PP-YOLOE+ ve YOLOX#

Bilgisayarlı görü alanı, nesne algılama modellerinin hızlı gelişimiyle önemli ölçüde şekillendi. Bu yolculuktaki dikkat çekici dönüm noktaları arasında, gerçek zamanlı performansın ve doğruluğun 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 kritik önem taşıyor.

Model Kökeni ve Ayrıntıları#

Teknik mimarilere geçmeden önce, her iki modelin kökenlerini bağlama oturtmak faydalı olacaktır. Her biri, kendilerini destekleyen kuruluşların etkisiyle, nesne algılama alanındaki belirli darboğazları ele almak üzere geliştirildi.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle Authors
• Kuruluş: 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 edinin

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 Resmi Belgeleri

YOLOX hakkında daha fazla bilgi edin

Mimari Yenilikler#

Bu iki algılayıcı arasındaki temel farklar, özellik çıkarma ve sınırlayıcı kutu tahminine yaklaşımlarında yatıyor.

YOLOX, 2021'de YOLO ailesini başarıyla anchor-free bir tasarıma uyarlayarak büyük ilgi gördü. YOLOX, anchor kutularını kaldırarak özel veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını önemli ölçüde azalttı. Ayrıca, sınıflandırma ve yerelleştirme görevlerini farklı sinirsel yollara ayıran ayrıştırılmış bir başlık sundu. Bu ayrım, bir nesneyi sınıflandırmak ile nesnenin uzamsal koordinatlarını regresyonla tahmin etmek arasındaki doğal çatışmayı çözdü ve eğitim sırasında daha hızlı yakınsamaya yol açtı.

Baidu tarafından geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi için büyük ölçüde optimize edilmiştir. Dinamik bir etiket atama stratejisi (TAL) ve CSPRepResNet adlı yeni bir omurga sunarak önceki sürümü PP-YOLOv2'nin üzerine inşa edilir. Bu omurga, yapısal yeniden parametreleştirmeden yararlanır; böylece model eğitim sırasında karmaşık çok dallı mimarilerin avantajlarından faydalanırken çıkarım için hızlı, tek yollu bir ağa sorunsuzca dönüştürülebilir.

Performans ve Metrik Karşılaştırması#

Bu modelleri doğrudan karşılaştırdığında, performans yelpazesinin biraz farklı uçlarına hitap ettikleri görülüyor. PP-YOLOE+ genellikle daha yüksek mutlak doğruluk elde ederken YOLOX, donanım kaynaklarının son derece kısıtlı olduğu durumlara uygun, son derece hafif varyantlar sunma konusunda öne çıkıyor.

Not: İlgili her sütun bölümündeki en iyi performans değerleri kalın yazıyla vurgulanmıştır.

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

Gerçek Dünya Uygulamaları#

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

YOLOX'in Öne Çıktığı Alanlar#

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

PP-YOLOE+'nın Öne Çıktığı Alanlar#

Baidu'nun teknoloji yığınını kullanan Asya üretim merkezleriyle derin biçimde entegre kuruluşlar için PP-YOLOE+, dağıtıma önceden optimize edilmiş bir yol sunar. Biraz daha ağır model ağırlıklarına izin veren katı gerçek zamanlı kısıtların bulunduğu güçlü sunucu raflarında çalışan yüksek doğruluklu kalite denetimi senaryolarında öne çıkar.

Kullanım Alanları ve Öneriler#

PP-YOLOE+ ve YOLOX arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına 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.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için önerilir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

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.

Ultralytics Avantajı: YOLO26'ya Giriş#

PP-YOLOE+ ve YOLOX mükemmel araştırma dönüm noktalarını temsil etse de modern dağıtım ortamı, daha yüksek verimliliğe sahip, daha bütünlüklü ve geliştirici dostu bir deneyim gerektiriyor. Ultralytics YOLO26, modern görsel yapay zekâ standardını tamamen yeniden tanımladığı nokta burasıdır.

İzole araştırma depolarından üretime hazır sistemlere geçmek isteyen ekipler için Ultralytics, sağlam ve iyi bakımı yapılan bir ekosistem sunar. Bir modeli eğitmek artık karmaşık ortamları yapılandırmayı gerektirmiyor; bunun yerine birleşik bir Python API'sine erişmek kadar basit.

Ultralytics YOLO26'nın temel avantajları:

• Uçtan Uca NMS'siz Tasarım: Yinelenen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) gerektiren PP-YOLOE+ ve YOLOX'in aksine YOLO26, yerel olarak uçtan uca çalışır. Bu, gecikme darboğazlarını ortadan kaldırır ve dağıtım mantığını büyük ölçüde basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, Dağılımsal Odak Kayıp (DFL) bileşenini stratejik olarak kaldırarak CPU donanımında eşi görülmemiş çıkarım hızlarına ulaşır; bu da onu uç bilişim ve düşük güç tüketimli cihazlar için çok daha üstün kılar.
• MuSGD Optimizer: Moonshot AI'nin Kimi K2 modelinden ilham alan bu hibrit optimizasyon aracı, bilgisayarlı görüye LLM eğitim kararlılığı kazandırarak çok daha hızlı yakınsama sağlar ve eğitim aşamalarındaki bellek gereksinimlerini en aza indirir.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone operasyonları ve son derece ayrıntılı hava görüntüleri için kritik bir özellik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Çok Yönlülük: PP-YOLOE+ ve YOLOX yalnızca algılamaya odaklanırken YOLO26, aynı sezgisel söz dizimini kullanarak örnek bölütleme, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) sorunsuzca gerçekleştirir.

Ultralytics ile Kolaylaştırılmış Eğitim#

Ultralytics modellerinin bellek verimliliği ve eğitim hızı eşsizdir; yüksek CUDA bellek yükü gerektiren Transformer tabanlı alternatifleri tamamen geride bırakırlar. YOLO26'nın gücünden yalnızca 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")

Sonuç#

Hem PP-YOLOE+ hem de YOLOX, sırasıyla yüksek doğruluk ve hafif anchor-free tasarımlar sunarak bilgisayarlı görü tarihindeki yerlerini aldı. Ancak tarımda yapay zekânın, akıllı şehirlerin ve perakendenin geleceğini inşa eden kuruluşlar için Ultralytics YOLO26'nın sürekli bakımı, kullanım kolaylığı ve yerel NMS'siz mimarisi onu tartışmasız tercih haline getiriyor.

Belirli kıyaslamalar için alternatif mimarileri araştırıyorsan kapsamlı Ultralytics belgeleri üzerinden eski YOLO11 veya RT-DETR gibi Transformer tabanlı seçenekleri karşılaştırmak da faydalı olabilir. Birleşik Ultralytics ekosistemine geçerek geliştiriciler, her uç veya bulut dağıtımında son teknoloji sonuçlara ulaşırken paha biçilmez zaman ve kaynak tasarrufu sağlar.