PP-YOLOE+ ve YOLOv8: Nesne Algılama Mimarilerine Derinlemesine Bir Bakış
Doğru nesne algılama modelini seçmek, geliştiriciler ve araştırmacılar için kritik bir karardır ve genellikle hız, doğruluk ve dağıtım kolaylığı arasındaki dengeleri gözetir. Bu karşılaştırma, iki önemli mimariyi inceler: PaddlePaddle YOLO bir evrimi olan PP-YOLOE+ ve YOLOv8, Ultralytics'in yaygın olarak benimsenen standardı. Mimari yeniliklerini, performans ölçütlerini ve çeşitli gerçek dünya uygulamaları için uygunluklarını analiz edeceğiz.
PP-YOLOE+: Paddle Ekosistemi için Geliştirildi
PP-YOLOE+, Baidu araştırmacıları tarafından geliştirilenYOLO önemli bir güncellemesidir. Ankor içermeyen paradigmayı temel alır ve belirli donanım arka uçlarında eğitim yakınsaması ve çıkarım hızını optimize etmeyi amaçlar.
PP-YOLOE+ Ayrıntılar:
PaddlePaddle
Baidu
2022-04-02
Arxiv
GitHub
Dokümanlar
Mimari ve Yenilikler
PP-YOLOE+, önceki sürümleri iyileştirmek için tasarlanmış birkaç önemli mimari değişiklik getiriyor:
- Anchor-Free Tasarım: Anchor kutularını ortadan kaldırarak, model hiper parametrelerin sayısını azaltır ve TAL (Görev Hizalama Öğrenimi) stratejisini kullanarak temel gerçek atama sürecini basitleştirir.
- RepResBlock: backbone , yeniden parametrelendirilebilir kalıntı blokları backbone , böylece model eğitim sırasında karmaşık yapılara sahip olurken, çıkarım sırasında daha basit ve daha hızlı katmanlara dönüşür.
- ET-Head: Sınıflandırma ve konum belirleme görevlerini etkili bir şekilde ayırmak ve yakınsama hızını artırmak için verimli bir görev uyumlu kafa kullanılır.
Bu yenilikler güçlü bir performans sunarken, PaddlePaddle sıkı sıkıya bağlıdır. Bu ekosistem özelliği, mevcut altyapısı PyTorch, TensorFlow veya ONNX iş akışlarına dayanan ekipler için zorluklar yaratabilir.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Ultralytics YOLOv8: Modern Standart
2023 yılının başında piyasaya sürülen YOLOv8 gerçek zamanlı bilgisayar görüşünün görünümünü yeniden tanımladı. Bu sadece bir algılama modeli değil, görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekleyen birleşik bir çerçevedir.
YOLOv8 :
Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Ultralytics
2023-01-10
GitHub
Dokümanlar
YOLOv8'in Temel Avantajları
YOLOv8 , çok çeşitli donanımlarda kullanılabilirlik ve genel performansa YOLOv8 :
- Son Teknoloji Doğruluk: C2f modülünü (iki konvolüsyonlu çapraz aşama kısmi darboğaz) kullanan YOLOv8 , gradyan akışını ve özellik çıkarmayı YOLOv8 zor nesneler için üstün algılama doğruluğu sağlar.
- Yerel olarak çok modlu: Öncelikle algılamaya odaklanan PP-YOLOE+'dan farklı olarak, YOLOv8 kullanıcıların tek bir kod satırı ile segmentasyon ve poz tahmini gibi görevler arasında geçiş yapmalarını YOLOv8 .
- Dinamik Ankarsız Başlık: PP-YOLOE+'ya benzer şekilde, YOLOv8 ankarsız bir yaklaşım YOLOv8 , ancak bunu ölçek değişikliklerine karşı sağlamlığı artıran sağlam bir Mosaic artırma stratejisiyle birleştirir.
Ekosistem Entegrasyonu
YOLOv8 gerçek gücü Ultralytics YOLOv8 . Kullanıcılar, aşağıdaki gibi araçlarla sorunsuz entegrasyonlara erişim elde ederler Weights & Biases gibi araçlarla deney takibi ve Ultralytics ile zahmetsiz veri kümesi yönetimi ve bulut eğitimi gibi araçlarla sorunsuz entegrasyonlara erişebilirler.
YOLOv8 hakkında daha fazla bilgi edinin.
