YOLO11 ile PP-YOLOE+
Bilgisayarlı görü uygulamalarını üretim ortamında dağıtırken doğru sinir ağı mimarisini seçmek kritik önem taşır. Bu karşılaştırmada, önde gelen iki gerçek zamanlı nesne algılama modeli olan Ultralytics YOLO11 ve Baidu'nun PP-YOLOE+ modeli inceleniyor. Her ikisi de iyi performans gösterse de doğruluk, çıkarım hızı ve geliştirici ekosistemine oldukça farklı yaklaşıyor.
Aşağıdaki etkileşimli grafik, donanım kısıtlarına en uygun modeli belirlemene yardımcı olmak için iki modelin hız-doğruluk dengesini gösterir.
Model Kökenleri ve Teknik Soy Ağacı#
Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, her birinin güçlü yönleri ve ideal kullanım alanları hakkında değerli bir bağlam sağlar.
YOLO11 Ayrıntıları#
Ultralytics tarafından geliştirilen YOLO11, hızlı çıkarım, parametre verimliliği ve kullanım kolaylığını dengeleyerek YOLO serisini iyileştirir. Birleşik çoklu görev desteği ve geliştirici dostu Python API'siyle tanınır.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: YOLO11 Belgeleri
PP-YOLOE+ Ayrıntıları#
PP-YOLOE+, PP-YOLOv2'den evrilen PP-YOLOE'nin yükseltilmiş bir sürümüdür ve PaddlePaddle çatısı üzerine kuruludur. Özellikle üst düzey GPU'larda doğruluğu artırmak için CSPRepResNet omurgası ve Görev Hizalama Öğrenmesi (TAL) gibi mimari değişikliklerden yararlanır.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Belgeler: PP-YOLOE+ Yapılandırma Belgeleri
PP-YOLOE+ hakkında daha fazla bilgi edin
Mimari Farklılıklar#
YOLO11 ve PP-YOLOE+ mimarileri, farklı tasarım önceliklerini yansıtır.
YOLO11, verimli bir omurgayı anchor-free algılama başlığıyla birleştirir. C3k2 blokları ve Uzamsal Piramit Havuzlama - Hızlı (SPPF) kullanarak düşük hesaplama yüküyle çok ölçekli özellikleri yakalar; bu da uç NPU'lar ve mobil CPU'lar gibi kaynakları kısıtlı cihazlarda çıkarım gecikmesini azaltmaya yardımcı olur. YOLO11 ayrıca kutudan çıktığı haliyle örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler.
PP-YOLOE+, CSPRepResNet omurgası, CSPPAN boyun katmanı ve Verimli Görev Hizalamalı başlık (ET-head) kullanır. Eğitim sırasında temsil kapasitesini artırmak için yeniden parametreleştirmeye dayanır, ardından çıkarım sırasında bu parametreleri standart evrişim katmanlarında birleştirir. Bu yaklaşım güçlü bir ortalama Hassasiyet (mAP) sağlar; ancak büyük modelleri, YOLO11'in karşılık gelen modellerinden daha fazla parametreye sahiptir (L ölçeğinde 52.2M'ye karşı 25.3M) ve bu nedenle hafif uç cihazlardan ziyade sunucu GPU'ları için daha uygundur.
Projen standart sınırlayıcı kutuların ötesine geçmeyi gerektiriyorsa Ultralytics YOLO11, aynı API içinde segmentasyon, sınıflandırma, poz tahmini ve OBB algılama için yerel destek sunar. Bu da birden fazla ayrı depoyu entegre etmeye kıyasla geliştirme yükünü azaltır.
Performans ve Kıyaslamalar#
Aşağıdaki tablo; doğruluğu (mAP), donanımlar arasındaki çıkarım hızını ve model verimliliğini (parametreler ve FLOP'lar) karşılaştırır; her sütundaki en iyi değer kalın gösterilmiştir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
Analiz#
YOLO11 çoğu ölçekte daha iyi bir performans dengesi sunar. YOLO11m, PP-YOLOE+m değerinden daha yüksek mAP'ye (51.5'e karşı 49.8), daha az parametreye (20.1M'ye karşı 23.43M) ve daha hızlı TensorRT çıkarımına (4.7 ms'ye karşı 5.56 ms) sahiptir. En büyük ölçekte her ikisi de 54.7 mAP'ye ulaşır; ancak YOLO11x çok daha az parametreyle (56.9M'ye karşı 98.42M) daha hızlıdır (11.3 ms'ye karşı 14.3 ms). PP-YOLOE+ küçük ölçekte rekabetçidir: PP-YOLOE+t, daha yüksek gecikmeyle YOLO11n'i mAP'de (39.9'a karşı 39.5) az farkla geçer; PP-YOLOE+s ise daha düşük doğrulukla YOLO11s'den daha az parametre ve FLOP kullanır. Küçük YOLO11 modelleri, model eğitimi ve dağıtım sırasında daha az belleğe de ihtiyaç duyar.
