PP-YOLOE+ ve YOLOv8: Gerçek Zamanlı Nesne Algılayıcılarının Teknik Karşılaştırması

Yüksek performanslı, gerçek zamanlı bilgisayar görüşü modellerine olan talep, yapay zeka endüstrisinde hızlı inovasyonu tetikledi. Doğru mimariyi seçmek, başarılı, yüksek verimli bir dağıtım ile zahmetli, kaynak yoğun bir işlem hattı arasındaki belirleyici faktör olabilir. Bu teknik rehber, PP-YOLOE+ ve Ultralytics YOLOv8 arasında derinlemesine bir karşılaştırma sunarak, temel mimarilerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını incelemektedir.

Mimarilere Giriş

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

PP-YOLOE+

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

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

PP-YOLOE+, bir CSPRepResNet backbone ve sınıflandırma ile konumlandırma görevlerini dinamik olarak hizalayan Verimli Görev Hizalı bir başlık (ET-head) kullanır. Standartlaştırılmış karşılaştırmalarda 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 edinin

Ultralytics YOLOv8

Ultralytics tarafından büyük bir ilerleme olarak piyasaya sürülen YOLOv8, nesne algılama için yeni bir son teknoloji durumu oluşturarak, daha geniş 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
Belgeler:YOLOv8 Belgeleri

YOLOv8, yüksek düzeyde optimize edilmiş, anchorsız bir detect başlığı ve eski C3 modülünün yerini alan yenilenmiş bir C2f yapı bloğu tanıttı. Bu tasarım, üstün gradyan akışı sağlar ve inanılmaz hızlı model eğitimine olanak tanır. Basit detect'in ötesinde, YOLOv8 çok görevli bir güç merkezidir; tamamen aynı kullanıcı dostu API aracılığıyla örnek segmentasyon, görüntü sınıflandırma ve poz tahminini sorunsuz bir şekilde destekler.

YOLOv8 hakkında daha fazla bilgi edinin.

Performans ve Metrik Karşılaştırması

Bu mimarilerin doğrudan karşılaştırması, mutlak parametre boyutu ve çıkarım gecikmesi arasında değişen ödünleşimleri ortaya koymaktadır. Aşağıda COCO veri kümesi kullanılarak yapılan performans dökümü yer almaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

En büyük PP-YOLOE+x modeli mAP'de YOLOv8x'i hafifçe geride bıraksa da, bu durum yaklaşık 100M parametrenin büyük maliyetiyle gelir. Ultralytics YOLOv8 modelleri, sürekli olarak çok daha üstün bir performans dengesi sergilemektedir. YOLOv8 mimarileri, daha ağır muadillerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımı gerektirir, bu da onları üretimde ölçeklendirme için ideal kılar.

Ultralytics Ekosisteminin Avantajı

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

Tersine, Ultralytics deneyimi, maksimum geliştirici hızı için tasarlanmıştır. İyi yönetilen ekosistem, basit bir Python API'si ve inanılmaz derecede aktif bir topluluğa sahiptir. Ayrıca, Ultralytics Platformu, sorunsuz veri kümesi yönetimi, bulut eğitimi ve ONNX ve TensorRT gibi formatlara basit dışa aktarımlar sunarak tüm ML işlem hattını basitleştirir.

Akıcı PyTorch Dağıtımı

YOLOv8, PyTorch içinde yerel olarak inşa edildiği için, mevcut yapay zeka işlem hatlarına entegre edilmesi, CoreML aracılığıyla mobil ortamlara dışa aktarılması veya niş yazılım yığınları gerektiren çerçevelere göre uç cihazlara dağıtılması önemli ölçüde daha kolaydır.

Kullanım Kolaylığı: Bir Kod Karşılaştırması

Ultralytics ile son teknoloji bir nesne algılayıcı eğitmek yalnızca birkaç satır kod gerektirir. Karmaşık hiyerarşik yapılandırma klasörlerini deşifre etmeye 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

Kullanım Durumları ve Öneriler

PP-YOLOE+ ve YOLOv8 arasında seçim yapmak, belirli proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.

Ne Zaman PP-YOLOE+ Seçmeli

PP-YOLOE+ için güçlü bir seçenektir:

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

YOLOv8 Ne Zaman Tercih Edilmeli?

