Link to this sectionPP-YOLOE+ ile YOLOX karşılaştırması#

Bilgisayarlı görü dünyası, nesne algılama modellerinin hızlı evrimiyle önemli ölçüde şekillendi. Bu yolculuktaki kayda değer dönüm noktaları arasında, gerçek zamanlı performans ve doğruluk sınırlarını zorlayan iki mimari olan PP-YOLOE+ ve YOLOX yer alıyor. Mimari nüanslarını, performans ödünleşimlerini ve ideal dağıtım senaryolarını anlamak, yeni nesil görsel tanıma sistemleri geliştiren araştırmacılar ve geliştiriciler için çok önemlidir.

Link to this sectionModel Soy ağacı ve Detaylar#

Teknik mimarilere dalmadan önce, her iki modelin kökenlerini bağlam içine oturtmak yararlıdır. Her biri, kendi destekleyici kuruluşlarından büyük ölçüde etkilenerek, nesne algılama sürecindeki belirli darboğazları ele almak için geliştirilmiştir.

PP-YOLOE+ Detayları:

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Dokümanlar: PaddleDetection PP-YOLOE+ README

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOX Detayları:

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Dokümanlar: YOLOX Resmi Dokümantasyonu

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Bu iki dedektör arasındaki temel farklar, öznitelik çıkarımı ve sınırlayıcı kutu tahmini yaklaşımlarında yatmaktadır.

YOLOX, 2021 yılında YOLO ailesini çapasız (anchor-free) bir tasarıma başarıyla uyarlayarak büyük ses getirdi. Çapa kutularını kaldırarak, YOLOX tasarım parametrelerinin sayısını ve özel veri kümeleri için gereken buluşsal ayarları önemli ölçüde azalttı. Ayrıca, sınıflandırma ve yerelleştirme görevlerini farklı sinirsel yollara ayıran ayrıştırılmış bir başlık (decoupled head) tanıttı. Bu ayrım, bir nesneyi sınıflandırma ile konumsal koordinatlarını regresyon yoluyla tahmin etme arasındaki doğal çelişkiyi çözerek, eğitim sırasında daha hızlı yakınsamayı sağladı.

Baidu tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi için yoğun bir şekilde optimize edilmiştir. Dinamik etiket atama stratejisi (TAL) ve CSPRepResNet adlı yeni bir ana omurga (backbone) tanıtarak selefi PP-YOLOv2'nin üzerine inşa edilmiştir. Bu omurga, yapısal yeniden parametrelendirmeden yararlanır ve modelin eğitim sırasında karmaşık çok dallı mimarilerden faydalanmasını, çıkarım (inference) için ise hızlı, tek yollu bir ağa sorunsuz bir şekilde dönüşmesini sağlar.

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırdığımızda, performans spektrumunun biraz farklı uçlarına hizmet ettikleri açıkça görülmektedir. PP-YOLOE+ genellikle daha yüksek mutlak doğruluk sağlarken, YOLOX oldukça kısıtlı donanımlar için uygun, son derece hafif değişkenler sunmada öne çıkar.

Not: İlgili her sütun segmentindeki en iyi performans değerleri kalın olarak vurgulanmıştır.

YOLOX, neredeyse hiç disk alanı veya CUDA belleği tüketmeyen nano ve tiny varyantlar sunarken, PP-YOLOE+ sunucu sınıfı donanımlara inanılmaz derecede iyi ölçeklenir ve bu da onu Baidu ekosistemindeki ağır endüstriyel uygulamalar için sağlam bir tercih haline getirir.

Link to this sectionGerçek Dünya Uygulamaları#

Bu çerçeveler arasında seçim yapmak genellikle entegrasyon gereksinimlerine ve hedef donanımlara bağlıdır.

Link to this sectionYOLOX'un Öne Çıktığı Yerler#

Çapasız yapısı ve ekstrem uç (edge) varyantlarının bulunabilirliği nedeniyle YOLOX, robotik ve mikrodenetleyici dağıtımlarında popülerdir. Basit son işleme hattı, TensorRT ve NCNN gibi özelleştirilmiş NPU donanım formatlarına daha kolay taşınmasına olanak tanır.

