Başla

PP-YOLOE+ ve YOLOX

Bilgisayarlı görü, nesne tespit modellerinin hızlı gelişimiyle şekillendi. Öne çıkan kilometre taşları arasında gerçek zamanlı performansı ve doğruluğu ileri taşıyan PP-YOLOE+ ve YOLOX mimarileri yer alıyor. Mimari ayrıntıları, performans ödünleşimlerini ve en uygun dağıtım senaryolarını anlamak, araştırmacıların ve geliştiricilerin daha iyi görsel tanıma sistemleri oluşturmasına yardımcı olur.

Model Kökeni ve Ayrıntılar#

Teknik mimarilere geçmeden önce iki modelin de nasıl ortaya çıktığını anlamakta fayda var. Her ikisi de, destek veren kuruluşlardan büyük ölçüde etkilenen ve nesne tespitindeki belirli darboğazları gidermek üzere geliştirildi.

PP-YOLOE+ Ayrıntıları:

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOX Ayrıntıları:

YOLOX hakkında daha fazla bilgi edin

Mimari Yenilikler#

Bu iki algılayıcı arasındaki temel farklar, özellik çıkarımı ve sınırlayıcı kutu tahmini yaklaşımlarında yatar.

YOLOX, YOLO ailesini çapasız bir tasarıma uyarlayarak 2021'de geniş çapta ilgi gördü. Çapa kutularını kaldıran YOLOX, özel veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarların sayısını önemli ölçüde azalttı. Ayrıca, sınıflandırma ve konum belirleme görevlerini ayrı sinir ağı yollarına ayıran ayrıştırılmış bir başlık sundu. Bu ayrım, bir nesneyi sınıflandırma ile uzamsal koordinatlarını regresyonla tahmin etme arasındaki doğal çatışmayı çözdü ve eğitim sırasında daha hızlı yakınsama sağladı.

Baidu tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi için yoğun biçimde optimize edilmiştir. Dinamik bir etiket atama stratejisi (TAL) ve CSPRepResNet adlı yeni bir omurga sunarak önceki modelleri PP-YOLOE ve PP-YOLOv2'yi geliştirir. Bu omurga, yapısal yeniden parametreleştirmeden yararlanır; böylece model eğitim sırasında karmaşık çok dallı mimarilerden yararlanırken çıkarım için hızlı, tek yollu bir ağa dönüşür.

Yapısal Yeniden Parametrelendirme

Yapısal yeniden parametrelendirme, bir modelin birden çok paralel dalla eğitilmesine (gradyan akışını iyileştirir) ve ardından bu dalların dağıtım için matematiksel olarak tek bir evrişim katmanında birleştirilmesine olanak tanır; böylece doğruluktan ödün vermeden çıkarım hızları artırılır.

Performans ve Metrik Karşılaştırması#

Bu modeller doğrudan karşılaştırıldığında performans yelpazesinin biraz farklı uçlarına hitap ettikleri açıkça görülür. PP-YOLOE+ genellikle daha yüksek mutlak mAP değerlerine ulaşırken YOLOX, donanım kısıtlarının çok sıkı olduğu senaryolara uygun son derece hafif sürümler sunar.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

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

YOLOX'ın disk alanı veya CUDA belleği bakımından çok az kaynak gerektiren nano ve küçük sürümleri bulunurken PP-YOLOE+, sunucu sınıfı donanımlara kadar iyi ölçeklenir. Bu da onu Baidu ekosistemindeki ağır endüstriyel uygulamalar için sağlam bir seçenek hâline getirir.

Gerçek Dünya Uygulamaları#

Bu çerçeveler arasındaki seçim genellikle entegrasyon gereksinimlerine ve hedef donanıma bağlıdır.

YOLOX'in Öne Çıktığı Alanlar#

Çapasız yapısı ve ultra hafif sürümlerinin bulunması sayesinde YOLOX, robotik ve gömülü sistemlere dağıtımda popülerdir. Basit son işleme hattı, modelin TensorRT ve NCNN gibi çıkarım çalışma ortamlarına aktarılmasını kolaylaştırır.

