PP-YOLOE+ ve YOLOv8
Yüksek performanslı, gerçek zamanlı bilgisayarlı görü modellerine yönelik talep, yapay zekâ sektöründe hızlı yenilikleri beraberinde getirdi. Doğru mimariyi seçmek, verimli bir dağıtım ile hantal ve kaynak yoğun bir işlem hattı arasındaki belirleyici fark olabilir. Bu teknik kılavuz, mimarilerini, eğitim verimliliklerini ve ideal dağıtım senaryolarını inceleyerek PP-YOLOE+ ile Ultralytics YOLOv8 modellerini karşılaştırıyor.
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. PaddlePaddle derin öğrenme çerçevesi için büyük ölçüde optimize edilmiştir ve öncelikli olarak Baidu yazılım yığını üzerine kurulu endüstriyel dağıtımları hedefler.
- 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+, CSPRepResNet omurgası ve sınıflandırma ile konum belirleme görevlerini dinamik biçimde hizalayan Verimli Görev Hizalı başlık (ET-head) kullanır. Standart kıyaslamalarda güçlü bir Ortalama Ortalama Hassasiyet (mAP) değerine ulaşsa da PaddlePaddle ekosistemine yoğun bağımlılığı, daha yaygın kullanılan çerçevelere alışkın geliştiriciler için zorluk yaratabilir.
PP-YOLOE+ hakkında daha fazla bilgi edin
Ultralytics YOLOv8#
Ocak 2023'te Ultralytics tarafından yayımlanan YOLOv8, o dönemde nesne algılama alanında yeni bir son teknoloji düzeyi belirleyerek PyTorch geliştirici topluluğuna kullanım kolaylığı, geniş çok yönlülük ve yüksek hızda yürütme sundu.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Belgeler: YOLOv8 Belgeleri
YOLOv8, eski C3 modülünün yerine geçen yenilenmiş bir C2f yapı taşıyla birlikte optimize edilmiş, bağlantı noktası kullanmayan bir algılama başlığı sundu. Bu tasarım gradyan akışını iyileştirir ve hızlı model eğitimini mümkün kılar. Basit algılamanın ötesinde YOLOv8, aynı kullanıcı dostu API aracılığıyla örnek segmentasyonunu, görüntü sınıflandırmasını ve poz tahminini destekleyen çok görevli bir modeldir.
Performans ve Metrik Karşılaştırması#
Bu mimarilerin doğrudan karşılaştırması, parametre sayısı ile çıkarım gecikmesi arasındaki farklı ödünleşimleri ortaya koyuyor. Aşağıda COCO veri kümesindeki performans dökümü yer alıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
En büyük PP-YOLOE+x modeli mAP bakımından YOLOv8x'i az farkla geçse de bunun bedeli yaklaşık 100M parametredir. Ultralytics YOLOv8 modelleri sürekli olarak daha iyi bir performans dengesi sunar. YOLOv8 mimarileri, eğitim ve çıkarım sırasında daha ağır alternatiflere kıyasla önemli ölçüde daha az bellek gerektirir; bu da YOLOv8 mimarilerini üretimde ölçeklendirmeye çok uygun 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 hızlı ilerlemesi için tasarlanmıştır. Bakımı iyi yapılan ekosistem, basit bir Python API ve oldukça aktif bir topluluk sunar. Ultralytics Platform ayrıca veri kümesi yönetimi, bulutta eğitim ve ONNX ile TensorRT gibi biçimlere kolay dışa aktarma olanağı sağlayarak tüm makine öğrenimi işlem hattını basitleştirir.
YOLOv8 doğrudan PyTorch üzerinde geliştirildiğinden mevcut yapay zekâ işlem hatlarına entegre edilmesi, CoreML aracılığıyla mobil ortamlara aktarılması veya uç cihazlara dağıtılması, özel yazılım yığınları gerektiren çerçevelere kıyasla çok daha kolaydır.
Kullanım Kolaylığı: Kod Karşılaştırması#
Ultralytics ile bir nesne algılayıcıyı eğitmek yalnızca birkaç satır kod gerektirir. Karmaşık 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 aktarırKullanım 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 Çoklu Görev Dağıtımı: 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: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
- 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 yeni gelişmeleri arayan geliştiriciler Ultralytics YOLO26 modelini değerlendirmelidir. Ocak 2026'da yayımlanan YOLO26, YOLO mimarilerinin temel ilkelerini uç öncelikli bir yapay zekâ model ailesine dönüştürür.
YOLO26, hem PP-YOLOE+ hem de önceki YOLO nesillerine ( YOLO11 dâhil) kıyasla çeşitli yenilikler getiriyor:
- Uçtan Uca, NMS'siz Tasarım: YOLOv10 kavramlarını temel alan YOLO26, isteğe bağlı bir uçtan uca başlık (
nms=False) sunar. Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırarak sahnenin ne kadar kalabalık olduğundan bağımsız, tutarlı ve düşük gecikmeli çıkarım sağlar. - CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kayıp (DFL) kaldırılarak YOLO26 işlem yükünü önemli ölçüde azaltır; böylece YOLO26n uç CPU'larda YOLO11n'den %43'e kadar daha hızlı çalışır. Bu özellik, pahalı GPU'ların bulunmadığı akıllı şehir ve IoT uygulamaları için uygundur.
- MuSGD Optimize Edici: YOLO26, Büyük Dil Modeli (LLM) eğitiminden teknikler alır. Hibrit MuSGD optimize edicisi, eğitim sırasında kararlılığı artırır ve yakınsamayı hızlandırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, küçük ve uzaktaki nesnelerin algılanmasını önemli ölçüde iyileştirir. Bu, hava görüntülerini inceleyen drone operatörleri veya hızlı hareket eden üretim hatlarında kusur tespiti yapanlar için büyük bir avantajdır.
Yeni bilgisayarlı görü projelerine başlayan geliştiriciler için YOLO26 önerilen seçenektir.
Gerçek Dünya Uygulamaları#
Bu modeller arasında seçim yapmak çoğu zaman özel dağıtım koşullarına bağlıdır:
PP-YOLOE+ Hangi Alanlarda Öne Çıkar:
- Paddle'a Özel 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 Raspberry Pi kartlarına kadar Ultralytics modelleri, hız ile düşük bellek kullanımı arasında güçlü bir denge sunar.
- Çok Görevli İşlem Hatları: Uygulamanın basit sınırlayıcı kutulardan hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutulara (OBB) veya davranış analizinde poz tahminine geçmesi gerekiyorsa Ultralytics bu görevleri kullanıma hazır şekilde destekler.
- Hızlı Prototiplemeden Üretime: Ultralytics ekosistemi ekiplerin hızlı yineleme yapmasına yardımcı olur. Önceden eğitilmiş ağırlıklar kolayca kullanılabildiğinden özel modeller, Ultralytics Platform aracılığıyla rakip mimarilerden çok daha hızlı eğitilip dağıtılabilir.
PP-YOLOE+ rekabetçi kıyaslama sonuçları sunsa da Ultralytics modellerinin çok yönlülüğü, kullanım kolaylığı ve en son YOLO26 ile gelen sürekli yenilikleri, bu modelleri hem modern geliştiriciler hem de araştırmacılar için daha güçlü bir seçenek hâline getiriyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.