YOLO11 ve PP-YOLOE+: Gerçek Zamanlı Dedektörlerin Teknik Karşılaştırması

Üretimde bilgisayar görüşü uygulamaları dağıtırken optimal sinir ağı mimarisini seçmek kritiktir. Bu teknik karşılaştırmada, gerçek zamanlı nesne algılama alanındaki iki önde gelen modeli inceliyoruz: Ultralytics YOLO11 ve Baidu'nun PP-YOLOE+'ı. Her iki mimari de sağlam performans sunsa da, doğruluk, çıkarım hızı ve geliştirici ekosistemi zorluklarına oldukça farklı yaklaşımlar sergilerler.

Aşağıda, donanım kısıtlamalarınıza en uygun olanı belirlemenize yardımcı olmak için bu modellerin performans sınırlarını sergileyen etkileşimli bir grafik bulunmaktadır.

Model Kökenleri ve Teknik Mirası

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 dengesini önceliklendiren, YOLO serisinin oldukça geliştirilmiş bir yinelemesini temsil eder. Birleşik çok görevli yetenekleri ve geliştirici dostu Python API'si ile geniş çapta tanınır.

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

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 backbone'u ve Görev Hizalama Öğrenimi (TAL) gibi mimari değişiklikler sunar.

Yazarlar: PaddlePaddle Yazarları
Kuruluş: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 edinin

Mimari Farklılıklar

YOLO11 ve PP-YOLOE+'ın temel mimari tasarımları, bilgisayar görüşü ortamındaki farklı önceliklerini yansıtır.

YOLO11, yüksek düzeyde optimize edilmiş bir backbone ve anchor-free bir algılama başlığı üzerine kurulmuştur. Minimum hesaplama yüküyle çok ölçekli özellikleri yakalamak için C3k2 bloklarını ve Hızlı Uzamsal Piramit Havuzlama (SPPF) kullanır. Bu tasarım, kenar NPÜ'ler ve mobil CPU'lar gibi kaynak kısıtlı cihazlarda çıkarım gecikmesini azaltmak için oldukça avantajlıdır. Ayrıca, YOLO11 çok görevli öğrenme için yerel olarak tasarlanmıştır; kutudan çıktığı gibi örnek segmentasyonunu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (obb) algılamayı destekler.

PP-YOLOE+, CSPRepResNet backbone'unu ve Verimli Görev Hizalı başlığı (ET-head) sunar. Eğitim sırasında temsil kapasitesini artırmak için rep-parametrizasyon tekniklerini yoğun bir şekilde kullanırken, bu parametreleri çıkarım için standart evrişimlere katlar. Bu, etkileyici bir ortalama Ortalama Hassasiyet (mAP) sağlasa da, ortaya çıkan modeller parametre ve bellek ayak izi açısından daha ağır olma eğilimindedir, bu da onları hafif kenar cihazlar yerine güçlü sunucu GPU'larında dağıtım için daha uygun hale getirir.

Çoklu Görev Çok Yönlülüğü

Projeniz standart sınırlayıcı kutuların ötesine geçmeyi gerektiriyorsa, Ultralytics YOLO11, segmentasyon, poz tahmini ve sınıflandırma için tamamen aynı API içinde yerel destek sağlayarak, birden fazla farklı depoyu entegre etmeye kıyasla geliştirme yükünü önemli ölçüde azaltır.

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 olarak belirtildiği karşılaştırmalı metrikleri vurgulamaktadır.

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

Analiz

YOLO11, açık bir avantaj sergiler performans dengesi ve parametre verimliliği açısından. Örneğin, YOLO11m daha yüksek bir mAP (51.5) elde ederken PP-YOLOE+m (49.8) daha az parametre (20.1M'ye karşı 23.43M) kullanır ve TensorRT'de (4.7ms'ye karşı 5.56ms) önemli ölçüde daha hızlı çıkarım hızları elde eder. YOLO11 modellerinin hafif yapısı, hem model eğitimi eğitim hem de dağıtım sırasında daha düşük bellek gereksinimleri anlamına gelir.

Eğitim Ekosistemi ve Kullanım Kolaylığı

Bir modelin gerçek değeri genellikle, geliştiricilerin onu özel bilgisayar görüşü veri kümeleri üzerinde ne kadar kolay eğitebildiği ve üretime dağıtabildiği yatar.

