PP-YOLOE+ ve YOLOv8#

Yüksek performanslı, gerçek zamanlı bilgisayarlı görü modellerine yönelik talep, yapay zekâ sektöründe hızlı yenilikleri beraberinde getirdi. Doğru mimariyi seçmek, başarılı ve son derece verimli bir dağıtımla hantal, kaynakları yoğun kullanan bir işlem hattı arasındaki belirleyici etken olabilir. Bu teknik rehber, PP-YOLOE+ ile Ultralytics YOLOv8 modellerini derinlemesine karşılaştırarak temel mimarilerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceliyor.

Mimarilere Giriş#

Bu modellerin ikisi de nesne algılamanın gelişiminde önemli kilometre taşlarıdır; ancak birbirinden tamamen farklı geliştirme yaklaşımlarından ve ekosistemlerden doğmuşlardır.

PP-YOLOE+#

PaddleDetection paketinin bir uzantısı olarak geliştirilen PP-YOLOE+, PP-YOLO serisinin önceki sürümlerini temel alır. Ağırlıklı olarak, Baidu yazılım yığınının yaygın olduğu belirli Asya pazarlarındaki endüstriyel dağıtımları hedefleyen PaddlePaddle derin öğrenme çatısı için optimize edilmiştir.

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Belgeler: PP-YOLOE+ Yapılandırması

PP-YOLOE+, sınıflandırma ve konum belirleme görevlerini dinamik olarak hizalayan bir CSPRepResNet omurgası ve Efficient Task-aligned head (ET-head) kullanır. Standartlaştırılmış kıyaslamalarda güçlü Ortalama Hassasiyet (mAP) elde etse de PaddlePaddle ekosistemine büyük ölçüde bağlı olması, daha yaygın kullanılan çatılara alışkın geliştiriciler için zorluk yaratabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Ultralytics YOLOv8#

Ultralytics tarafından önemli bir ilerleme olarak yayımlanan YOLOv8, nesne algılama alanında yeni bir son teknoloji standardı belirleyerek PyTorch geliştirici topluluğuna benzersiz kullanım kolaylığı, olağanüstü çok yönlülük ve yüksek çalışma hızı kazandırdı.

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

YOLOv8, eski C3 modülünün yerini alan, yüksek düzeyde optimize edilmiş anchor-free bir algılama başlığı ve yenilenmiş bir C2f yapı taşı sundu. Bu tasarım, gradyan akışını iyileştirir ve son derece hızlı model eğitimi sağlar. Basit algılamanın ötesinde, YOLOv8 aynı kullanıcı dostu API üzerinden örnek segmentasyonunu, görüntü sınıflandırmayı ve poz tahminini sorunsuz biçimde destekleyen çok görevli bir güç merkezidir.

Performans ve Metrik Karşılaştırması#

Bu mimarilerin doğrudan karşılaştırılması, parametre sayısı ve çıkarım gecikmesi arasında farklı ödünleşimler olduğunu gösteriyor. Aşağıda COCO veri kümesi kullanılarak elde edilen performans dökümü yer alıyor.

En büyük PP-YOLOE+x modeli mAP bakımından YOLOv8x'i az farkla geçse de bunun bedeli yaklaşık 100M parametredir. Ultralytics YOLOv8 modelleri sürekli olarak çok daha iyi bir performans dengesi sunar. YOLOv8 mimarileri, eğitim ve çıkarım sırasında daha ağır modellere kıyasla çok daha az bellek kullanır; bu da onları üretim ortamında ölçeklendirme için ideal kılar.

Ultralytics Ekosisteminin Avantajı#

Modelleri değerlendirirken çevrelerindeki ekosistem de ham mimari kadar önemlidir. PP-YOLOE+, PaddlePaddle çatısına özgü karmaşık yapılandırma dosyaları ve bağımlılıklarıyla uğraşmayı gerektirir.

Buna karşılık Ultralytics deneyimi, geliştiricilerin en yüksek hızda çalışabilmesi için tasarlanmıştır. Bakımı iyi yapılan ekosistem, basit bir Python API'si ve son derece etkin bir topluluk sunar. Ayrıca Ultralytics Platformu, sorunsuz veri kümesi yönetimi, bulutta eğitim ve ONNX ile TensorRT gibi biçimlere kolay dışa aktarma olanağı sunarak tüm ML işlem hattını basitleştirir.

Kullanım Kolaylığı: Kod Karşılaştırması#

Ultralytics ile son teknoloji bir nesne algılayıcıyı eğitmek yalnızca birkaç satır kod gerektirir. Karmaşık ve hiyerarşik yapılandırma klasörlerini çözümlemene gerek yoktur.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv8 modeli yükle
model = YOLO("yolov8s.pt")

# Modeli kendi veri kümen üzerinde verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modeli mAP ölçütleri için doğrula
metrics = model.val()

# Yüksek hızlı uç dağıtımı için dışa aktar
model.export(format="engine", dynamic=True)  # TensorRT'ye aktarır

Kullanım Alanları ve Öneriler#

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

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlar için güçlü bir seçenektir:

• PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
• Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

• Çok Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

YOLOv8'in Ötesine Geçiş: YOLO26'nın Doğuşu#

YOLOv8 sağlam ve güvenilir bir seçenek olmaya devam etse de en ileri teknolojiyi arayan geliştiriciler Ultralytics YOLO26 modelini değerlendirmelidir. Ocak 2026'da yayımlanan YOLO26, YOLO mimarilerinin temel ilkelerini alıp uç öncelikli nihai bir yapay zekâ çatısına dönüştürüyor.

YOLO26, hem PP-YOLOE+'ı hem de önceki YOLO nesillerini ( YOLO11 dâhil) geride bırakan birçok çığır açıcı yenilik sunuyor:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 kavramlarını temel alan YOLO26, isteğe bağlı bir uçtan uca başlık (nms=False) sunar. Maksimum Olmayan Bastırma (NMS) son işleme adımını ortadan kaldırarak görsel sahne ne kadar kalabalık olursa olsun tutarlı ve son derece düşük gecikmeli çıkarım sağlar.
• CPU Çıkarımında %43'e Varan Hız Artışı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak YOLO26 işlem yükünü önemli ölçüde azaltır ve uç CPU'larda çok daha hızlı çalışır; bu da pahalı GPU'ların bulunmadığı akıllı şehir ve IoT uygulamaları için idealdir.
• MuSGD Optimize Edici: YOLO26, Büyük Dil Modeli (LLM) eğitimindeki yeniliklerden yararlanır. Hibrit MuSGD optimize edicisi, eğitim sırasında benzeri görülmemiş bir kararlılık ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, küçük ve uzaktaki nesnelerin algılanmasını büyük ölçüde iyileştirir. Hava görüntülerini inceleyen drone operatörleri veya hızlı hareket eden üretim hatlarında kusur tespiti yapanlar için oyunun kurallarını değiştirir.

Yeni bilgisayarlı görü projelerine başlayan geliştiriciler için YOLO26 kesin önerimizdir.

Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak çoğu zaman özel dağıtım koşullarına bağlıdır:

PP-YOLOE+ Hangi Alanlarda Öne Çıkar:

• Belirli Asya Donanım Ekosistemleri: Yalnızca PaddlePaddle'ın gerekli çalışma zamanı olduğu, Baidu destekli donanımlara dağıtım yapıyorsan PP-YOLOE+ güçlü bir yerel entegrasyon sunar.
• Sunucu Tarafında Yoğun İşleme: Parametre sayısı ve bellek kısıtlarının sorun olmadığı, yalnızca çevrim dışı sunucu çıkarımlarının çalıştırıldığı durumlarda.

Ultralytics YOLOv8 (ve YOLO26) Hangi Alanlarda Öne Çıkar:

• Dinamik Uç Bilişim: NVIDIA Jetson cihazlarından temel Raspberry Pi'lere kadar Ultralytics modelleri, hız ve düşük bellek kullanımı arasında ideal dengeyi sunar.
• Çok Görevli İşlem Hatları: Uygulamanın basit sınırlayıcı kutulardan hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutulara (OBB) veya davranış analizi için poz tahminine geçmesi gerekiyorsa Ultralytics tüm görevleri kutudan çıktığı gibi destekler.
• Hızlı Prototiplemeden Üretime: Ultralytics ekosistemi, ekiplerin hızlıca yineleme yapmasını sağlar. Önceden eğitilmiş ağırlıklar kolayca kullanılabildiğinden özel modeller geliştirilebilir, eğitilebilir ve rakip mimarilerin gerektirdiği sürenin çok daha azında Ultralytics Platformu üzerinden dağıtılabilir.

PP-YOLOE+ rekabetçi kıyaslama sonuçları sunsa da YOLO26'nın yayımlanmasıyla da kanıtlanan benzersiz çok yönlülük, kullanım kolaylığı ve sürekli yenilik, Ultralytics modellerini hem modern geliştiriciler hem de araştırmacılar için üstün bir seçenek hâline getiriyor.