PP-YOLOE+ ve YOLOX#

Bilgisayarlı görü alanının şekillenmesinde nesne algılama modellerinin hızlı gelişimi önemli rol oynadı. Bu süreçteki dikkate değer kilometre taşları arasında, gerçek zamanlı performans ve doğruluğun sınırlarını zorlayan PP-YOLOE+ ve YOLOX adlı iki mimari yer alıyor. Görsel tanıma sistemlerinin yeni neslini geliştiren araştırmacılar ve geliştiriciler için bu modellerin mimari farklılıklarını, performans ödünleşimlerini ve ideal dağıtım senaryolarını anlamak kritik önem taşıyor.

Model Kökeni ve Ayrıntılar#

Teknik mimarilere geçmeden önce her iki modelin kökenini bağlam içine yerleştirmek yararlı olur. Her biri, destekleyen kuruluşların etkisiyle nesne algılamadaki belirli darboğazları çözmek üzere geliştirildi.

PP-YOLOE+ Ayrıntıları:

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

PP-YOLOE+ hakkında daha fazla bilgi edin

YOLOX Ayrıntıları:

• 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
• Belgeler: YOLOX Resmî Belgeleri

YOLOX hakkında daha fazla bilgi edin

Mimari Yenilikler#

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

YOLOX, 2021'de YOLO ailesini anchor-free tasarıma başarıyla uyarlayarak büyük ses getirdi. YOLOX, anchor kutularını kaldırarak 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, ayrık bir başlık sundu. Bu ayrım, bir nesneyi sınıflandırmak ile uzamsal koordinatlarını regresyonla tahmin etmek 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 PP-YOLOE ve PP-YOLOv2 modellerini temel alır. Bu omurga, yapısal yeniden parametrelendirmeden yararlanır; böylece model eğitim sırasında karmaşık çok dallı mimarilerden faydalanırken, çıkarım için hızlı ve tek yollu bir ağa sorunsuzca dönüştürülebilir.

Performans ve Metrik Karşılaştırması#

Bu modelleri doğrudan karşılaştırdığımızda, performans aralığının biraz farklı uçlarına hitap ettikleri açıkça görülür. PP-YOLOE+ genellikle daha yüksek mutlak doğruluk sunarken YOLOX, donanım kısıtlarının çok katı olduğu ortamlara uygun, son derece hafif varyantlar sunma konusunda öne çıkar.

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

YOLOX'in neredeyse hiç disk alanı veya CUDA belleği kullanmayan nano ve minik varyantları bulunurken PP-YOLOE+, sunucu sınıfı donanımlara son derece 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#

Anchor-free yapısı ve son derece küçük uç cihaz varyantlarının bulunması sayesinde YOLOX, robotik ve mikrodenetleyici dağıtımlarında popülerdir. Basit son işleme işlem hattı, TensorRT ve NCNN gibi özelleştirilmiş NPU donanım biçimlerine taşımayı kolaylaştırır.

PP-YOLOE+'ın Öne Çıktığı Alanlar#

Baidu'nun teknoloji yığınını kullanan Asya'daki üretim merkezleriyle derin entegrasyona sahip kuruluşlar için PP-YOLOE+, dağıtıma hazır, önceden optimize edilmiş bir yol sunar. Katı gerçek zamanlı kısıtların biraz daha ağır model ağırlıklarına izin verdiği güçlü sunucu raflarında çalışan, yüksek doğruluklu kalite denetimi senaryolarında öne çıkar.

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 mikrodenetleyicilere 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• 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 etkileyici araştırma dönüm noktaları olsa da günümüz dağıtım ortamı, üstün verimlilik sunan daha bütünlüklü ve geliştirici dostu bir deneyim gerektiriyor. Ultralytics YOLO26, modern görsel yapay zekâ standardını tamamen yeniden tanımlıyor.

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: Yinelenen 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 önemli ölçüde basitleştirir.
• CPU'da %43'e Kadar Daha Hızlı Çıkarım: Dağılımsal Odak Kaybı'nı (DFL) stratejik olarak kaldıran YOLO26, CPU donanımında benzersiz çıkarım hızlarına ulaşarak uç bilişim ve düşük güç tüketimli cihazlar için çok daha iyi bir seçenek hâline gelir.
• MuSGD Optimizasyonu: Moonshot AI'nin Kimi K2 modelinden ilham alan bu hibrit optimizasyon yöntemi, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır; böylece çok daha hızlı yakınsama sağlar ve eğitim aşamalarındaki bellek gereksinimlerini en aza indirir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve son derece ayrıntılı hava görüntüleri için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Çok yönlülük: PP-YOLOE+ ve YOLOX yalnızca nesne algılamaya odaklanırken YOLO26, aynı sezgisel söz dizimini kullanarak örnek segmentasyonu, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) sorunsuzca destekler.

Ultralytics ile Kolaylaştırılmış Eğitim#

Ultralytics modellerinin bellek verimliliği ve eğitim hızı rakipsizdir; CUDA belleğinde büyük ek yük gerektiren Transformer tabanlı alternatiflerden çok daha iyi performans gösterir. YOLO26'nın gücünden yalnızca birkaç satır kodla yararlanabilirsin:

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 biçimlerine sorunsuzca aktar
model.export(format="engine")

Sonuç#

PP-YOLOE+ ve YOLOX, sırasıyla yüksek doğruluk ve hafif, anchor-free tasarımlar sunarak bilgisayarlı görü tarihinde yerlerini aldılar. Ancak tarımda yapay zekânın, akıllı şehirlerin ve perakendenin geleceğini şekillendiren kuruluşlar için Ultralytics YOLO26'nın sürekli bakımı, kullanım kolaylığı ve yerel NMS gerektirmeyen mimarisi, onu tartışmasız tercih hâline getiriyor.

Belirli kıyaslama testleri için alternatif mimarileri araştırıyorsan kapsamlı Ultralytics belgeleri üzerinden eski YOLO11 modelini veya RT-DETR gibi Transformer tabanlı seçenekleri karşılaştırmak da işine yarayabilir. Geliştiriciler, birleşik Ultralytics ekosistemine geçerek her türlü uç veya bulut dağıtımında son teknoloji sonuçlar elde ederken değerli zaman ve kaynaklardan tasarruf eder.