Link to this sectionPP-YOLOE+ ve YOLOv8#

Yüksek performanslı, gerçek zamanlı bilgisayarlı görü modellerine olan talep, yapay zeka endüstrisinde hızlı bir inovasyonu tetikledi. Doğru mimariyi seçmek, başarılı ve yüksek verimli bir dağıtım ile hantal ve kaynak tüketen bir süreç arasındaki belirleyici faktör olabilir. Bu teknik rehber, PP-YOLOE+ ve Ultralytics YOLOv8 arasında derinlemesine bir karşılaştırma sunarak bunların temel mimarilerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceliyor.

Link to this sectionMimariyi Tanıma#

Bu modellerin her ikisi de nesne algılama evriminde önemli kilometre taşlarını temsil etse de, tamamen farklı geliştirme felsefelerinden ve ekosistemlerden gelirler.

Link to this sectionPP-YOLOE+#

PaddleDetection paketinin bir uzantısı olarak geliştirilen PP-YOLOE+, PP-YOLO serisinin önceki yinelemeleri üzerine inşa edilmiştir. Baidu yazılım yığınının yaygın olduğu belirli Asya pazarlarındaki endüstriyel dağıtımları hedefleyerek, PaddlePaddle derin öğrenme çerçevesi için yoğun bir şekilde optimize edilmiştir.

• Yazarlar: PaddlePaddle Yazarları
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Dokümanlar: PP-YOLOE+ Yapılandırması

PP-YOLOE+, CSPRepResNet omurgasını ve sınıflandırma ile yerelleştirme görevlerini dinamik olarak hizalayan Verimli Görev uyumlu bir başlık (ET-head) kullanır. Standartlaştırılmış kıyaslamalarda güçlü bir Ortalama Hassasiyet (mAP) elde etse de, PaddlePaddle ekosistemine olan yoğun bağımlılığı, daha evrensel olarak benimsenen çerçevelere alışkın geliştiriciler için sürtünme yaratabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionUltralytics YOLOv8#

Ultralytics tarafından dev bir sıçrama olarak yayınlanan YOLOv8, nesne algılama için yeni bir state-of-the-art belirledi ve PyTorch geliştirici topluluğuna benzersiz kullanım kolaylığı, aşırı çok yönlülük ve yüksek hızlı yürütme getirdi.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Dokümanlar: YOLOv8 Dokümantasyonu

YOLOv8, oldukça optimize edilmiş, çapasız (anchor-free) bir algılama başlığı ve eski C3 modülünün yerini alan yenilenmiş bir C2f yapı bloğu tanıttı. Bu tasarım, üstün gradyan akışı sağlar ve inanılmaz derecede hızlı model eğitimi yapılmasına olanak tanır. Basit algılamanın ötesinde YOLOv8, tam olarak aynı kullanıcı dostu API aracılığıyla örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini süreçlerini sorunsuz bir şekilde destekleyen çok görevli bir güç merkezidir.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu mimarilerin doğrudan bir karşılaştırması, parametre boyutu ve çıkarım gecikmesi arasındaki değiş tokuşları ortaya koymaktadır. Aşağıda COCO veri seti kullanılarak elde edilen performans dökümü yer almaktadır.

En büyük PP-YOLOE+x modeli, mAP konusunda YOLOv8x'i kıl payı geçse de, bu neredeyse 100M parametrelik devasa bir maliyetle gelir. Ultralytics YOLOv8 modelleri tutarlı bir şekilde çok daha üstün bir performans dengesi sergiler. YOLOv8 mimarileri, eğitim ve çıkarım sırasında daha ağır muadillerine kıyasla önemli ölçüde daha düşük bellek kullanımı gerektirir, bu da onları üretimde ölçeklendirme için ideal hale getirir.

Link to this sectionUltralytics Ekosistemi Avantajı#

Modelleri değerlendirirken, çevreleyen ekosistem en az ham mimari kadar önemlidir. PP-YOLOE+, PaddlePaddle çerçevesine özgü karmaşık yapılandırma dosyalarında ve bağımlılıklarda gezinmeyi gerektirir.

Buna karşılık Ultralytics deneyimi, maksimum geliştirici hızı için tasarlanmıştır. İyi korunmuş ekosistemi, basit bir Python API ve inanılmaz derecede aktif bir topluluğa sahiptir. Ayrıca Ultralytics Platform, tüm ML boru hattını basitleştirerek sorunsuz veri seti yönetimi, bulut eğitimi ve ONNX ve TensorRT gibi formatlara basit dışa aktarma seçenekleri sunar.

Link to this sectionKullanım Kolaylığı: Bir Kod Karşılaştırması#

Ultralytics ile state-of-the-art bir nesne dedektörü eğitmek sadece birkaç satır kod alır. Karmaşık hiyerarşik yapılandırma klasörlerini çözmenize gerek yoktur.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

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

# Validate the model for mAP metrics
metrics = model.val()

# Export for high-speed edge deployment
model.export(format="engine", dynamic=True)  # Exports to TensorRT

Link to this sectionKullanım Durumları ve Öneriler#

PP-YOLOE+ ve YOLOv8 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
• Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionYOLOv8'in Ötesine Geçiş: YOLO26'nın Şafağı#

YOLOv8 sağlam ve güvenilir bir seçenek olmaya devam etse de, kesinlikle en ileri teknolojiyi arayan geliştiriciler Ultralytics YOLO26 seçeneğini değerlendirmelidir. Ocak 2026'da piyasaya sürülen YOLO26, YOLO mimarilerinin temel prensiplerini alır ve onları en iyi uç nokta odaklı (edge-first) yapay zeka çerçevesi haline getirmek için geliştirir.

YOLO26, hem PP-YOLOE+ hem de önceki YOLO nesillerini ( YOLO11 dahil) aşan birkaç çığır açıcı yenilik getiriyor:

• Uçtan Uca NMS-Free Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. NMS (Non-Maximum Suppression) sonrası işlemini ortadan kaldırarak, görsel sahne ne kadar kalabalık olursa olsun tutarlı ve ultra düşük gecikmeli çıkarım sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 işleme yükünü önemli ölçüde azaltır ve bu da onu uç noktalardaki CPU'larda çok daha hızlı hale getirir—bu, pahalı GPU'ların bulunmadığı akıllı şehir ve IoT uygulamaları için idealdir.
• MuSGD Optimizer: YOLO26, Büyük Dil Modeli (LLM) eğitimindeki yeniliklerden yararlanır. Hibrit MuSGD optimize edicisi, eğitim sırasında benzeri görülmemiş bir kararlılık ve daha hızlı yakınsama getirir.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, küçük ve uzak nesnelerin algılanmasını büyük ölçüde iyileştirir. Bu, tarım arazilerini izleyen drone operatörleri veya hızlı hareket eden üretim hatlarındaki hata tespiti için oyunun kurallarını değiştiren bir özelliktir.

Yeni bilgisayarlı görü girişimlerine başlayan geliştiriciler için YOLO26 kesin önerimizdir.

Link to this sectionGerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle özel dağıtım gerçeklerinize bağlıdır:

PP-YOLOE+ Nerede Öne Çıkar:

• Belirli Asya Donanım Ekosistemleri: Yalnızca PaddlePaddle'ın gerekli çalışma zamanı olduğu, Baidu destekli donanımlara dağıtım yapıyorsanız, PP-YOLOE+ güçlü bir yerel entegrasyon sağlar.
• Ağır Sunucu Tarafı İşleme: Parametre sayısı ve bellek kısıtlamalarının bir sorun olmadığı ve sadece çevrimdışı sunucu çıkarımları çalıştırdığınız durumlarda.

Ultralytics YOLOv8 (ve YOLO26) Nerede Öne Çıkar:

• Dinamik Uç Nokta Bilişimi: NVIDIA Jetson cihazlarından temel Raspberry Pi'lere kadar, Ultralytics modelleri hız ve hafif bellek ayak izinin en iyi dengesini sağlar.
• Çok Görevli Boru Hatları: Uygulamanızın havadan görüntüler için basit sınırlayıcı kutulardan Yönlendirilmiş Sınırlayıcı Kutulara (OBB) veya davranış analizi için poz tahminine evrilmesi gerekiyorsa, Ultralytics tüm görevleri kutudan çıktığı gibi destekler.
• Prototiplemeden Üretime Hızlı Geçiş: Ultralytics ekosistemi, ekiplerin hızlı bir şekilde yineleme yapmasını sağlar. Önceden eğitilmiş ağırlıkların kolayca mevcut olmasıyla, özel modeller Ultralytics Platform aracılığıyla rakip mimarilerin gerektirdiği sürenin çok daha kısa bir kısmında oluşturulabilir, eğitilebilir ve dağıtılabilir.

PP-YOLOE+ rekabetçi kıyaslamalar sunsa da, YOLO26'nın piyasaya sürülmesiyle kanıtlanan benzersiz çok yönlülük, kullanım kolaylığı ve sürekli inovasyon, Ultralytics modellerini modern geliştiriciler ve araştırmacılar için üstün tercih haline getiriyor.