YOLO11 ile PP-YOLOE+#

Üretim ortamında bilgisayarlı görü uygulamaları dağıtırken en uygun sinir ağı mimarisini seçmek kritik önem taşır. 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 performans sunuyor ancak doğruluk, çıkarım hızı ve geliştirici ekosistemi konularındaki zorluklara oldukça farklı biçimlerde yaklaşıyor.

Aşağıda, donanım kısıtlarına en uygun modeli belirlemene yardımcı olacak, bu modellerin performans sınırlarını gösteren etkileşimli bir grafik bulunuyor.

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, YOLO serisinin son derece rafine edilmiş bir sürümüdür; yüksek hızlı çıkarım, olağanüstü parametre verimliliği ve benzersiz kullanım kolaylığı arasında denge kurmaya öncelik verir. Birleşik çoklu görev yetenekleri ve geliştirici dostu Python API'siyle geniş çapta 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+, PaddlePaddle çatısı üzerine inşa edilmiş PP-YOLOv2'nin geliştirilmiş bir sürümüdür. Özellikle üst düzey GPU'larda doğruluğu artırmak için CSPRepResNet omurgası ve Görev Hizalama Öğrenimi (TAL) gibi mimari değişiklikler sunar.

• 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+'ın temel mimari tasarımları, bilgisayarlı görü alanındaki farklı önceliklerini yansıtır.

YOLO11, son derece optimize edilmiş bir omurga ve anchorsız bir algılama başlığı üzerine kuruludur. C3k2 bloklarını ve Uzamsal Piramit Havuzlama - Hızlı (SPPF) yapısını kullanarak minimum hesaplama yüküyle çok ölçekli özellikleri yakalar. Bu tasarım, uç NPU'lar ve mobil CPU'lar gibi kaynakları kısıtlı cihazlarda çıkarım gecikmesini azaltmada büyük avantaj sağlar. Ayrıca YOLO11, çoklu görev öğrenimi için doğal olarak tasarlanmıştır ve kutudan çıkar çıkmaz örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler.

PP-YOLOE+, CSPRepResNet omurgasını ve Verimli Görev Hizalamalı başlığı (ET-head) sunar. Eğitim sırasında temsil kapasitesini artırmak için yeniden parametreleştirme tekniklerinden yoğun biçimde yararlanırken, çıkarım sırasında bu parametreleri standart evrişim katmanlarına dönüştürür. Bu yaklaşım etkileyici bir ortalama hassasiyet (mAP) sunsa da ortaya çıkan modeller genellikle parametre ve bellek ayak izi bakımından daha ağırdır; bu nedenle hafif uç cihazlardan ziyade güçlü sunucu GPU'larına dağıtılmaya daha uygundur.

Performans ve Kıyaslamalar#

Performansı değerlendirirken doğruluğu (mAP), farklı donanımlardaki çıkarım hızını ve model verimliliğini (parametre ve FLOP sayısı) inceleriz. Aşağıdaki tablo karşılaştırmalı metrikleri gösterir; en verimli veya en yüksek performanslı değerler kalın yazılmıştır.

Analiz#

YOLO11, performans dengesi ve parametre verimliliği açısından belirgin bir avantaj sergiler. Örneğin, YOLO11m, PP-YOLOE+m modelinden (49.8) daha yüksek bir mAP (51.5) değerine ulaşırken daha az parametre kullanır (20.1M'ye karşı 23.43M) ve TensorRT üzerinde çok daha hızlı çıkarım sağlar (4.7ms'ye karşı 5.56ms). YOLO11 modellerinin hafif yapısı, hem model eğitimi hem de dağıtım sırasında daha düşük bellek gereksinimleri sağlar.

Eğitim Ekosistemi ve Kullanım Kolaylığı#

Bir modelin gerçek değeri çoğu zaman geliştiricilerin modeli özel bilgisayarlı görü veri kümelerinde ne kadar kolay eğitebildiğine ve üretim ortamına dağıtabildiğine bağlıdır.

Ultralytics Avantajı#

Ultralytics, geliştiricilere akıcı bir deneyim sunmaya öncelik verir. YOLO11 eğitimi, karmaşık standart kodları soyutlayan basit bir Python API'si veya CLI üzerinden yönetilir. Ultralytics Platformu, kod yazmadan eğitim, otomatik veri kümesi yönetimi ve ONNX, CoreML ve TensorRT gibi biçimlere tek tıklamayla dışa aktarma olanağı sunarak bu deneyimi daha da geliştirir.

Ayrıca YOLO modelleri eğitim sırasında bellek açısından oldukça verimlidir; Transformer tabanlı mimarilerde veya yeniden parametreleştirilmiş büyük modellerde sık görülen yüksek VRAM yükünü önleyerek tüketici sınıfı donanımlarda eğitime olanak tanır.

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 ekosistemi içinde çalışır. Bu çatı güçlü ve Baidu'nun endüstriyel çözümleriyle derinlemesine bütünleşmiş olsa da geliştiricilerin belirli bir derin öğrenme çatısı olan PaddlePaddle'ı benimsemesini gerektirir. Bu durum, PyTorch'u standartlaştırmış ekipler için öğrenme sürecini zorlaştırabilir. Ayrıca PP-YOLOE+ modellerini uç cihazlara yönelik standart, evrensel biçimlere aktarmak, Ultralytics iş akışlarındaki yerel dışa aktarma işlem hatlarına kıyasla ek dönüştürme adımları 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 hattının tamamı zaten büyük ölçüde PaddlePaddle ekosistemine dayanıyorsa veya bellek kısıtlarının ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışındaki) temel kaygılar olmadığı üst düzey, özel çıkarım sunucularına dağıtım yapıyorsan PP-YOLOE+'ı seç.

Yeni Nesil: YOLO26 ile Tanış#

YOLO11 son derece güçlü olmaya devam etse de yapay zekâ alanı hızla ilerliyor. Nesne algılamada en ileri teknoloji için Ultralytics, yeni YOLO26 modelini sundu. Ocak 2026'da yayımlanan YOLO26, önceki modellerinin başarılarını temel alarak benzeri görülmemiş verimlilik ve doğruluk sunuyor.

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, çıkarımı önemli ölçüde hızlandırır ve dağıtım mantığını basitleştirir; bu mimari sıçramaya ilk olarak YOLOv10 öncülük etmiştir.
• CPU'da %43'e Varan Hız Artışı: GPU'su olmayan uç cihazlar için özel olarak optimize edilmiştir ve daha düşük güçlü donanımlarda gerçek zamanlı performans sağlar.
• MuSGD Optimize Edici: LLM eğitimindeki kararlılıktan esinlenen bu SGD ve Muon melezi, daha hızlı yakınsama ve daha kararlı eğitim sağlar.
• ProgLoss + STAL: Geliştirilmiş kayıp fonksiyonları küçük nesnelerin tanınmasını önemli ölçüde iyileştirir; bu, drone uygulamaları ve güvenlik gözetimi için kritik önem taşır.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp'ın kaldırılması, model dışa aktarımını basitleştirir ve çok çeşitli uç cihazlarla uyumluluğu büyük ölçüde artırır.

Hıza, sorunsuz dışa aktarmaya ve en yüksek doğruluğa öncelik veren yeni projeler için YOLO26'nın yeteneklerinden Ultralytics Platformu üzerinden yararlanmanı önemle öneririz.

Diğer mimarileri değerlendiriyorsan YOLO11'i RT-DETR ile karşılaştırmak veya eski YOLOv8 modelinin güncel kıyaslamalarda nasıl performans gösterdiğini incelemek de ilgini çekebilir.