YOLO11 - PP-YOLOE+ Karşılaştırması: Ayrıntılı Teknik Bir Karşılaştırma

Optimal nesne algılama mimarisini seçmek, bilgisayar görüşü projelerinin hızını, doğruluğunu ve dağıtım fizibilitesini etkileyen çok önemli bir karardır. Bu kılavuz, Ultralytics'in en son teknoloji modeli olan Ultralytics YOLO11 ve Baidu'nun PaddlePaddle ekosisteminden sağlam bir dedektör olan PP-YOLOE+ arasında derinlemesine bir teknik karşılaştırma sunmaktadır. Her iki model de yüksek performans sunarken, YOLO11 olağanüstü hesaplama verimliliği, sorunsuz PyTorch entegrasyonu ve araştırmacılar ve mühendisler için geliştirmeyi hızlandırmak üzere tasarlanmış kapsamlı bir ekosistemi ile öne çıkmaktadır.

Ultralytics YOLO11: Verimlilik Çok Yönlülükle Buluşuyor

YOLO11, gerçek zamanlı nesne algılama sınırlarını zorlamak için Ultralytics tarafından yayınlanan, ünlü YOLO (You Only Look Once) serisindeki en yeni evrimi temsil eder. Glenn Jocher ve Jing Qiu tarafından tasarlanan bu model, önemli ölçüde azaltılmış hesaplama yükü ile üstün doğruluk sağlamak için anchor-free mimarisini geliştirir.

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:https://github.com/ultralytics/ultralytics
Belgeler:https://docs.ultralytics.com/models/yolo11/

Mimari ve Temel Güçlü Yönler

YOLO11, özellik çıkarımını ve birleştirmeyi optimize eden aerodinamik bir ağ tasarımı kullanır. Önceden tanımlanmış kutulara dayanan geleneksel anchor tabanlı dedektörlerin aksine, YOLO11 doğrudan nesne merkezlerini ve ölçeklerini tahmin eder. Bu yaklaşım, model başlığını basitleştirir ve ayarlama için gereken hiperparametrelerin sayısını azaltır.

Modelin mimarisi son derece çok yönlüdür ve basit algılamanın ötesinde çok çeşitli bilgisayarla görme görevlerini destekler. Örnek segmentasyonu, poz tahmini, görüntü sınıflandırması ve yönlendirilmiş sınırlayıcı kutuları (OBB) tek bir birleşik çerçeve içinde yerel olarak ele alır.

Geliştirici Deneyimi

YOLO11'in en önemli avantajlarından biri, entegre edildiği ultralytics Python paketi. Bu, eğitim, doğrulama ve dağıtım için tutarlı bir API sağlayarak, geliştiricilerin görevler arasında geçiş yapmasına veya modelleri şu gibi biçimlere aktarmasına olanak tanır: ONNX ve TensorRT tek bir kod satırıyla.

Temel Avantajlar

Üstün Performans Dengesi: YOLO11, mAP ve çıkarım gecikmesi arasında sektör lideri bir denge sağlayarak, uç cihazlardaki gerçek zamanlı uygulamalar için uygun hale getirir.
Hesaplama Verimliliği: Model, PP-YOLOE+ gibi rakiplere kıyasla daha az parametre ve FLOPs (Kayan Nokta İşlemleri) gerektirir, bu da daha hızlı yürütme ve daha düşük enerji tüketimiyle sonuçlanır.
Düşük Bellek Ayak İzi: Verimli bellek kullanımı için optimize edilen YOLO11, kaynak yoğun transformatör modellerinden farklı olarak daha hızlı eğitilir ve sınırlı VRAM'e sahip donanımlarda çalışabilir.
Güçlü Ekosistem: Kullanıcılar, kurumsal projeler için uzun vadeli uygulanabilirlik sağlayarak aktif bakımdan, kapsamlı belgelerden ve topluluk desteğinden yararlanır.

YOLO11 hakkında daha fazla bilgi edinin

PP-YOLOE+: PaddlePaddle Ekosisteminde Yüksek Hassasiyet

PP-YOLOE+, Baidu araştırmacıları tarafından geliştirilen PP-YOLO serisinin bir evrimidir. 2022'de piyasaya sürülen PaddleDetection araç setinin bir parçasıdır ve PaddlePaddle derin öğrenme çerçevesi içinde verimli bir şekilde çalışacak şekilde tasarlanmıştır.

Yazarlar: PaddlePaddle Yazarları
Kuruluş:Baidu
Tarih: 2022-04-02
ArXiv:https://arxiv.org/abs/2203.16250
GitHub:https://github.com/PaddlePaddle/PaddleDetection
Belgeler:PaddleDetection Belgeleri

Mimari ve Özellikler

PP-YOLOE+, bir CSPRepResNet omurgası ve verimli bir görev hizalı başlık (ET-Head) kullanır. Görev Hizalama Öğrenimi (TAL) aracılığıyla dinamik etiket atamasını içerir ve nesne sınıflandırmasının kalitesini artırmak için Varifokal Kayıp kullanır. Model, dağıtım için TensorRT entegrasyonundan yararlanarak özellikle PaddlePaddle çıkarım motoru için optimize edilmiştir.

