Ultralytics YOLO26 ve PP-YOLOE+: Teknik Bir Karşılaştırma
Gerçek zamanlı nesne algılama alanı, araştırmacıların ve mühendislerin doğruluk, hız ve dağıtım kolaylığı arasında optimum dengeyi sağlamaya çalıştığı sürekli gelişen bir alandır. Bu alandaki iki önde gelen model Ultralytics YOLO26 ve PP-YOLOE+'dır. Her iki model de bilgisayar görüşünde önemli ilerlemeleri temsil etse de, farklı ekosistem ihtiyaçlarına ve mimari felsefelere hitap etmektedir.
Bu kılavuz, mimarilerini, performans metriklerini ve gerçek dünya uygulamalarına uygunluklarını inceleyerek kapsamlı bir teknik karşılaştırma sunar. YOLO26'nın modern yeniliklerinin PP-YOLOE+'nın yerleşik çerçevesiyle nasıl tezat oluşturduğunu inceleyeceğiz.
Modele Genel Bakış ve Kökenleri
Bu modellerin soy ağacını anlamak, tasarım hedeflerini ve hedeflenen kullanıcı tabanını netleştirmeye yardımcı olur.
Ultralytics YOLO26
Ocak 2026'da Glenn Jocher ve Jing Qiu tarafından Ultralytics'te yayınlanan YOLO26, ünlü YOLO serisinin en son evrimini temsil etmektedir. Yerel uçtan uca verimliliğe odaklanarak özellikle uç ve düşük güçlü cihazlar için tasarlanmıştır.
Temel yenilikler arasında akıcı çıkarım için NMS'nin kaldırılması, MuSGD optimize edicinin (Moonshot AI'nin Kimi K2'sinden esinlenilmiştir) tanıtılması ve Distribution Focal Loss (DFL) gibi önemli mimari basitleştirmeler yer almaktadır. Bu değişiklikler, doğruluktan ödün vermeden hız ve basitlik arayan geliştiriciler için onu sağlam bir seçenek haline getirir.
YOLO26 hakkında daha fazla bilgi edinin
PP-YOLOE+
PP-YOLOE+, Baidu'daki PaddlePaddle ekibi tarafından geliştirilen PP-YOLOE'nin yükseltilmiş bir versiyonudur. Nisan 2022 civarında yayınlanan bu sürüm, PaddlePaddle derin öğrenme çerçevesi üzerine inşa edilmiştir. CSPRepResStage backbone'unu iyileştirmeye ve TAL (Task Alignment Learning) olarak bilinen dinamik bir etiket atama stratejisi kullanmaya odaklanır. Son derece yetenekli olmasına rağmen, PaddlePaddle ekosistemiyle sıkı bir şekilde bağlantılıdır; bu durum, PyTorch veya diğer çerçevelere alışkın kullanıcılar için dağıtım tercihlerini etkileyebilir.
Mimari ve Tasarım Felsefesi
Bu iki model arasındaki temel farklar, etiket atama, ön işleme ve eğitim optimizasyonunu nasıl ele aldıklarında yatmaktadır.
YOLO26: Uçtan Uca Devrim
YOLO26 belirgin bir şekilde uçtan uca bir yapıya sahiptir; yani ayrı bir NMS ön işleme adımı gerektirmeden nihai tahminleri doğrudan ağdan üretir. YOLOv10'da öncülük edilen bu tasarım tercihi, NMS eşiklerini ayarlamayla ilişkili gecikmeyi ve karmaşıklığı ortadan kaldırır.
- DFL Kaldırılması: Distribution Focal Loss'u kaldırarak YOLO26, model grafiğini basitleştirir ve ONNX ile TensorRT gibi dışa aktarma formatlarını çok daha temiz ve uç donanımla daha uyumlu hale getirir.
- MuSGD Optimize Edici: SGD ve Muon'un bir hibriti olan bu optimize edici, LLM eğitiminde görülen kararlılık iyileştirmelerini bilgisayar görüşüne taşıyarak daha hızlı yakınsama sağlar.
- Küçük Nesne Odaklılığı: ProgLoss ve Small-Target-Aware Label Assignment (STAL) gibi özellikler, özellikle küçük nesne algılamadaki iyileştirmeleri hedefler ve hava görüntüleme ile drone uygulamaları için kritik öneme sahiptir.
PP-YOLOE+: Gelişmiş Anchor'suz Detect
PP-YOLOE+, ankorsuz bir paradigma izler ancak YOLO26'nın uçtan uca yaklaşımına kıyasla daha geleneksel bir ön işleme hattına dayanır.
- Backbone: Rep-vgg tarzı blokları CSP (Cross Stage Partial) bağlantılarıyla birleştiren bir CSPRepResStage backbone'u kullanır.
- Etiket Atama: Sınıflandırma skorunu ve lokalizasyon kalitesini dinamik olarak hizalayan Task Alignment Learning (TAL) kullanır.
- Odak: "Plus" versiyonu, genellikle Objects365 üzerinde daha iyi önceden eğitilmiş ağırlıklarla başlatarak eğitim hızı ve yakınsamadaki iyileştirmelere odaklanır.
Neden Uçtan Uca Yaklaşım Önemlidir
Uç dağıtımlar için her milisaniye önemlidir. Uçtan uca NMS'siz tasarım, model çıktısının anında kullanıma hazır olduğu anlamına gelir. Binlerce aday kutunun CPU yoğun sıralanması ve filtrelenmesine gerek yoktur; bu, Raspberry Pi gibi sınırlı donanımlarda çalışan geleneksel dedektörlerde yaygın bir darboğazdır.