Link to this sectionPP-YOLOE+ Hangi Noktalarda Öne Çıkıyor#

Baidu'nun teknoloji yığınını kullanan Asya üretim merkezlerine derinlemesine entegre olmuş kuruluşlar için PP-YOLOE+, dağıtım için önceden optimize edilmiş bir yol sağlar. Katı gerçek zamanlı kısıtlamaların biraz daha ağır model ağırlıklarına izin verdiği güçlü sunucu raflarında çalışan yüksek doğruluklu kalite kontrol senaryolarında parlar.

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlar için güçlü bir tercihtir:

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

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

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

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#

PP-YOLOE+ ve YOLOX mükemmel araştırma dönüm noktalarını temsil etse de, modern dağıtım ortamı daha üstün verimliliğe sahip, daha tutarlı ve geliştirici dostu bir deneyim talep etmektedir. İşte Ultralytics YOLO26 burada devreye girerek modern görsel yapay zeka standardını tamamen yeniden tanımlıyor.

İzole araştırma depolarından üretime hazır sistemlere geçmek isteyen ekipler için Ultralytics, sağlam ve iyi korunmuş bir ekosistem sunar. Artık bir model eğitmek karmaşık ortamlar yapılandırmayı gerektirmez; birleştirilmiş bir Python API'sine erişmek kadar kolaydır.

Ultralytics YOLO26'nın temel avantajları şunlardır:

• Uçtan Uca NMS-Free Tasarım: Gereksiz sınırlayıcı kutuları filtrelemek için NMS (Non-Maximum Suppression) gerektiren hem PP-YOLOE+ hem de YOLOX'un aksine, YOLO26 yerel olarak uçtan uca bir yapıdadır. Bu, gecikme darboğazlarını ortadan kaldırır ve dağıtım mantığını önemli ölçüde basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 CPU donanımında benzersiz çıkarım hızlarına ulaşır ve bu da onu uç bilişim ve düşük güç tüketen cihazlar için çok daha üstün kılar.
• MuSGD Optimizer: Moonshot AI'nın Kimi K2'sinden esinlenen bu hibrit iyileştirici, bilgisayarlı görüye LLM eğitim kararlılığını getirerek çok daha hızlı yakınsama sağlar ve eğitim aşamalarındaki bellek gereksinimlerini en aza indirir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve oldukça detaylı hava görüntüleri için kritik bir özellik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Çok Yönlülük: PP-YOLOE+ ve YOLOX yalnızca algılamaya odaklansa da, YOLO26 aynı sezgisel sözdizimini kullanarak örnek bölümleme, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) sorunsuz bir şekilde yönetir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionUltralytics ile Kolaylaştırılmış Eğitim#

Ultralytics modellerinin bellek verimliliği ve eğitim hızı benzersizdir; muazzam CUDA bellek yükü gerektiren Transformer tabanlı alternatiflerden çok daha üstündür. YOLO26'nın gücünden sadece birkaç satır kodla yararlanabilirsin:

from ultralytics import YOLO

# Load the highly efficient, end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with built-in auto-batching and MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT
model.export(format="engine")

Link to this sectionSonuç#

Hem PP-YOLOE+ hem de YOLOX, sırasıyla yüksek doğruluk ve hafif, çapasız tasarımlar sunarak bilgisayarlı görü tarihindeki yerlerini hak etmiştir. Ancak tarımda yapay zeka, akıllı şehirler ve perakende sektörünün geleceğini inşa eden kuruluşlar için; sürekli bakım, kullanım kolaylığı ve yerel NMS-free mimarisi Ultralytics YOLO26'yı tartışmasız bir seçenek haline getirmektedir.

Belirli kıyaslamalar için alternatif mimarileri araştırıyorsan, kapsamlı Ultralytics dokümantasyonu aracılığıyla eski YOLO11 veya RT-DETR gibi Transformer tabanlı seçenekleri karşılaştırmayı da değerli bulabilirsin. Birleştirilmiş Ultralytics ekosistemine geçiş yaparak, geliştiriciler herhangi bir uç veya bulut dağıtımında en son teknoloji sonuçlarına ulaşırken paha biçilmez zaman ve kaynak tasarrufu sağlarlar.