İçeriğe geç

YOLO11 PP-YOLOE+: Ayrıntılı Mimari ve Performans Karşılaştırması

Hızla gelişen bilgisayar görme alanında, doğru nesne algılama modelini seçmek, geliştirme hızından dağıtım gecikmesine kadar her şeyi etkileyen kritik bir karardır. Bu kılavuz, aşağıdakiler arasında kapsamlı bir teknik karşılaştırma sunar Ultralytics YOLO11, 2024'ün sonlarında piyasaya sürülen çok yönlü ve yaygın olarak kullanılan bir model ile PaddlePaddle sağlam bir endüstriyel algılayıcı olan PP-YOLOE+ arasında kapsamlı bir teknik karşılaştırma sunar.

Bu mimarileri, doğruluk ölçütleri, çıkarım hızı, kullanım kolaylığı ve dağıtım çok yönlülüğü temelinde analiz ederek, özel uygulamanız için en uygun aracı seçmenize yardımcı oluyoruz.

İnteraktif Performans Kıyaslamaları

Bu modeller arasındaki ödünleşimleri anlamak için, bunların standart veri kümeleri üzerindeki performansını görselleştirmek çok önemlidir. COCOgibi standart veri kümeleri üzerindeki performanslarını görselleştirmek çok önemlidir. Aşağıdaki grafik, ortalama hassasiyet (mAP) ve çıkarım hızı arasındaki dengeyi göstererek, gecikme kısıtlamalarınız için "Pareto sınırı"nı belirlemenize yardımcı olur.

Performans Metrikleri Analizi

Aşağıdaki tablo, model performansının ayrıntılı bir dökümünü sunmaktadır. Ultralytics YOLO11 , PP-YOLOE+ modellerine kıyasla önemli ölçüde daha az parametre ile daha yüksek doğruluk sunarak üstün verimlilik göstermektedir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Ultralytics YOLO11: Mimari ve Ekosistem

Eylül 2024'te piyasaya sürülen YOLO11 önceki YOLO mirasını temel alarak, maksimum özellik çıkarma verimliliği için tasarlanmış rafine mimari bileşenler sunar.

Temel Mimari Özellikler

  • C3k2 Backbone: CSP (Cross Stage Partial) darboğazının bir evrimi olan C3k2 bloğu, gradyan akışını korurken işlem hızını artırmak için daha hızlı konvolüsyon işlemleri kullanır.
  • C2PSA Dikkat: C2PSA (Cross-Stage Partial with Spatial Attention) modülünün eklenmesi, uydu görüntüsü analizinde sık karşılaşılan bir zorluk olan küçük nesnelere ve karmaşık dokulara odaklanma yeteneğini geliştirir.
  • Çoklu Görev Başlığı: Birçok rakibinden farklı olarak, YOLO11 tek bir çerçeve içinde algılama, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyen birleşik bir başlık yapısı YOLO11 .

YOLO11 :

YOLO11 hakkında daha fazla bilgi edinin

PP-YOLOE+: Mimari ve Ekosistem

PP-YOLOE+, PaddlePaddle tarafından geliştirilen PP-YOLOE'nin yükseltilmiş bir sürümüdür. Baidu PaddlePaddle öğrenme çerçevesini kullanarak endüstriyel uygulamalar için güçlü bir temel olarak tasarlanmıştır.

Temel Mimari Özellikler

  • CSPRepResStage: Bu backbone , artık bağlantıları yeniden parametreleştirme teknikleriyle backbone , modelin eğitim sırasında karmaşık, ancak çıkarım sırasında basitleştirilmiş olmasını sağlar.
  • TAL (Görev Uyumlaştırma Öğrenimi): PP-YOLOE+, sınıflandırma ve yerelleştirme görevlerini uyumlu hale getiren dinamik bir etiket atama stratejisi kullanır ve pozitif örnek seçiminin kalitesini artırır.
  • Anchor-Free: YOLO11 gibi, ayarlama için gereken hiperparametre sayısını azaltmak için çapa içermeyen bir yaklaşım kullanır.

PP-YOLOE+ Detayları:

Karşılaştırmalı Analiz: Neden Ultralytics Seçmelisiniz?

Her iki model de yetenekli dedektörler olmakla birlikte, Ultralytics YOLO11 kullanılabilirlik, ekosistem desteği ve kaynak verimliliği açısından belirgin avantajlarYOLO11 .

1. Kullanım ve Uygulama Kolaylığı

En önemli farklardan biri kullanıcı deneyimindedir. Ultralytics "sıfır sürtünme" felsefesiyle tasarlanmıştır. Python , geliştiricilerin beş satırdan az kodla modelleri yüklemelerine, eğitmelerine ve dağıtmalarına olanak tanır.

from ultralytics import YOLO

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

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

Buna karşılık, PP-YOLOE+ PaddleDetection paketine dayanmaktadır. Güçlü olmasına rağmen, genellikle PaddlePaddle özgü yapılandırma dosyaları ve bağımlılıklar içeren daha zor bir öğrenme eğrisi gerektirir ve bu, standart PyTorch iş akışlarına alışkın kullanıcılar için o kadar sezgisel olmayabilir.

