PP-YOLOE+ ve YOLOv8#

Yüksek performanslı, gerçek zamanlı bilgisayarlı görü modellerine yönelik talep, yapay zekâ sektöründe hızlı inovasyonu teşvik etti. Doğru mimariyi seçmek, başarılı ve son derece verimli bir dağıtım ile hantal, kaynak tüketimi yüksek bir işlem hattı arasındaki belirleyici faktör olabilir. Bu teknik kılavuzda PP-YOLOE+ ile Ultralytics YOLOv8 ayrıntılı olarak karşılaştırılarak temel mimarileri, eğitim verimlilikleri ve ideal dağıtım senaryoları incelenmektedir.

Mimari Tanıtımı#

Bu modellerin her ikisi de nesne algılamanın evriminde önemli kilometre taşlarını temsil eder; ancak tamamen farklı geliştirme felsefelerinden ve ekosistemlerden doğmuştur.

PP-YOLOE+#

PaddleDetection paketinin bir uzantısı olarak geliştirilen PP-YOLOE+, PP-YOLO serisinin önceki sürümleri üzerine kurulmuştur. PaddlePaddle derin öğrenme framework'ü için büyük ölçüde optimize edilmiş olan model, öncelikle Baidu yazılım yığınının yaygın olduğu belirli Asya pazarlarındaki endüstriyel dağıtımları hedefler.

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

PP-YOLOE+, sınıflandırma ve konumlandırma görevlerini dinamik olarak hizalayan bir CSPRepResNet omurgası ve Efficient Task-aligned head (ET-head) kullanır. Standart benchmark'larda güçlü Ortalama Kesinlik (mAP) değerlerine ulaşsa da PaddlePaddle ekosistemine yoğun bağımlılığı, daha yaygın olarak benimsenen framework'lere alışkın geliştiriciler için zorluk oluşturabilir.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Ultralytics YOLOv8#

Ultralytics tarafından ileriye doğru büyük bir sıçrama olarak yayımlanan YOLOv8, nesne algılama alanında yeni bir son teknoloji standardı belirleyerek daha geniş PyTorch geliştirici topluluğuna eşsiz kullanım kolaylığı, olağanüstü çok yönlülük ve yüksek hızlı yürütme olanağı sundu.

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

YOLOv8, son derece optimize edilmiş, anchor-free bir algılama başlığı ve eski C3 modülünün yerini alan yenilenmiş bir C2f yapı bloğu sundu. Bu tasarım, üstün gradyan akışı sağlar ve son derece hızlı model eğitimi olanağı sunar. YOLOv8, basit algılamanın ötesinde, aynı kullanıcı dostu API üzerinden örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini desteğini sorunsuz biçimde sunan çok görevli bir güç merkezidir.

Performans ve Metrik Karşılaştırması#

Bu mimarilerin doğrudan karşılaştırılması, parametre sayısı ile çıkarım gecikmesi arasındaki farklı ödünleşimleri ortaya koyar. Aşağıda COCO veri kümesi kullanılarak elde edilen performans dökümü yer almaktadır.

En büyük PP-YOLOE+x modeli mAP açısından YOLOv8x'i az farkla geride bıraksa da bunun bedeli yaklaşık 100 milyon parametredir. Ultralytics YOLOv8 modelleri sürekli olarak çok daha üstün bir performans dengesi sergiler. YOLOv8 mimarileri, daha ağır muadillerine kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha az bellek kullanır; bu da onları üretimde ölçeklendirme için ideal hâle getirir.

Ultralytics Ekosisteminin Avantajı#

Modelleri değerlendirirken çevredeki ekosistem, ham mimari kadar kritik öneme sahiptir. PP-YOLOE+, PaddlePaddle framework'üne özgü karmaşık yapılandırma dosyaları ve bağımlılıklar arasında gezinmeyi gerektirir.