Güçlü Yönler ve Sınırlamalar

PP-YOLOE+, COCO gibi kıyaslama testlerinde rekabetçi doğruluk sunsa da, çerçeve bağımlılığı nedeniyle benimsenme konusunda engellerle karşılaşmaktadır. Küresel araştırma topluluğunun çoğu PyTorch'e güvendiğinden, PaddlePaddle'a geçiş sürtünmeye neden olmaktadır. Ek olarak, PP-YOLOE+ modelleri genellikle YOLO11 gibi daha yeni mimarilerin doğruluğuyla eşleşmek için daha yüksek parametre sayıları gerektirir, bu da hem eğitim hem de çıkarım sırasında artan hesaplama maliyetlerine yol açar.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans Analizi: Verimlilik ve Hız

Performans metriklerinin doğrudan karşılaştırılması, YOLO11'in en son teknoloji doğruluğunu korurken verimlilik ve hız açısından PP-YOLOE+'yi sürekli olarak geride bıraktığını ortaya koymaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

PP-YOLOE+t	640	39.9	-	2.84	4.85	19.15
PP-YOLOE+s	640	43.7	-	2.62	7.93	17.36
PP-YOLOE+m	640	49.8	-	5.56	23.43	49.91
PP-YOLOE+l	640	52.9	-	8.36	52.2	110.07
PP-YOLOE+x	640	54.7	-	14.3	98.42	206.59

Kritik Gözlemler

Verimlilik Üstünlüğü: YOLO11'in parametre verimliliği çarpıcıdır. Örneğin, YOLO11x, PP-YOLOE+x ile karşılaştırıldığında eşleşen 54.7 mAP'ye ulaşır, ancak bunu yalnızca 98.42M'ye karşı 56.9M parametre ile yapar. Bu, YOLO11x'in yaklaşık %42 daha küçük olduğu ve depolama alanı kısıtlı cihazlarda daha kolay dağıtım sağladığı anlamına gelir.
Çıkarım Hızı: Gerçek dünya dağıtım senaryolarında hız kritik öneme sahiptir. YOLO11n, T4 GPU'da inanılmaz bir 1,5 ms çıkarım süresi sağlayarak, karşılaştırılabilir PP-YOLOE+t'nin 2,84 ms'sinden önemli ölçüde daha hızlıdır. Bu hız avantajı, otonom araçlar ve robotik gibi uygulamalarda daha yüksek kare hızı işlemeye olanak tanır.
CPU Performansı: YOLO11 için optimize edilmiş CPU kıyaslamalarının kullanılabilirliği, esnekliğini vurgular. YOLO11n ile CPU'da 56,1 ms elde etmek, özel GPU hızlandırması olmadan bile uygulanabilir gerçek zamanlı uygulamalar sağlar; bu, rakip çerçevelerde genellikle eksik olan veya daha az optimize edilmiş bir ölçüdür.

Gerçek Dünya Kullanım Durumları

YOLO11'in mimari avantajları, doğrudan çeşitli sektörler için faydalara dönüşür.

Akıllı Şehir Altyapısı: YOLO11'in yüksek verimi, daha az sunucu kullanarak birden fazla kamera akışında gerçek zamanlı trafik izleme ve tıkanıklık analizini destekler.
Endüstriyel Üretim: Düşük gecikme sürelerinde üstün doğrulukla YOLO11, yüksek hızlı montaj hatlarında kalite kontrol ve kusur algılamada mükemmeldir.
Perakende Analitiği: Modelin nesne sayımı ve ısı haritası oluşturma yeteneği, perakendecilerin mağaza düzenlerini ve envanter yönetimini optimize etmelerine yardımcı olur.
Healthcare Imaging: Segmentasyon gerçekleştirme çok yönlülüğü, tümörleri tanımlama veya hücre yapılarını analiz etme gibi hassas tıbbi görüntü analizine yardımcı olur.

Eğitim ve Ekosistem Entegrasyonu

Önemli bir fark da geliştiricilerin modelleri eğitme ve dağıtma kolaylığıdır. Ultralytics ekosistemi, kullanıcı deneyimini basitleştirme üzerine kurulmuştur.

Kolaylaştırılmış İş Akışı

Özel bir veri kümesinde bir YOLO11 modelini eğitmek minimum kod gerektirir. Çerçeve, veri artırma, hiperparametre evrimi ve çoklu GPU eğitimi gibi karmaşık görevleri otomatik olarak işler.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

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

# Run inference on an image
results = model("path/to/image.jpg")

Aksine, PP-YOLOE+'yı kullanmak genellikle PaddlePaddle ekosisteminin, yapılandırma dosyalarının ve orijinal veri hattı PyTorch tabanlıysa potansiyel dönüştürme komut dosyalarının karmaşıklıklarında gezinmeyi içerir.

Dağıtım Esnekliği

Ultralytics, ONNX, OpenVINO, CoreML ve TFLite dahil olmak üzere çok çeşitli formatlar için yerleşik dışa aktarma modları sağlar. Bu, bir kez eğitilmiş bir modelin, bir NVIDIA Jetson uç cihazından bir iOS akıllı telefona veya bir bulut API'sine kadar her yerde dağıtılabileceği anlamına gelir.

Sonuç

PP-YOLOE+, Baidu'nun ekosistemi bağlamında yetenekli bir model olmaya devam ederken, Ultralytics YOLO11 daha geniş bilgisayar görüşü topluluğu için üstün bir seçim olarak öne çıkmaktadır. Önemli ölçüde daha düşük parametre sayıları, daha hızlı çıkarım hızları ve PyTorch tabanlı kullanılabilirliğinin birleşimi, giriş engellerini ortadan kaldırır ve pazara sunma süresini hızlandırır.

Son teknoloji performansı kullanım kolaylığı ile dengeleyen, geleceğe dönük bir çözüm arayan geliştiriciler için YOLO11, yeni nesil yapay zeka uygulamaları oluşturmak için sağlam, çok yönlü ve son derece verimli bir platform sağlar.

Diğer Modelleri İnceleyin

Ultralytics ekosistemindeki diğer mimarileri keşfetmekle ilgileniyorsanız, bu karşılaştırmaları göz önünde bulundurun: