YOLO11 ve PP-YOLOE+ Karşılaştırması#

Üretimde bilgisayarlı görü uygulamalarını dağıtırken en uygun sinir ağı mimarisini seçmek kritik önem taşır. Bu teknik karşılaştırmada, gerçek zamanlı nesne algılama alanındaki iki öne çıkan modeli inceliyoruz: Ultralytics YOLO11 ve Baidu'nun PP-YOLOE+ modeli. Her iki mimari de güçlü performans sunar, ancak doğruluk, çıkarım hızı ve geliştirici ekosistemi zorluklarına oldukça farklı yaklaşımlar getirir.

Aşağıda, donanım kısıtlamaların için en uygun seçeneği belirlemene yardımcı olmak üzere bu modellerin performans sınırlarını gösteren etkileşimli bir grafik yer alıyor.

Model Kökenleri ve Teknik Soyu#

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

YOLO11 Ayrıntıları#

Ultralytics tarafından geliştirilen YOLO11, yüksek hızlı çıkarım, üstün parametre verimliliği ve eşsiz kullanım kolaylığı arasında denge kurmaya öncelik veren, YOLO serisinin son derece geliştirilmiş bir sürümünü temsil eder. 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 kurulmuş, PP-YOLOv2'nin geliştirilmiş bir sürümüdür. Özellikle üst düzey GPU'larda doğruluğun sınırlarını zorlamak için CSPRepResNet omurgası ve Task Alignment Learning (TAL) gibi mimari değişiklikler sunar.

• Yazarlar: PaddlePaddle Authors
• 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+'nın temel mimari tasarımları, bilgisayarlı görü alanındaki farklı önceliklerini yansıtır.

YOLO11, son derece optimize edilmiş bir omurga ve anchorsuz bir algılama başlığı üzerine kuruludur. Minimum hesaplama ek yüküyle çok ölçekli özellikleri yakalamak için C3k2 bloklarından ve Spatial Pyramid Pooling - Fast (SPPF) yapısından yararlanır. Bu tasarım, uç NPU'lar ve mobil CPU'lar gibi kaynakları kısıtlı cihazlarda çıkarım gecikmesini azaltmak için büyük avantaj sağlar. Ayrıca YOLO11, çoklu görev öğrenimi için yerel olarak tasarlanmıştır ve kullanıma hazır şekilde örnek bölütlemeyi, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler.

PP-YOLOE+, CSPRepResNet omurgasını ve Etkin Görev Hizalamalı başlığı (ET-head) sunar. Eğitim sırasında temsil kapasitesini artırmak için yeniden parametrelendirme tekniklerini yoğun bir şekilde kullanırken, bu parametreleri çıkarım için standart evrişimlerde birleştirir. Bu durum etkileyici bir ortalama Ortalama Kesinlik (mAP) sağlasa da, ortaya çıkan modeller parametre ve bellek kaplaması açısından daha ağır olma eğilimindedir ve bu da onları hafif uç cihazlar yerine güçlü sunucu GPU'larında dağıtım için daha uygun hale getirir.

Performans ve Karşılaştırmalı Testler#

Performansı değerlendirirken doğruluğa (mAP), farklı donanımlardaki çıkarım hızına ve model verimliliğine (parametreler ve FLOPs) bakarız. Aşağıdaki tablo, en verimli veya en yüksek performanslı değerler kalın olacak şekilde karşılaştırmalı metrikleri öne çıkarır.

Analiz#

YOLO11, performans dengesi ve parametre verimliliği açısından belirgin bir avantaja sahiptir. Örneğin YOLO11m, daha az parametre (20.1M'ye karşı 23.43M) kullanırken ve TensorRT üzerinde önemli ölçüde daha hızlı çıkarım hızlarına (4.7ms'ye karşı 5.56ms) ulaşırken PP-YOLOE+m (49.8) modelinden daha yüksek bir mAP (51.5) elde eder. YOLO11 modellerinin hafif yapısı, hem model eğitimi hem de dağıtım sırasında doğal olarak daha düşük bellek gereksinimlerine dönüşür.

Eğitim Ekosistemi ve Kullanım Kolaylığı#

Bir modelin gerçek değeri genellikle geliştiricilerin onu özel bilgisayarlı görü veri kümelerinde ne kadar kolay eğitebildiğinde ve üretime ne kadar kolay dağıtabildiğinde yatar.

Ultralytics Avantajı#

Ultralytics, kolaylaştırılmış bir geliştirici deneyimine öncelik verir. YOLO11'in eğitimi, karmaşık şablon kodlarını soyutlayan basit bir Python API'si veya CLI üzerinden yönetilir. Ultralytics Platform bunu; kodsuz eğitim, otomatik veri kümesi yönetimi ve ONNX, CoreML ve TensorRT gibi formatlara tek tıklamayla dışa aktarma sağlayarak daha da geliştirir.

Ayrıca YOLO modelleri, tabanlı mimarilerin veya ağır yeniden parametrelendirilmiş modellerin tipik devasa VRAM ek yüklerinden kaçınarak eğitim sırasında son derece bellek verimlidir ve tüketici sınıfı donanımda eğitimi mümkün kılar.

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 çatı güçlü ve Baidu'nun endüstriyel çözümleriyle derin biçimde entegre olsa da geliştiricilerin belirli PaddlePaddle derin öğrenme çatısını benimsemesini gerektirir. Bu durum, PyTorch üzerinde zaten standartlaşmış ekipler için daha dik bir öğrenme eğrisi oluşturabilir. Ayrıca PP-YOLOE+ modellerini uç cihazlar için standart evrensel formatlara aktarmak, Ultralytics iş akışlarında bulunan yerel dışa aktarma işlem hatlarına kıyasla ek dönüştürme adımları gerektirebilir.

İdeal Kullanım Alanları#

Bu modeller arasındaki seçim, 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; standart CPU'larda gerçek zamanlı perakende envanter yönetimi, drone tabanlı hava görüntüsü analizi ve karmaşık çoklu görev işlem hatları gibi görevler için onu ideal hale getirir.
• Üretim işlem hattının tamamı zaten PaddlePaddle ekosistemine yoğun biçimde yatırım yapıyorsa veya bellek kısıtlamalarının ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışındaki) birincil endişeler olmadığı, üst düzey özel çıkarım sunucularına dağıtım yapıyorsan PP-YOLOE+'yı seç.

Yeni Nesil: YOLO26'yı Tanıtıyoruz#

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

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırır. Bu, çıkarımı önemli ölçüde hızlandırır ve dağıtım mantığını basitleştirir; bu mimari atılım ilk olarak YOLOv10 tarafından öncülük edilmiştir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: GPU'lara sahip olmayan uç cihazlar için özel olarak optimize edilmiştir ve daha düşük güç tüketen donanımlarda gerçek zamanlı performans sağlar.
• MuSGD Optimize Edicisi: LLM eğitim kararlılığından ilham alan bu SGD ve Muon hibriti, daha hızlı yakınsamayı ve daha kararlı eğitimi güvence altına alır.
• ProgLoss + STAL: Geliştirilmiş kayıp fonksiyonları, drone uygulamaları ve güvenlik gözetimi için kritik olan küçük nesne tanımayı büyük ölçüde iyileştirir.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, model dışa aktarmayı basitleştirir ve çok çeşitli uç cihazlar arasındaki uyumluluğu önemli ölçüde iyileştirir.

Hıza, sorunsuz dışa aktarmaya ve en yüksek doğruluğa öncelik veren yeni projeler için YOLO26'nın yeteneklerinden Ultralytics Platform aracılığıyla yararlanmanı önemle tavsiye ederiz.

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