Link to this sectionYOLO11 ile PP-YOLOE+ karşılaştırması#

Bilgisayarlı görü uygulamalarını canlı ortama alırken en uygun sinir ağı mimarisini seçmek kritiktir. Bu teknik karşılaştırmada, gerçek zamanlı nesne tespiti alanındaki iki önemli modeli inceliyoruz: Ultralytics YOLO11 ve Baidu'nun PP-YOLOE+ modeli. Her iki mimari de güçlü bir performans sunar ancak doğruluk, çıkarım hızı ve geliştirici ekosistemi konusundaki zorluklara oldukça farklı yaklaşımlar sergilerler.

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

Link to this sectionModelin Kökenleri ve Teknik Geçmişi#

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

Link to this sectionYOLO11 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
• Dokümantasyon: YOLO11 Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionPP-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
• Organizasyon: Baidu
• Tarih: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Dokümanlar: PP-YOLOE+ Yapılandırma Dokümanları

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionMimari Farklılıklar#

YOLO11 ve PP-YOLOE+'nın temel mimari tasarımları, bilgisayarlı görü dünyasındaki farklı önceliklerini yansıtır.

YOLO11, son derece optimize edilmiş bir omurga ve çapasız (anchor-free) bir tespit kafası üzerine inşa edilmiştir. Çok ölçekli özellikleri minimum hesaplama yüküyle yakalamak için C3k2 bloklarını ve Hızlı Uzamsal Piramit Havuzlamayı (SPPF) kullanır. Bu tasarım, uç NPU'lar ve mobil CPU'lar gibi kaynak kısıtlı cihazlarda çıkarım gecikmesini azaltmak için oldukça avantajlıdır. Ayrıca YOLO11, kutudan çıktığı anda örnek segmentasyonu, poz tahmini ve yönelimli sınırlayıcı kutu (OBB) tespiti desteği ile çoklu görev öğrenimi için yerel olarak tasarlanmıştır.

PP-YOLOE+, CSPRepResNet omurgasını ve Verimli Görev Hizalamalı (ET-head) kafayı tanıtır. Eğitim sırasında temsil kapasitesini artırmak için rep-parametreleştirme tekniklerini yoğun bir şekilde kullanırken, çıkarım için bu parametreleri standart evrişimlere dönüştürür. Bu, etkileyici bir ortalama Hassasiyet (mAP) sağlasa da, sonuçta ortaya çıkan modeller parametreler ve bellek kullanımı açısından daha ağır olma eğilimindedir; bu da onları hafif uç cihazlar yerine sağlam sunucu GPU'larında dağıtım için daha uygun hale getirir.

Link to this sectionPerformans 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.

Link to this sectionAnaliz#

YOLO11, performans dengesi ve parametre verimliliğinde net bir avantaj sergiler. Örneğin YOLO11m, PP-YOLOE+m'nin (49.8) mAP'inden daha yüksek bir mAP (51.5) elde ederken, daha az parametre (23.43M'ye karşı 20.1M) kullanır ve TensorRT üzerinde önemli ölçüde daha hızlı çıkarım hızlarına (5.56ms'ye karşı 4.7ms) ulaşır. YOLO11 modellerinin hafif yapısı, doğal olarak hem model eğitimi hem de dağıtım sırasında daha düşük bellek gereksinimleri anlamına gelir.

Link to this sectionEğitim Ekosistemi ve Kullanım Kolaylığı#

Bir modelin gerçek değeri genellikle geliştiricilerin onu özel bilgisayarlı görü veri kümeleri üzerinde ne kadar kolay eğitebildiği ve üretime ne kadar rahat dağıtabildiğinde yatar.

Link to this sectionUltralytics Avantajı#

Ultralytics, modernleştirilmiş bir geliştirici deneyimine öncelik verir. YOLO11 eğitimi, karmaşık kod yığınlarını soyutlayan basit bir Python API'si veya CLI aracılığıyla yönetilir. Ultralytics Platform, kodsuz eğitim, otomatik veri kümesi yönetimi ve ONNX, CoreML ve TensorRT gibi formatlara tek tıklamayla dışa aktarma 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()

Link to this sectionPP-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.

Link to this sectionİdeal 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 kullanımı ve kapsamlı dışa aktarma yetenekleri, onu standart CPU'larda gerçek zamanlı perakende envanter yönetimi, drone tabanlı hava görüntü analizi ve karmaşık çoklu görev boru hatları 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.

Link to this sectionGelecek Nesil: YOLO26 ile Tanışın#

YOLO11 inanılmaz derecede güçlü kalmaya devam etse de, yapay zeka alanı hızla ilerliyor. Nesne tespitinde mutlak en ileri seviye için Ultralytics, yeni YOLO26'yı tanıttı. Ocak 2026'da piyasaya sürülen YOLO26, eşi benzeri görülmemiş bir verimlilik ve doğruluk sunmak için seleflerinin başarıları üzerine inşa edilmiştir.

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayanı Bastırma (NMS) sonrası işlemini yerel olarak ortadan kaldırır. Bu, YOLOv10'da öncülük edilen bir mimari sıçrama ile çıkarımı önemli ölçüde hızlandırır ve dağıtım 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: İyileştirilmiş kayıp fonksiyonları, drone uygulamaları ve güvenlik gözetimi için kritik olan küçük nesne tanımayı büyük ölçüde artırır.
• DFL Kaldırılması: Dağılım Odaklı Kaybın (Distribution Focal Loss) kaldırılması, model dışa aktarımını basitleştirir ve çok çeşitli uç cihazlarda uyumluluğu önemli ölçüde artırır.

Hıza, sorunsuz dışa aktarıma ve maksimum doğruluğa öncelik veren yeni projeler için, YOLO26'nın yeteneklerinden Ultralytics Platform aracılığıyla yararlanmanı şiddetle tavsiye ederiz.

Başka mimarileri değerlendiriyorsan, YOLO11'i RT-DETR ile karşılaştırmak veya eski YOLOv8'in modern kıyaslamalarda nasıl durduğunu keşfetmek de ilgini çekebilir.