Performans Metrikleri Karşılaştırması
Aşağıdaki tablo, COCO veri kümesinde YOLO26 ve PP-YOLOE+'nın performansını karşılaştırmaktadır. YOLO26, özellikle parametre sayısı ve çıkarım hızında üstün verimlilik sergileyerek modern donanım için optimizasyonunu vurgular.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
Önemli Çıkarımlar:
- Verimlilik: YOLO26n, PP-YOLOE+t'den (39.9 mAP) daha yüksek doğruluk (40.9 mAP) elde ederken, yaklaşık yarısı kadar parametre (2.4M'ye karşı 4.85M) ve dörtte biri kadar FLOPs (5.4B'ye karşı 19.15B) kullanır.
- Hız: YOLO26, GPU çıkarımında (T4 TensorRT) önemli ölçüde daha hızlıdır; nano model, eşdeğer PP-YOLOE+ modelinin 2.84ms'sine kıyasla 1.7ms'de çalışır.
- CPU Optimizasyonu: YOLO26, CPU'lar için açıkça optimize edilmiştir ve %43'e kadar daha hızlı çıkarım yapabilir, bu da onu özel hızlandırıcılardan yoksun cihazlar için ideal kılar.
Eğitim ve Ekosistem
Geliştirici deneyimi sadece model mimarisiyle değil, aynı zamanda onu çevreleyen araçlarla da tanımlanır.
Ultralytics ile Kullanım Kolaylığı
Ultralytics, sorunsuz bir kullanıcı deneyimine öncelik verir. YOLO26, algılama, segmentasyon, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteği sunan birleşik bir Python paketine entegre edilmiştir.
Geliştiriciler, sezgisel CLI veya Python API ile saniyeler içinde eğitime başlayabilir:
from ultralytics import YOLO
# Load the YOLO26s model
model = YOLO("yolo26s.pt")
# Train on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
Bu ekosistem, zahmetsiz dağıtıma kadar uzanır. Bu export modu, gibi formatlara dönüştürmeyi destekler OpenVINO, CoreMLve TensorRT tek bir komutla.
PP-YOLOE+ ve PaddlePaddle
PP-YOLOE+, PaddlePaddle çerçevesine derinlemesine entegre edilmiştir. Güçlü olmasına rağmen, kullanıcılar Baidu ekosisteminde değillerse genellikle daha zorlu bir öğrenme eğrisiyle karşılaşırlar. Eğitim genellikle karmaşık yaml dosyalarını yapılandırmayı ve belirli PaddleDetection komut dosyalarını kullanmayı içerir. Modelleri Paddle dışı çıkarım motorlarına taşımak bazen ek dönüştürme adımları gerektirebilir (örn. Paddle'dan ONNX'e, oradan da TensorRT'ye).
Kullanım Alanları ve Uygulamalar
YOLO26 İçin İdeal Senaryolar
- Uç Yapay Zeka ve IoT: Düşük FLOPs değeri ve kaldırılan DFL sayesinde YOLO26, Raspberry Pi veya NVIDIA Jetson gibi cihazlarda üstün performans gösterir.
- Gerçek Zamanlı Video Analizi: Yüksek çıkarım hızı, kare hızlarının kritik olduğu trafik izleme veya güvenlik gözetimi için mükemmeldir.
- Hava ve Drone Görüntüleri: STAL ve ProgLoss fonksiyonları, yüksek irtifalardan küçük nesneleri detect etmede belirgin bir avantaj sağlar.
- Çok Görevli Gereksinimler: Tespitin yanı sıra poz tahmini veya örnek segmentasyonu gerektiren projeler aynı API ve model ailesini kullanabilir.
PP-YOLOE+ için İdeal Senaryolar
- Veri Merkezi Dağıtımları: Büyük GPU kümelerinin mevcut olduğu ve ham parametre verimliliğinin belirli mimari tercihlerden daha az kritik olduğu senaryolar için.
- PaddlePaddle Eski Sistemleri: PaddlePaddle altyapısına zaten yoğun yatırım yapmış kuruluşlar, çerçeve değiştirmek yerine PP-YOLOE+'ya yükseltmeyi daha kolay bulacaktır.
Sonuç
PP-YOLOE+ yetkin bir detector olmaya devam ederken, Ultralytics YOLO26, bilgisayar görüşü uygulamalarının büyük çoğunluğu için daha modern, verimli ve kullanıcı dostu bir çözüm sunar. Uçtan uca NMS içermeyen tasarımı, son teknoloji doğruluk ve minimum kaynak kullanımıyla birleştiğinde, 2026'da sağlam yapay zeka çözümleri dağıtmak isteyen geliştiriciler için üstün bir seçenek olarak konumlandırılır.
Ultralytics ekosistemiyle sorunsuz entegrasyon, veri etiketlemeden dağıtıma kadar iş akışının sorunsuz ve üretken kalmasını sağlar.
Daha Fazla Okuma
Diğer seçenekleri veya önceki nesilleri keşfetmek isteyenler için şu belgeleri inceleyin:
- YOLO11 - Önceki son teknoloji model.
- YOLOv10 - Uçtan uca gerçek zamanlı nesne tespitinin öncüsü.
- RT-DETR - Yüksek doğruluk sunan transformatör tabanlı bir detector.