sırasında evrişimli katmanları birleştirir. Bu, YOLOv7'yi multi-object tracking ve karmaşık security alarm systems gibi görevlerde son derece güçlü kılar.

Performans 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 olağanüstü düşük gecikme süresi sağladığı ham GPU işleme için favori olmaya devam ediyor.

Ultralytics 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 tipik olarak ağır transformer tabanlı mimarilere kıyasla çok daha az CUDA belleği gerektirir ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük batch sizes kullanmasına olanak tanır.
• Eğitim Verimliliği: Sağlam data augmentation strategies ve yerleşik hiperparametre ayarlamasından yararlanan Ultralytics, modellerin hazır önceden eğitilmiş ağırlıklarla hızlı bir şekilde yakınsamasını sağlar.

Basit 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)

Yeni Standart: YOLO26 ile Tanışın#

PP-YOLOE+ ve YOLOv7 nesne tespiti alanında birer dönüm noktası olsa da, yapay zeka dünyası hızla gelişmektedir. Herhangi bir yeni bilgisayarla görü projesi için Ultralytics YOLO26'yı şiddetle tavsiye ediyoruz. Ocak 2026'da piyasaya sürülen YOLO26, uç odaklı yapay zekada devasa bir ileri atılımı temsil eder.

YOLO26 Neden Eski Mimarilerden Daha İyi Performans Gösterir:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26 yerel olarak uçtan ucadır. Maksimum Olmayan Bastırma (NMS) son işlem aşamasını ortadan kaldırarak, ilk kez YOLOv10'da görülen bir çığır açan özellik 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: smart city IoT sensors gibi özel GPU'lardan yoksun 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 aerial imagery ve üretim kusur tespiti gibi kullanım alanları için hayati önem taşıyan küçük nesne tespitinde dikkate değer kazançlar sağlar.

YOLO26 hakkında daha fazla bilgi edin

İdeal Kullanım Durumları ve Dağıtım Senaryoları#

PP-YOLOE+ ne zaman kullanılmalı#

PP-YOLOE+, Baidu ve PaddlePaddle ekosistemine derinden bağlı olduğun durumlarda parlar. Dağıtım hedefin Paddle modelleri için özel olarak tasarlanmış donanımlar kullanıyorsa (örneğin bazı Asya üretim hatlarında), PP-YOLOE+ mükemmel doğruluk ve kesintisiz entegrasyon sağlar. industrial manufacturing automation için oldukça etkilidir.

YOLOv7 ne zaman kullanılmalı#

YOLOv7, özellikle TensorRT kullanan NVIDIA donanımına dağıtım yaparken, genel yüksek performanslı çıkarım için mükemmel bir seçim olmaya devam etmektedir. PyTorch ekosistemine entegrasyonu, onu akademik araştırmalar ve ağın yapısal bütünlüğünün çok önemli olduğu real-time crowd management veya karmaşık pose estimation görevleri gibi özel ticari boru hatları için son derece çok yönlü kılar.

Dikkate Alınacak Diğer Modeller#

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

Sonuç#

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.

Bununla birlikte, computer vision solutions gelişmeye devam ettikçe, modern araçları kullanmak çok önemlidir. Geliştiriciler Ultralytics Platform ve YOLO26 gibi yeni nesil mimarileri benimseyerek uygulamalarının hız, doğruluk ve kullanım kolaylığı açısından ön saflarda kalmasını sağlayabilirler.