Ultralytics'in Avantajı

Ultralytics, kolaylaştırılmış bir geliştirici deneyimini önceliklendirir. YOLO11 eğitimi, karmaşık şablon kodlarını soyutlayarak basit bir Python API'si veya CLI aracılığıyla yönetilir. Ultralytics Platformu, 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; transformatör tabanlı mimarilerin veya ağır rep-parametreli modellerin tipik büyük VRAM yüklerini önleyerek, tüketici sınıfı donanımlarda 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 ve Baidu'nun endüstriyel çözümleriyle derinlemesine entegre olsa da, geliştiricilerin belirli PaddlePaddle derin öğrenme çerçevesini benimsemesini gerektirir. Bu durum, halihazırda PyTorch üzerinde standartlaşmış ekipler için daha dik bir öğrenme eğrisi oluşturabilir. Ek olarak, PP-YOLOE+ modellerini kenar cihazlar için standart evrensel formatlara dışa aktarmak, Ultralytics iş akışlarında bulunan yerel dışa aktarma işlem hatlarına kıyasla ek dönüştürme adımları gerektirebilir.

İdeal Kullanım Senaryoları

Bu modeller arasında seçim yapmak, özel dağıtım ortamınıza bağlıdır.

YOLO11'i tercih edin çevik geliştirme, uç bilişim ve mobil uygulamalar için. Yüksek çıkarım hızı, düşük bellek ayak izi ve kapsamlı dışa aktarma yetenekleri, onu standart CPU'larda gerçek zamanlı perakende envanter yönetimi, drone tabanlı hava görüntüleri analizi ve karmaşık çok görevli işlem hatları gibi görevler için ideal kılar.
PP-YOLOE+'ı tercih edin eğer tüm üretim hattınız zaten PaddlePaddle ekosistemine yoğun bir şekilde yatırım yapmışsa veya bellek kısıtlamaları ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışında) birincil endişeler olmadığı yüksek performanslı, özel çıkarım sunucularına dağıtım yapıyorsanız.

Yeni Nesil: YOLO26 Tanıtımı

YOLO11 inanılmaz derecede güçlü kalmaya devam etse de, yapay zeka alanı hızla ilerliyor. Nesne tespitinde en son teknoloji için Ultralytics, yeni YOLO26'yı tanıttı. Ocak 2026'da piyasaya sürülen YOLO26, seleflerinin başarıları üzerine inşa edilerek benzeri görülmemiş verimlilik ve doğruluk sunuyor.

Temel YOLO26 Yenilikleri:

Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Non-Maximum Suppression (NMS) son işlemeyi doğal olarak ortadan kaldırır. Bu, çıkarım hızını önemli ölçüde artırır ve dağıtım mantığını basitleştirir; bu, YOLOv10'da ilk kez öncülük edilen mimari bir sıçramadır.
CPU Çıkarımında %43'e Kadar Daha Hızlı: GPU'suz uç cihazlar için özel olarak optimize edilmiştir, düşük güçlü donanımlarda gerçek zamanlı performans sağlar.
MuSGD Optimizatörü: LLM eğitim kararlılığından ilham alan SGD ve Muon'un bu hibriti, daha hızlı yakınsama ve daha kararlı eğitim sağlar.
ProgLoss + STAL: Geliştirilmiş kayıp fonksiyonları, küçük nesne tanımayı önemli ölçüde artırır; bu da drone uygulamaları ve güvenlik gözetimi için kritiktir.
DFL Kaldırma: Distribution Focal Loss'un kaldırılması, model dışa aktarımını basitleştirir ve çok çeşitli uç cihazlarda uyumluluğu önemli ölçüde artırır.

Hız, sorunsuz dışa aktarım ve maksimum doğruluğu önceliklendiren yeni projeler için Ultralytics Platformu aracılığıyla YOLO26'nın yeteneklerini kullanmanızı şiddetle tavsiye ederiz.

Başka mimarileri değerlendiriyorsanız, YOLO11'i RT-DETR ile karşılaştırmakla veya eski YOLOv8'in modern kıyaslamalarda nasıl performans gösterdiğini incelemekle de ilgilenebilirsiniz.