Eğitim Ekosistemi ve Kullanım Kolaylığı#
Bir modelin pratik değerinin büyük kısmı, geliştiricilerin modeli özel bilgisayarlı görü veri kümeleri üzerinde ne kadar kolay eğitip üretime alabileceğine bağlıdır.
Ultralytics Avantajı#
Ultralytics, geliştirici deneyimine odaklanır. YOLO11, karmaşık gereksiz kodlar olmadan basit bir Python API'si veya CLI üzerinden eğitilir; Ultralytics Platform ise kodsuz eğitim, veri kümesi yönetimi ve ONNX, CoreML ve TensorRT gibi biçimlere tek tıklamayla dışa aktarma olanağı sunar.
YOLO modelleri eğitim sırasında da bellek açısından verimlidir; Transformer tabanlı mimarilerin ve daha ağır, yeniden parametreleştirilmiş modellerin yüksek VRAM yükünden kaçınır ve böylece tüketici sınıfı donanımlarda eğitilebilir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()PP-YOLOE+ Ekosistemi#
PP-YOLOE+, PaddleDetection ekosisteminde çalışır. Bu çatı güçlü ve Baidu'nun endüstriyel çözümleriyle derinlemesine entegre olsa da geliştiricilerin belirli PaddlePaddle derin öğrenme çatısını benimsemesini gerektirir. Bu durum, PyTorch'u zaten standartlaştırmış ekipler için öğrenme eğrisini dikleştirebilir. PP-YOLOE+ modellerini yaygın uç biçimlere aktarmak, YOLO11'i tek komutla ONNX, TensorRT ve hatta PaddlePaddle biçimlerine dönüştüren yerleşik Ultralytics dışa aktarma işlem hattına kıyasla ek dönüştürme adımları da gerektirebilir.
İdeal Kullanım Alanları#
Bu modeller arasında seçim yaparken dağıtım ortamına özgü gereksinimlerini göz önünde bulundur.
- Çevik geliştirme, uç bilişim ve mobil uygulamalar için YOLO11'i seç. Yüksek çıkarım hızı, düşük bellek ayak izi ve kapsamlı dışa aktarma yetenekleri; standart CPU'larda gerçek zamanlı perakende envanter yönetimi, drone tabanlı hava görüntüsü analizi ve karmaşık çoklu görev işlem hatları gibi işler için modeli ideal kılar.
- Üretim işlem hattın zaten PaddlePaddle ekosistemi üzerine kuruluysa veya bellek kısıtlarının ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışındaki) öncelikli olmadığı üst düzey, özel çıkarım sunucularına dağıtım yapıyorsan PP-YOLOE+'ı seç.
Yeni Nesil: YOLO26 ile Tanış#
YOLO11 hâlâ güçlü bir seçenek; ancak Ultralytics yeni projeler için YOLO26 modelini öneriyor. Ocak 2026'da yayımlanan YOLO26, verimlilik ve doğruluk açısından önceki modellerini geliştiriyor.
YOLO26'nın Öne Çıkan Yenilikleri:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayanların Bastırılması (NMS) son işlem adımını atlar. Bu, gecikmeyi azaltır ve dağıtım mantığını basitleştirir; bu yaklaşım ilk olarak YOLOv10 ile kullanılmıştır. - %43'e Varan Daha Hızlı CPU Çıkarımı: YOLO26n, GPU'suz uç cihazlarda gerçek zamanlı performansı artırarak CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitiminden ilham alan SGD ve Muon birleşimi, daha hızlı yakınsama ve daha kararlı eğitim sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), drone uygulamaları ve güvenlik gözetimi için kritik olan küçük nesnelerin tanınmasını iyileştirir.
- DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin dışa aktarılmasını basitleştirir ve çok çeşitli uç cihazlarla uyumluluğu artırır.
Hız, kolay dışa aktarma ve doğruluğa öncelik veren yeni projeler için YOLO26 önerilir; YOLO26'yı Ultralytics Platform'da eğitip dağıtabilirsin.
Diğer mimarileri değerlendiriyorsan RT-DETR ile YOLO11 karşılaştırmasına göz atabilir veya YOLO11'in YOLOv8, YOLOv9 ve YOLOv10 ile karşılaştırmasını okuyabilirsin.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.