YOLO11 ile PP-YOLOE+ Karşılaştırması: Gerçek Zamanlı Dedektörlerin Teknik Bir İncelemesi

Bilgisayarlı görü uygulamalarını üretime alırken en uygun sinir ağı mimarisini seçmek kritiktir. 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 bir performans sunuyor ancak doğruluk, çıkarım hızı ve geliştirici ekosistemiyle ilgili zorluklara oldukça farklı şekillerde yaklaşıyorlar.

Donanım kısıtlamalarınıza en uygun modeli belirlemenize yardımcı olmak için bu modellerin performans sınırlarını gösteren etkileşimli bir grafik aşağıdadır.

Model Kökenleri ve Teknik Geçmiş

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 rakipsiz kullanım kolaylığını dengelemeye öncelik veren, YOLO serisinin oldukça geliştirilmiş bir iterasyonunu temsil eder. Birleştirilmiş çoklu görev yetenekleri ve geliştirici dostu Python API'si ile geniş çapta tanınır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: YOLO11 Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edin

PP-YOLOE+ Detayları

PP-YOLOE+, PaddlePaddle çerçevesi üzerine inşa edilmiş, PP-YOLOv2'nin gelişmiş bir versiyonudur. Özellikle üst düzey GPU'larda doğruluk sınırlarını zorlamak için CSPRepResNet ana omurga ve Task Alignment Learning (TAL) gibi mimari değişiklikleri beraberinde getirir.

• Yazarlar: PaddlePaddle Yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Dokümanlar: PP-YOLOE+ Yapılandırma Dokümanları

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Farklılıklar

YOLO11 ve PP-YOLOE+'nın temel mimari tasarımları, bilgisayarlı görü dünyasındaki farklı önceliklerini yansıtır.

YOLO11, oldukça optimize edilmiş bir ana omurga ve çapasız (anchor-free) bir tespit başlığı üzerine inşa edilmiştir. Çok ölçekli özellikleri minimum hesaplama yüküyle yakalamak için C3k2 bloklarını ve Spatial Pyramid Pooling - Fast (SPPF) yapısını kullanır. Bu tasarım, kenar NPU'ları ve mobil CPU'lar gibi kaynak kısıtlı cihazlarda çıkarım gecikmesini azaltmak için oldukça avantajlıdır. Ayrıca YOLO11, kutudan çıktığı anda örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti işlemlerini destekleyerek çoklu görev öğrenme için yerel olarak tasarlanmıştır.

PP-YOLOE+, CSPRepResNet ana omurgasını ve verimli Görev Hizalı başlık (ET-head) yapısını tanıtır. Eğitim sırasında temsil kapasitesini artırmak için rep-parameterization tekniklerini yoğun bir şekilde kullanır ve çıkarım için bu parametreleri standart kıvrımlara (convolutions) dönüştürür. Bu, etkileyici bir ortalama Hassasiyet (mAP) sağlasa da, ortaya çıkan modeller parametre ve bellek kullanımı açısından daha ağır olma eğilimindedir; bu da onları hafif kenar cihazlarından ziyade sağlam sunucu GPU'larında dağıtım için daha uygun hale getirir.

Performans ve Kıyaslamalar

Performansı değerlendirirken doğruluk (mAP), farklı donanımlarda çıkarım hızı ve model verimliliğine (parametreler ve FLOP'lar) bakarız. Aşağıdaki tablo, en verimli veya en yüksek performanslı değerlerin kalın yazıldığı karşılaştırmalı metrikleri vurgulamaktadır.

Analiz

YOLO11, performans dengesi ve parametre verimliliğinde net bir avantaj sergiliyor. Örneğin, YOLO11m, PP-YOLOE+m (49.8) değerinden daha yüksek bir mAP (51.5) elde ederken, daha az parametre (23.43M yerine 20.1M) kullanıyor ve TensorRT üzerinde önemli ölçüde daha hızlı çıkarım hızları (5.56ms yerine 4.7ms) sağlıyor. YOLO11 modellerinin hafif yapısı, doğal olarak hem model eğitimi hem de dağıtım sırasında daha düşük bellek gereksinimlerine dönüşür.

Eğitim Ekosistemi ve Kullanım Kolaylığı

Bir modelin gerçek değeri, genellikle geliştiricilerin onu özel bilgisayarlı görü veri setleri üzerinde ne kadar kolay eğitebildiği ve üretime ne kadar hızlı dağıtabildiğinde yatar.

Ultralytics Avantajı

Ultralytics, modernleştirilmiş bir geliştirici deneyimine öncelik verir. YOLO11 eğitimi, karmaşık kod yığınlarını soyutlayan basit bir Python API'si veya CLI aracılığıyla yönetilir. Ultralytics Platformu bunu; kod gerektirmeyen eğitim, otomatik veri seti yönetimi ve ONNX, CoreML ve TensorRT gibi formatlara tek tıkla dışa aktarma sağlayarak daha da geliştirir.

Ayrıca YOLO modelleri, eğitim sırasında oldukça bellek verimlidir; transformer tabanlı mimarilerin veya ağır rep-parameterized modellerin tipik büyük VRAM yüklerinden kaçınarak tüketici sınıfı donanımda 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 olsa ve Baidu'nun endüstriyel çözümleriyle derinden bütünleşmiş olsa da, geliştiricilerin özel PaddlePaddle derin öğrenme çerçevesini benimsemelerini gerektirir. Bu, halihazırda PyTorch üzerinde standartlaşmış ekipler için daha dik bir öğrenme eğrisi yaratabilir. Ayrıca, PP-YOLOE+ modellerini uç cihazlar için standart evrensel formatlara aktarmak, Ultralytics iş akışlarında bulunan yerel dışa aktarma hatlarına kıyasla ek dönüştürme adımları gerektirebilir.

İdeal Kullanım Durumları

Bu modeller arasında seçim yapmak, özel dağıtım ortamına bağlıdır.

• YOLO11'i seç: Çevik geliştirme, uç bilişim ve mobil uygulamalar için. 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 boru hatları gibi görevler için idealdir.
• PP-YOLOE+'yı seç: Eğer tüm üretim hattınız zaten yoğun bir şekilde PaddlePaddle ekosistemine yatırım yapmışsa veya bellek kısıtlamaları ve donanım uyumluluğunun (Paddle'ın optimize edilmiş donanımı dışında) birincil endişe olmadığı, üst düzey özel çıkarım sunucularına dağıtım yapıyorsanız.

Yeni Nesil: YOLO26 ile Tanışın

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

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayanı Bastırma (NMS) sonrası işlemeye ihtiyaç duymaz. Bu, çıkarımı önemli ölçüde hızlandırır ve dağıtım mantığını basitleştirir; bu, ilk olarak YOLOv10'da öncülük edilen bir mimari sıçramadır.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Özellikle GPU'su olmayan uç cihazlar için optimize edilmiştir, düşük güç tüketen donanımlarda gerçek zamanlı performans sağlar.
• MuSGD Optimize Edici: LLM eğitim kararlılığından esinlenen bu SGD ve Muon melezi, daha hızlı yakınsama ve daha kararlı bir eğitim sağlar.
• ProgLoss + STAL: İyileştirilmiş kayıp fonksiyonları, drone uygulamaları ve güvenlik gözetimi için kritik olan küçük nesne tanımayı önemli ölçüde geliştirir.
• DFL Kaldırılması: Distribution Focal Loss'un kaldırılması, model dışa aktarmayı basitleştirir ve çok çeşitli uç cihazlarda uyumluluğu önemli ölçüde artırır.

Hıza, sorunsuz dışa aktarmaya ve maksimum doğruluğa öncelik veren yeni projeler için, YOLO26'nın yeteneklerinden Ultralytics Platformu aracılığıyla yararlanmanızı şiddetle tavsiye ederiz.

Başka mimarileri değerlendiriyorsanız, YOLO11 ile RT-DETR karşılaştırması yapmak veya eski YOLOv8 modelinin modern kıyaslamalarda nasıl bir performans sergilediğini keşfetmek ilginizi çekebilir.