YOLO11 ile PP-YOLOE+ karşılaştırması#

Bilgisayarla görü uygulamalarını üretime alırken optimal sinir ağı mimarisini seçmek çok önemlidir. Bu teknik karşılaştırmada, gerçek zamanlı nesne tespiti alanındaki iki önemli modeli inceliyoruz: Ultralytics YOLO11 ve Baidu'nun PP-YOLOE+. Her iki mimari de güçlü performans sunar ancak doğruluk, çıkarım hızı ve geliştirici ekosistemi zorluklarına oldukça farklı şekillerde yaklaşır.

Donanım kısıtlamalarına en uygun modeli belirlemene yardımcı olmak için bu modellerin performans sınırlarını sergileyen etkileşimli grafik aşağıdadır.

Modelin Kökenleri ve Teknik Geçmişi#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, ilgili güçlü yönleri ve ideal kullanım durumları için değerli bir bağlam sağlar.

YOLO11 Detayları#

Ultralytics tarafından geliştirilen YOLO11, yüksek hızlı çıkarım, aşırı parametre verimliliği ve benzersiz kullanım kolaylığı dengesine öncelik veren, YOLO serisinin oldukça rafine bir yinelemesini temsil eder. Birleştirilmiş çoklu görev yetenekleri ve geliştirici dostu Python API'si ile geniş çapta tanınmaktadır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: YOLO11 Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

PP-YOLOE+ Detayları#

PP-YOLOE+, PaddlePaddle çerçevesi üzerine inşa edilmiş PP-YOLOv2'nin evrimleşmiş bir versiyonudur. Özellikle üst düzey GPU'larda doğruluk sınırlarını zorlamak için CSPRepResNet omurgası ve Görev Hizalama Öğrenimi (TAL) gibi mimari değişiklikler getirir.

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Dokümanlar: PP-YOLOE+ Konfigürasyon Dokümanları

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Farklılıklar#

YOLO11 ve PP-YOLOE+ modellerinin temel mimari tasarımları, bilgisayarla görü ekosistemindeki farklı önceliklerini yansıtır.

YOLO11, son derece optimize edilmiş bir omurgaya (backbone) ve çapasız (anchor-free) bir tespit başlığına dayanır. Minimal hesaplama yüküyle çok ölçekli özellikleri yakalamak için C3k2 bloklarını ve Spatial Pyramid Pooling - Fast (SPPF) kullanır. Bu tasarım, uç (edge) NPU'lar ve mobil CPU'lar gibi kaynak kısıtlı cihazlarda çıkarım gecikmesini azaltmak için oldukça avantajlıdır. Ayrıca YOLO11; örnek bölütleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti desteğiyle doğrudan kutudan çıktığı gibi çok görevli öğrenme için yerel olarak tasarlanmıştır.

PP-YOLOE+, CSPRepResNet omurgasını ve Verimli Görev Hizalama başlığını (Efficient Task-aligned head - ET-head) sunar. Eğitim sırasında temsil kapasitesini artırmak için yeniden parametrelendirme tekniklerinden yoğun bir şekilde yararlanırken, çıkarım için bu parametreleri standart evrişimlere (convolutions) dönüştürür. Bu durum etkileyici bir ortalama Ortalama Kesinlik (mAP) sağlasa da, ortaya çıkan modeller parametre ve bellek kaplama alanı (footprint) açısından daha ağır olma eğilimindedir ve bu da onları hafif uç cihazlar yerine güçlü sunucu GPU'larında konuşlandırmak için daha uygun hale getirir.

Performans ve Kıyaslamalar#

Performansı değerlendirirken doğruluk (mAP), farklı donanımlardaki çıkarım hızı ve model verimliliğine (parametreler ve FLOP'lar) bakarız. Aşağıdaki tablo, en verimli veya en yüksek performanslı değerlerin kalın yazıldığı karşılaştırmalı metrikleri vurgulamaktadır.

Analiz#

YOLO11, performans dengesi ve parametre verimliliği konusunda net bir avantaj göstermektedir. Örneğin, YOLO11m, daha az parametre (20,1M karşısı 23,43M) kullanırken ve TensorRT üzerinde belirgin şekilde daha hızlı çıkarım hızları (4,7 ms karşısı 5,56 ms) elde ederken PP-YOLOE+m (49,8) modelinden daha yüksek bir mAP (51,5) elde eder. YOLO11 modellerinin hafif yapısı, doğal olarak hem model eğitimi hem de konuşlandırma sırasında daha düşük bellek gereksinimleri anlamına gelir.

Eğitim Ekosistemi ve Kullanım Kolaylığı#

Bir modelin gerçek değeri genellikle geliştiricilerin onu özel bilgisayarla görü veri kümeleri üzerinde ne kadar kolay eğitebileceği ve üretime ne kadar rahat alabileceği ile yatar.

Ultralytics Avantajı#

Ultralytics, kolaylaştırılmış bir geliştirici deneyimine öncelik verir. YOLO11 eğitimi, karmaşık ortak kodları soyutlayan basit bir Python API'si veya CLI aracılığıyla yönetilir. Ultralytics Platform; kodsuz (no-code) eğitim, otomatik veri kümesi yönetimi ve ONNX, CoreML ve TensorRT gibi formatlara tek tıkla dışarı aktarma imkanı sağlayarak bunu daha da geliştirir.

Ayrıca YOLO modelleri eğitim sırasında oldukça bellek verimlidir; Transformer tabanlı mimarilerin veya ağır rep-parametreleştirilmiş modellerin tipik büyük VRAM yüklerinden kaçınarak tüketici sınıfı donanımda eğitime olanak tanır.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

PP-YOLOE+ Ekosistemi#

PP-YOLOE+, PaddleDetection ekosistemi içinde çalışır. Bu çerçeve güçlü olsa ve Baidu'nun endüstriyel çözümleriyle derinlemesine entegre olsa da, geliştiricilerin özel PaddlePaddle derin öğrenme çerçevesini benimsemesini gerektirir. Bu, PyTorch'ta halihazırda standartlaşmış ekipler için daha dik bir öğrenme eğrisi oluşturabilir. Ek olarak, PP-YOLOE+ modellerini uç cihazlar için standart evrensel formatlara aktarmak, Ultralytics iş akışlarında bulunan yerel dışa aktarma boru hatlarına kıyasla ek dönüştürme adımları gerektirebilir.

İdeal Kullanım Senaryoları#

Bu modeller arasında seçim yapmak, özel dağıtım ortamına bağlıdır.

• Çevik geliştirme, uç bilişim ve mobil uygulamalar için YOLO11'i seç. Yüksek çıkarım hızı, düşük bellek alanı ve kapsamlı dışarı aktarma yetenekleri; onu standart CPU'larda gerçek zamanlı perakende envanter yönetimi, insansız hava aracı tabanlı hava görüntüsü analizi ve karmaşık çok görevli boru hatları (pipelines) gibi görevler için ideal hale getirir.
• Tüm üretim hattın halihazırda PaddlePaddle ekosistemine büyük yatırımlar yaptıysa veya bellek kısıtlamalarının ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışında) birincil endişe kaynağı olmadığı üst düzey, özel çıkarım sunucularına dağıtım yapıyorsan PP-YOLOE+'yı seç.

Gelecek Nesil: YOLO26 ile Tanışın#

YOLO11 inanılmaz derecede güçlü kalmaya devam etse de AI alanı hızlı hareket ediyor. Nesne tespiti alanında mutlak son teknoloji (cutting edge) için Ultralytics yeni YOLO26 modelini tanıttı. Ocak 2026'da yayınlanan YOLO26, benzeri görülmemiş bir verimlilik ve doğruluk sunmak için önceki sürümlerinin başarıları üzerine inşa edilmiştir.

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırır. Bu, ilk olarak YOLOv10 ile öncülük edilen bir mimari sıçrama olarak çıkarımı önemli ölçüde hızlandırır ve konuşlandırma mantığını basitleştirir.
• %43'e Varan Daha Hızlı CPU Çıkarımı: GPU'suz uç cihazlar için özel olarak optimize edilmiştir; düşük güçlü donanımlarda gerçek zamanlı performans sağlar.
• MuSGD Optimize Edici: LLM eğitim kararlılığından esinlenen bu SGD ve Muon melezi, daha hızlı yakınsama ve daha kararlı eğitim sağlar.
• ProgLoss + STAL: Geliştirilmiş kayıp fonksiyonları, drone uygulamaları ve güvenlik gözetimi için kritik olan küçük nesne tanımayı büyük ölçüde geliştirir.
• DFL Kaldırılması: Dağılım Odaklı Kaybın (Distribution Focal Loss) kaldırılması, model dışa aktarımını basitleştirir ve çok çeşitli uç cihazlarda uyumluluğu önemli ölçüde artırır.

Hız, kesintisiz dışa aktarım ve maksimum doğruluk önceliği olan yeni projeler için, YOLO26'nın yeteneklerinden Ultralytics Platform aracılığıyla yararlanmanızı şiddetle tavsiye ederiz.

Diğer mimarileri değerlendiriyorsanız, YOLO11'i RT-DETR ile karşılaştırmak veya eski YOLOv8 modelinin modern kıyaslamalarda (benchmarks) nasıl performans gösterdiğini incelemek isteyebilirsiniz.