Buna karşılık, Ultralytics deneyimi geliştirici verimliliğini en üst düzeye çıkaracak şekilde tasarlanmıştır. İyi bakımı yapılan ekosistem, basit bir Python API ve son derece aktif bir topluluk sunar. Ayrıca Ultralytics Platform, kesintisiz veri kümesi yönetimi, bulut üzerinde eğitim ve ONNX ile TensorRT gibi formatlara 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 alır. Karmaşık hiyerarşik yapılandırma klasörlerini çözümlemene 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 Alanları ve Öneriler#

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

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

• PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
• Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.

YOLOv8 Ne Zaman Seçilmeli?#

YOLOv8 şu durumlarda önerilir:

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

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

YOLOv8'in Ötesine Geçiş: YOLO26'nın Doğuşu#

YOLOv8 güçlü 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 alarak bunları uç öncelikli nihai yapay zekâ framework'üne dönüştürür.

YOLO26, hem PP-YOLOE+ hem de önceki YOLO nesillerini ( YOLO11 dahil) geride bırakan birçok çığır açıcı yenilik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 kavramları üzerine kurulan YOLO26, yerel olarak uçtan uca çalışır. Maksimum olmayan bastırma (NMS) son işleme adımını ortadan kaldırarak görsel sahne ne kadar kalabalık olursa olsun tutarlı ve ultra düşük gecikmeli çıkarım sunar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) bileşeninin stratejik olarak kaldırılması sayesinde YOLO26, işlem yükünü önemli ölçüde azaltır ve uç CPU'larda çok daha hızlı çalışır. Bu özellik, pahalı GPU'ların bulunmadığı akıllı şehir ve IoT uygulamaları için idealdir.
• MuSGD Optimize Edicisi: 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. Bu, tarım alanlarını izleyen drone operatörleri veya hızlı hareket eden üretim hatlarında kusur algılama için oyunun kurallarını değiştirir.

Yeni bilgisayarlı görü girişimleri başlatan geliştiriciler için YOLO26 kesin öneridir.

Gerçek Dünya Uygulamaları#

Bu modeller arasındaki seçim çoğu zaman özel dağıtım koşullarına bağlıdır:

PP-YOLOE+'nın Öne Çıktığı Alanlar:

• Belirli Asya Donanım Ekosistemleri: Dağıtımı PaddlePaddle'ın gerekli çalışma zamanı olduğu, yalnızca Baidu tarafından desteklenen donanımlara yapıyorsan PP-YOLOE+ güçlü bir yerel entegrasyon sunar.
• Yoğun Sunucu Tarafı İşleme: Parametre sayısı ve bellek kısıtlamalarının sorun olmadığı ve çıkarımları yalnızca çevrimdışı sunucularda çalıştırdığın durumlar.

Ultralytics YOLOv8'in (ve YOLO26'nın) Öne Çıktığı Alanlar:

• Dinamik Uç Bilişim: NVIDIA Jetson cihazlarından temel Raspberry Pi cihazlarına kadar Ultralytics modelleri hız ile düşük bellek ayak izi 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 evrilmesi gerekiyorsa Ultralytics, tüm görevleri kutudan çıktığı hâliyle destekler.
• Hızlı Prototiplemeden Üretime: Ultralytics ekosistemi ekiplerin hızlı bir şekilde yineleme yapmasını sağlar. Önceden eğitilmiş ağırlıklar kullanıma hazır olduğundan özel modeller, rakip mimarilerin gerektirdiği sürenin çok daha kısa bir bölümünde Ultralytics Platform üzerinden oluşturulabilir, eğitilebilir ve dağıtılabilir.

PP-YOLOE+ rekabetçi benchmark sonuçları sunsa da YOLO26'nın yayımlanmasıyla kanıtlanan benzersiz çok yönlülük, kullanım kolaylığı ve sürekli inovasyon, Ultralytics modellerini hem modern geliştiriciler hem de araştırmacılar için üstün seçenek olarak sağlamlaştırır.