YOLOv8 şunlar için önerilir:

Çok Yönlü Çok Görevli Dağıtım: Ultralytics ekosistemi içinde detect, segment, sınıflandırma ve poz tahmini için kanıtlanmış bir model gerektiren projeler.
Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulu, kararlı 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 faydalanan uygulamalar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli

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

NMS-Free Uç Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

YOLOv8'in Ötesine Geçmek: YOLO26'nın Şafağı

YOLOv8 sağlam ve güvenilir bir seçenek olmaya devam etse de, mutlak en son teknolojiyi arayan geliştiriciler Ultralytics YOLO26'yı göz önünde bulundurmalıdır. Ocak 2026'da piyasaya sürülen YOLO26, YOLO mimarilerinin temel prensiplerini alarak bunları nihai uç odaklı yapay zeka çerçevesine dönüştürür.

YOLO26, hem PP-YOLOE+'ı hem de önceki YOLO nesillerini ( YOLO11 dahil) geride bırakan çığır açan birçok yenilik getiriyor:

Uçtan Uca NMS'siz Tasarım: YOLOv10'dan gelen konseptler üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Non-Maximum Suppression (NMS) son işlemeyi ortadan kaldırarak, görsel sahnenin ne kadar kalabalık olduğundan bağımsız olarak tutarlı, ultra düşük gecikmeli çıkarım sunar.
Yüzde 43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL)'nin stratejik olarak kaldırılmasıyla YOLO26, işlem yükünü önemli ölçüde azaltarak uç CPU'larda önemli ölçüde daha hızlı hale gelir; bu da pahalı GPU'ların bulunmadığı akıllı şehir ve IoT uygulamaları için idealdir.
MuSGD Optimizatörü: YOLO26, Büyük Dil Modeli (LLM) eğitiminden yenilikler ödünç alır. Hibrit MuSGD optimizatörü, eğitim sırasında benzeri görülmemiş bir kararlılık ve daha hızlı yakınsama sağlar.
ProgLoss + STAL: Bu gelişmiş kayıp formülasyonları, küçük ve uzaktaki nesnelerin detect edilmesini önemli ölçüde iyileştirir. Bu, tarım alanlarını izleyen drone operatörleri veya hızlı hareket eden üretim hatlarında hata detect etme için çığır açan bir gelişmedir.

Yeni bilgisayar görüşü girişimlerine başlayan geliştiriciler için YOLO26 kesin öneridir.

Gerçek Dünya Uygulamaları

Bu modeller arasında seçim yapmak genellikle özel dağıtım gerçekliğinize bağlıdır:

PP-YOLOE+'nın Üstün Olduğu Alanlar:

Belirli Asya Donanım Ekosistemleri: Eğer PaddlePaddle'ın gerekli çalışma zamanı olduğu Baidu destekli donanımlara kesinlikle dağıtım yapıyorsanız, PP-YOLOE+ güçlü yerel entegrasyon sağlar.
Yoğun Sunucu Tarafı İşleme: Parametre sayısı ve bellek kısıtlamaları bir sorun olmadığında ve kesinlikle çevrimdışı sunucu çıkarımları çalıştırıyorsanız.

Ultralytics YOLOv8 (ve YOLO26)'nın Üstün Olduğu Alanlar:

Dinamik Uç Bilişim: NVIDIA Jetson cihazlarından temel Raspberry Pi'lere kadar, Ultralytics modelleri hız ve hafif bellek ayak izlerinin optimum dengesini sağlar.
Çok Görevli İş Akışları: Uygulamanızın basit sınırlayıcı kutulardan hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutulara (OBB) veya davranış analizi için poz tahmini geliştirmesi gerekiyorsa, Ultralytics tüm görevleri kutudan çıktığı gibi destekler.
Hızlı Prototiplemeden Üretime: Ultralytics ekosistemi, ekiplerin hızlı bir şekilde yineleme yapmasını sağlar. Hazır önceden eğitilmiş ağırlıklarla, özel modeller, rakip mimarilerin gerektirdiği sürenin çok daha kısa bir kısmında Ultralytics Platformu aracılığıyla hızla oluşturulabilir, eğitilebilir ve dağıtılabilir.

PP-YOLOE+ rekabetçi kıyaslamalar sunsa da, YOLO26'nın piyasaya sürülmesiyle kanıtlanan benzersiz çok yönlülük, kullanım kolaylığı ve sürekli yenilik, Ultralytics modellerini hem modern geliştiriciler hem de araştırmacılar için üstün bir seçenek olarak sağlamlaştırmaktadır.