PP-YOLOE+'ın Öne Çıktığı Alanlar#

Baidu'nun teknoloji yığınını hâlihazırda kullanan üreticiler için PP-YOLOE+, dağıtıma yönelik önceden optimize edilmiş bir yol sunar. Gevşek gerçek zamanlı kısıtların biraz daha ağır modellere izin verdiği güçlü sunucu raflarında çalışan yüksek doğruluklu kalite denetimi senaryolarında iyi performans gösterir.

Kullanım Alanları ve Öneriler#

PP-YOLOE+ ile YOLOX arasında seçim yapmak; projenin özel 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.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu düşük güçlü gömülü sistemlere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

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.

Ultralytics Avantajı: YOLO26 ile Tanış#

PP-YOLOE+ ve YOLOX önemli araştırma kilometre taşları olsa da modern dağıtım, daha bütünleşik, geliştirici dostu ve verimli bir deneyim gerektiriyor. Ultralytics YOLO26 bu noktada öne çıkıyor.

Yalıtılmış araştırma depolarından üretime hazır sistemlere geçmek isteyen ekipler için Ultralytics, sağlam ve bakımı iyi yapılan bir ekosistem sunuyor. Model eğitmek artık karmaşık ortamları yapılandırmayı gerektirmiyor; tek bir Python API'sine erişmek kadar kolay.

Ultralytics YOLO26'nın temel avantajları şunlardır:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: Fazlalık oluşturan sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) gerektiren PP-YOLOE+ ve YOLOX'ın aksine YOLO26, yerel bir uçtan uca başlık (nms=False) sunar. Bu, gecikme darboğazlarını ortadan kaldırır ve dağıtım mantığını büyük ölçüde basitleştirir.
  • CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kaybı (DFL) kaldıran YOLO26n, CPU donanımında YOLO11n'den %43'e kadar daha hızlı çıkarım yapar. Bu özellik, modeli uç bilişim ve düşük güçlü cihazlar için çok daha uygun hâle getirir.
  • MuSGD Optimizatörü: Moonshot AI'nin Kimi K2 modelinin eğitiminden ilham alan bu hibrit optimizatör, büyük dil modeli (LLM) eğitimindeki kararlılığı bilgisayarlı görüye taşıyarak daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, küçük nesne tanımada belirgin iyileşmeler sağlar. Bu özellik, drone operasyonları ve çok ayrıntılı hava görüntüleri için kritik önemdedir.
  • Çok Yönlülük: PP-YOLOE+ ve YOLOX yalnızca tespite odaklanırken YOLO26, aynı sezgisel sözdizimiyle örnek segmentasyonunu, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) işleyebilir.

Ultralytics ile Kolaylaştırılmış Eğitim#

Ultralytics modelleri bellek açısından verimlidir ve özellikle yüksek miktarda CUDA belleği gerektiren Transformer tabanlı alternatiflere kıyasla hızlı eğitilir. YOLO26'yı yalnızca birkaç satır kodla eğitip dışa aktarabilirsin:

from ultralytics import YOLO

# Verimliliği yüksek, uçtan uca YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# COCO8 örnek veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin performansını doğrula
metrics = model.val()

# ONNX veya TensorRT'ye aktar
model.export(format="engine")
Ultralytics Platform'u Keşfet

Kod yazmadan çözüm arayan ekipler için Ultralytics Platform, tüm YOLO modellerin için bulut tabanlı eğitim, entegre veri kümesi etiketleme ve tek tıklamayla dağıtım sunar.

Sonuç#

PP-YOLOE+ ve YOLOX, bilgisayarlı görü tarihindeki yerlerini sırasıyla yüksek doğruluk ve hafif, çapasız tasarımlar sunarak kazandı. Ancak tarımda yapay zekânın, akıllı şehirlerin ve perakendenin geleceğini şekillendiren kuruluşlar için Ultralytics YOLO26; sürekli bakımı, kullanım kolaylığı ve yerel NMS'siz mimarisiyle önerilen seçenektir.

Belirli kıyaslamalar için alternatif mimarileri inceliyorsan Ultralytics belgelerinde önceki nesil YOLO11 veya RT-DETR gibi Transformer tabanlı seçenekleri karşılaştırmak da işine yarayabilir. Birleşik Ultralytics ekosistemine geçerek geliştiriciler, uç ve bulut dağıtımlarında güçlü sonuçlar elde ederken zamandan ve kaynaklardan tasarruf eder.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.