2. Eğitim Verimliliği ve Bellek Kullanımı

Ultralytics YOLO , kaynakları verimli kullanmalarıyla tanınırlar.

  • Daha Az Bellek Kullanımı: YOLO11 , tüketici sınıfı GPU'larda eğitim için optimize YOLO11 . Bu, önemli miktarda CUDA gerektiren dönüştürücü ağırlıklı mimarilere veya eski endüstriyel modellere göre önemli bir avantajdır.
  • Daha Hızlı Yakınsama: Optimize edilmiş varsayılan hiperparametreler ve Mosaic ve Mixup gibi artırmalar sayesinde, YOLO11 daha az epoch'ta kullanılabilir doğruluk seviyelerine yakınsar ve hesaplama maliyetlerinden tasarruf sağlar.

3. Çok Yönlülük ve Görev Desteği

Modern bilgisayar görme projeleri genellikle sınırlayıcı kutulardan daha fazlasını gerektirir. Proje kapsamınız genişlerse, Ultralytics çerçeve değiştirmenize gerek kalmadan ihtiyacınızı Ultralytics .

Kolaylaştırılmış Dağıtım

Ultralytics YOLO11 , tek bir TFLite ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere 10'dan fazla biçime aktarılabilir: model.export(format='onnx')Bu doğal esneklik, araştırmadan üretime giden yolu büyük ölçüde basitleştirir.

Görme Yapay Zekasının Geleceği: YOLO26'nın Tanıtımı

YOLO11 olgun ve güvenilir bir seçenek YOLO11 da, bu alan gelişmeye devam ediyor. En son teknolojiyi arayan geliştiriciler için Ultralytics , 2026 yılının başında YOLO26'yı Ultralytics .

YOLO2NMS, ilk olarak YOLOv10tarafından ilk kez ortaya konulan, yerel uçtan uca NMS'siz tasarımıyla mimaride devrim yaratıyor. Non-Maximum Suppression (NMS) son işleme ve Distribution Focal Loss (DFL) ihtiyacını ortadan kaldırarak, YOLO26 önceki nesillere kıyasla %43'e varan oranda daha hızlı CPU ulaşıyor. Ayrıca, SGD Muon'un bir karışımı olan MuSGD optimizer'ı entegre ederek, LLM yeniliklerinden esinlenen istikrarlı eğitim dinamikleri sağlıyor.

Kenar cihazlarını hedefleyen veya mümkün olan en yüksek verimi gerektiren yeni projeler için YOLO26'yı incelemenizi şiddetle tavsiye ederiz.

YOLO26 hakkında daha fazla bilgi edinin

Gerçek Dünya Kullanım Durumları

YOLO11'in Üstün Olduğu Alanlar

  • Edge AI & IoT: Yüksek doğruluk-parametre oranı sayesinde YOLO11n (Nano), Raspberry Pi ve mobil uygulamalar için mükemmeldir.
  • Tıbbi Görüntüleme: Segmentasyon ve algılamayı aynı anda gerçekleştirme özelliği, tümörleri tanımlamak veya hücre yapılarını analiz etmek için idealdir.
  • Robotik: OBB desteği, yönelimin önemli olduğu robotik kavrama görevleri için çok önemlidir.

PP-YOLOE+'nın Uygun Olduğu Yerler

  • Baidu Ekosistem Entegrasyonu: Altyapınız zaten Baidu'nun AI bulutuna veya PaddlePaddle hızlandırıcılarına büyük yatırım yapmışsa, PP-YOLOE+ yerel uyumluluk sağlar.
  • Sabit Endüstriyel Kameralar: Model boyutunun daha az kısıtlı olduğu sunucu tarafı çıkarımları için PP-YOLOE+ rekabetçi bir seçenek olmaya devam ediyor.

Sonuç

Hem YOLO11 PP-YOLOE+ yetenekli nesne algılama mimarileridir. Ancak, araştırmacıların ve geliştiricilerin çoğu için Ultralytics YOLO11 (ve daha yeni olan YOLO26) performans, kullanım kolaylığı ve ekosistem desteği açısından üstün bir denge sunar. Görevler arasında sorunsuz geçiş yapma özelliği, geniş bir topluluk kaynakları ve belgeler kütüphanesi ile birleştiğinde, projenizin geleceğe dönük ve ölçeklenebilir olmasını sağlar.

Model mimarilerini daha ayrıntılı incelemek için, karşılaştırmalarımızı gözden geçirmeyi düşünün RT-DETR veya YOLOv10 için daha önceki gerçek zamanlı verimlilik atılımları hakkındaki karşılaştırmalarımızı inceleyebilirsiniz.


Yorumlar