Performans Karşılaştırması
Bu mimarileri karşılaştırırken, hem ham doğruluk (mAP) hem de verimlilik (hız/FLOP) değerlerine bakmak önemlidir. Aşağıdaki tablo, PP-YOLOE+'nın rekabetçi olmasına rağmen, YOLOv8 , özellikle standart donanımlarda parametre verimliliği ve çıkarım hızı arasında daha iyi bir denge sunduğunu göstermektedir.
| Model | boyut (piksel) | mAPval 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 |
Eğitim Verimliliği ve Bellek Kullanımı
Sık sık gözden kaçan bir husus, eğitim sırasında bellek gereksinimidir. Transformatör tabanlı modeller veya eski mimariler VRAM'i yoğun bir şekilde kullanabilir. Ultralytics , tüketici sınıfı donanımlarda verimli bir şekilde çalışacak şekilde optimize edilmiştir. Örneğin, YOLOv8 modelini standart bir dizüstü bilgisayar CPU mütevazı GPU eğitebilirsiniz, oysa PP-YOLOE+ boru hatları genellikle endüstriyel laboratuvarlarda tipik olan yüksek performanslı GPU erişimi varsayar.
Ayrıca, YOLOv8 Ultralytics ile entegrasyonu, eğitim sürecini basitleştirir. Kullanıcılar, PaddlePaddle ile sıklıkla ilişkili karmaşık bağımlılık zincirlerini yönetmeden sonuçları görselleştirebilir, veri kümelerini yönetebilir ve modelleri dağıtabilir.
Kullanım Durumları ve Öneriler
Ne Zaman PP-YOLOE+ Seçmeli
PP-YOLOE+, kuruluşunuz PaddlePaddle zaten yoğun bir şekilde yatırım yapmışsa mükemmel bir seçimdir. Asya pazarına özgü donanımlarda (Paddle Lite'ı destekleyen özel kenar yongaları gibi) performansı yüksek derecede optimize edilebilir. Kesinlikle ankrajsız bir dedektöre ihtiyacınız varsa ve Paddle ortamını sürdürmek için mühendislik kaynaklarınız varsa, bu sağlam bir seçenek olmaya devam eder.
Ne Zaman Ultralytics YOLOv8 Seçmeli
Geliştiricilerin, araştırmacıların ve kurumsal ekiplerin büyük çoğunluğu için YOLOv8çok yönlülüğü ve kullanım kolaylığı nedeniyle önerilen çözümdür.
- Çapraz Platform Dağıtımı: YOLOv8 , aşağıdakilere sorunsuz bir şekilde YOLOv8 ONNX, TensorRT, CoreML ve TFLite sorunsuz bir şekilde aktarılabilir. Bu da onu mobil uygulamalar, Raspberry Pi gibi uç cihazlar ve bulut sunucuları için ideal hale getirir.
- Çeşitli Görevler: Projeniz basit algılamadan segmentasyona (ör. tıbbi görüntüleme) veya poz tahminine (ör. spor analitiği) doğru genişleyebiliyorsa, YOLOv8 birleşik API'si önemli ölçüde geliştirme süresinden tasarruf sağlar.
- Topluluk Desteği: Ultralytics çevresindeki aktif topluluk, sorunların hızlı bir şekilde çözülmesini Ultralytics ve veri kümesi analizi için Explorer gibi yeni özellikler düzenli olarak eklenir.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX for broad compatibility
model.export(format="onnx")
İleriye Bakış: YOLO26'nın Gücü
YOLOv8 endüstri standardı YOLOv8 ederken, teknoloji hızla gelişiyor. Ocak 2026'da Ultralytics , verimlilik sınırlarını daha da zorlayan YOLO26 modelini Ultralytics .
YOLO26, Non-Maximum Suppression son işlemine gerek kalmayan, uçtan uca NMS bir tasarıma sahiptir. Bu, özellikle son işlem mantığının bir darboğaz oluşturabileceği uç cihazlarda, önemli ölçüde daha hızlı çıkarım yapılmasına olanak tanır. MuSGD optimizörü ve Distribution Focal Loss (DFL) özelliğinin kaldırılmasıyla YOLO26, önceki nesillere kıyasla %43'e varan oranda daha hızlı CPU ulaşmaktadır.
Hız ve doğruluk açısından en iyisini gerektiren yeni projeler için YOLO26'yı incelemenizi şiddetle tavsiye ederiz. Ultralytics efsanevi kullanım kolaylığını korurken, yeni nesil performans için en son araştırmaları da bünyesinde barındırır.
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
Hem PP-YOLOE+ hem de YOLOv8 , nesne algılama alanını ileriye taşıyan yetenekli YOLOv8 . PP-YOLOE+, PaddlePaddle içinde güçlü bir performans sunar. Ancak, YOLOv8 erişilebilirliği, zengin özellikleri ve Ultralytics kapsamlı desteği ile öne çıkmaktadır. İster bir startup MVP'si oluşturuyor ister küresel bir kurumsal çözümü ölçeklendiriyor olun, bulut GPU'lardan cep telefonlarına kadar her yerde dağıtım esnekliği, Ultralytics modern bilgisayar görüşü için pragmatik bir seçim haline getirir.
Diğer yüksek verimli modellerle ilgilenenler için, YOLO11 genel amaçlı algılama veya RT-DETR 'yi inceleyebilirsiniz.