YOLO11 vs PP-YOLOE+: Detaylı Bir Teknik Karşılaştırma

En uygun nesne algılama mimarisinin seçilmesi, bilgisayarla görme projelerinin hızını, doğruluğunu ve dağıtım fizibilitesini etkileyen çok önemli bir karardır. Bu kılavuz, aşağıdakiler arasında derinlemesine bir teknik karşılaştırma sağlar Ultralytics YOLO11Ultralytics'in en son teknoloji ürünü modeli ve Baidu'nun PaddlePaddle ekosisteminden sağlam bir dedektör olan PP-YOLOE+. Her iki model de yüksek performans sunarken, YOLO11 olağanüstü hesaplama verimliliği, sorunsuz PyTorch entegrasyonu ve araştırmacılar ve mühendisler için geliştirmeyi hızlandırmak üzere tasarlanmış kapsamlı bir ekosistem ile öne çıkıyor.

Ultralytics YOLO11: Verimlilik Çok Yönlülükle Buluşuyor

YOLO11 , Ultralytics tarafından gerçek zamanlı nesne algılamanın sınırlarını zorlamak için piyasaya sürülen ünlü YOLO (You Only Look Once) serisinin en yeni evrimini temsil ediyor. Glenn Jocher ve Jing Qiu tarafından tasarlanan bu model, önemli ölçüde azaltılmış hesaplama yükü ile üstün doğruluk sağlamak için çapasız mimariyi geliştirmektedir.

Yazarlar: Glenn Jocher, Jing Qiu
Organizasyon:Ultralytics
Tarih: 2024-09-27
GitHubultralytics
Docsultralytics yolo11

Mimari ve Temel Güçlü Yönler

YOLO11 , özellik çıkarma ve birleştirme işlemlerini optimize eden modern bir ağ tasarımı kullanır. Önceden tanımlanmış kutulara dayanan geleneksel çapa tabanlı dedektörlerin aksine, YOLO11 nesne merkezlerini ve ölçeklerini doğrudan tahmin eder. Bu yaklaşım, model kafasını basitleştirir ve ayarlama için gereken hiperparametre sayısını azaltır.

Modelin mimarisi son derece çok yönlüdür ve basit algılamanın ötesinde çok çeşitli bilgisayarla görme görevlerini destekler. Örnek segmentasyonu, poz tahmini, görüntü sınıflandırması ve yönlendirilmiş sınırlayıcı kutuları (OBB) tek bir birleşik çerçeve içinde yerel olarak ele alır.

Geliştirici Deneyimi

YOLO11'in en önemli avantajlarından biri de ultralytics Python paketi. Bu, eğitim, doğrulama ve dağıtım için tutarlı bir API sağlayarak geliştiricilerin görevler arasında geçiş yapmasına veya modelleri aşağıdaki gibi formatlara aktarmasına olanak tanır ONNX ve TensorRT tek bir kod satırı ile.

Temel Avantajlar

Üstün Performans Dengesi: YOLO11 , aşağıdakiler arasında sektör lideri bir denge sağlar mAP ve çıkarım gecikmesi, onu uç cihazlardaki gerçek zamanlı uygulamalar için uygun hale getirir.
Hesaplama Verimliliği: Model, PP-YOLOE+ gibi rakiplere kıyasla daha az parametre ve FLOP (Kayan Nokta İşlemleri) gerektirir, bu da daha hızlı yürütme ve daha düşük enerji tüketimi sağlar.
Düşük Bellek Ayak İzi: Verimli bellek kullanımı için optimize edilen YOLO11 , daha hızlı çalışır ve kaynak ağırlıklı transformatör modellerinden farklı olarak sınırlı VRAM'e sahip donanımlarda çalışabilir.
Sağlam Ekosistem: Kullanıcılar aktif bakım, kapsamlı dokümantasyon ve topluluk desteğinden yararlanarak kurumsal projeler için uzun vadeli uygulanabilirlik sağlar.

YOLO11 hakkında daha fazla bilgi edinin

PP-YOLOE+: PaddlePaddle Ekosisteminde Yüksek Hassasiyet

PP-YOLOE+, Baidu araştırmacıları tarafından geliştirilen YOLO serisinin bir evrimidir. 2022 yılında piyasaya sürülen PaddleDetection araç setinin bir parçasıdır ve PaddlePaddle derin öğrenme çerçevesi içinde verimli bir şekilde çalışmak üzere tasarlanmıştır.

Yazarlar: PaddlePaddle Yazarlar
Organizasyon:Baidu
Tarih: 2022-04-02
ArXivPaddlePaddle
GitHub:https://github.com/PaddlePaddle/PaddleDetection
Dokümanlar:PaddleDetection Dokümantasyon

Mimari ve Özellikler

PP-YOLOE+ bir CSPRepResNet backbone ve verimli bir görev hizalamalı kafa (ET-Head) kullanır. Görev Hizalama Öğrenimi (TAL) aracılığıyla dinamik etiket ataması içerir ve nesne sınıflandırmasının kalitesini artırmak için Varifocal Loss kullanır. Model, dağıtım için TensorRT entegrasyonundan yararlanılarak PaddlePaddle çıkarım motoru için özel olarak optimize edilmiştir.

Güçlü Yönler ve Sınırlamalar

PP-YOLOE+ aşağıdaki gibi kıyaslamalarda rekabetçi doğruluk sağlarken COCOÇerçeve bağımlılığı nedeniyle benimsenme engelleriyle karşılaşmaktadır. Küresel araştırma topluluğunun çoğu PyTorchBu da PaddlePaddle 'a geçişi bir sürtünme kaynağı haline getirmektedir. Ayrıca PP-YOLOE+ modelleri, YOLO11 gibi daha yeni mimarilerin doğruluğunu yakalamak için genellikle daha yüksek parametre sayıları gerektirmekte ve bu da hem eğitim hem de çıkarım sırasında hesaplama maliyetlerinin artmasına neden olmaktadır.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans Analizi: Verimlilik ve Hız

Performans ölçütlerinin doğrudan karşılaştırılması, YOLO11 'in son teknoloji ürünü doğruluğu korurken verimlilik ve hız açısından PP-YOLOE+'dan sürekli olarak daha iyi performans gösterdiğini ortaya koymaktadır.

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

Kritik Gözlemler

Verimlilik Baskınlığı: YOLO11 'in parametre verimliliği çarpıcıdır. Örneğin, YOLO11x, PP-YOLOE+x ile karşılaştırıldığında 54,7 mAP 'lik bir eşleşme elde eder, ancak bunu 98,42M'ye karşılık yalnızca 56,9M parametre ile yapar. Bu da YOLO11x'in kabaca %42 daha küçük olduğu ve depolama alanı kısıtlı cihazlarda daha kolay kullanılabileceği anlamına gelir.
Çıkarım Hızı: Gerçek dünya dağıtım senaryolarında hız kritik öneme sahiptir. YOLO11n, T4 GPU'da 1,5 ms 'lik inanılmaz bir çıkarım süresi sağlar ve karşılaştırılabilir PP-YOLOE+t'nin 2,84 ms'sinden önemli ölçüde daha hızlıdır. Bu hız avantajı, otonom araçlar ve robotik gibi uygulamalarda daha yüksek kare hızında işleme olanağı sağlar.
CPU Performansı: YOLO11 için optimize edilmiş CPU kıyaslamalarının mevcudiyeti, esnekliğini vurgulamaktadır. YOLO11n ile CPU 'da 56,1 ms'ye ulaşmak, rakip çerçevelerde genellikle eksik veya daha az optimize edilmiş bir metrik olan özel GPU hızlandırması olmadan bile uygulanabilir gerçek zamanlı uygulamalar sağlar.

Gerçek Dünya Kullanım Durumları

YOLO11 'in mimari avantajları, çeşitli endüstriler için doğrudan faydaya dönüşür.

Akıllı Şehir Altyapısı: YOLO11 'in yüksek verimi, daha az sunucu kullanarak birden fazla kamera akışında gerçek zamanlı trafik izleme ve tıkanıklık analizini destekler.
Endüstriyel Üretim: Düşük gecikme sürelerinde üstün doğruluk sağlayan YOLO11 , yüksek hızlı montaj hatlarında kalite kontrol ve hata tespitinde üstündür.
Perakende Analitiği: Modelin nesne sayma ve ısı haritası oluşturma işlemlerini verimli bir şekilde gerçekleştirme yeteneği, perakendecilerin mağaza düzenlerini ve envanter yönetimini optimize etmelerine yardımcı olur.
Sağlık Hizmeti Görüntüleme: Segmentasyon gerçekleştirme çok yönlülüğü, tümörleri tanımlama veya hücre yapılarını analiz etme gibi hassas tıbbi görüntü analizine yardımcı olur.

Eğitim ve Ekosistem Entegrasyonu

Önemli bir farklılaştırıcı, geliştiricilerin modelleri eğitme ve dağıtma kolaylığıdır. Ultralytics ekosistemi, kullanıcı yolculuğunu basitleştirmek üzerine inşa edilmiştir.

Kolaylaştırılmış İş Akışı

Bir YOLO11 modelini özel bir veri kümesi üzerinde eğitmek için minimum kod gerekir. Çerçeve, veri artırma, hiperparametre evrimi ve çoklu GPU eğitimi gibi karmaşık görevleri otomatik olarak ele alır.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Buna karşılık, PP-YOLOE+ kullanmak genellikle PaddlePaddle ekosisteminin karmaşıklıklarında, yapılandırma dosyalarında ve orijinal veri hattı PyTorch ise potansiyel dönüştürme komut dosyalarında gezinmeyi gerektirir.

Dağıtım Esnekliği

Ultralytics , ONNX, OpenVINO, CoreML ve TFLite dahil olmak üzere çok çeşitli formatlar için yerleşik dışa aktarma modları sağlar. Bu, bir kez eğitilen bir modelin NVIDIA Jetson edge cihazından iOS akıllı telefona veya bir bulut API'sine kadar her yere dağıtılabilmesini sağlar.

Sonuç

PP-YOLOE+ ise Baidu'nun ekosistemi bağlamında yetenekli bir model olmaya devam ediyor, Ultralytics YOLO11 daha geniş bilgisayarla görme topluluğu için üstün bir seçim olarak öne çıkıyor. Önemli ölçüde daha düşük parametre sayıları, daha yüksek çıkarım hızları ve PyTorch kullanılabilirlik kombinasyonu, giriş engellerini ortadan kaldırır ve pazara sunma süresini hızlandırır.

YOLO11 , son teknoloji performansı kullanım kolaylığıyla dengeleyen, geleceğe dönük bir çözüm arayan geliştiriciler için yeni nesil yapay zeka uygulamaları oluşturmaya yönelik sağlam, çok yönlü ve yüksek verimli bir platform sunuyor.

Diğer Modelleri İnceleyin

Ultralytics ekosistemindeki diğer mimarileri keşfetmekle ilgileniyorsanız, bu karşılaştırmaları göz önünde bulundurun: