Başla

YOLO26 ve PP-YOLOE+ karşılaştırması

Gerçek zamanlı nesne tespit modelleri hızla gelişti; dağıtım için model seçen mühendislerin hız, doğruluk ve araçları karşılaştırması gerekiyor. Bu sayfa, Ultralytics YOLO26 ile PP-YOLOE+ modellerini mimarileri, eğitim yöntemleri, performans ölçütleri ve gerçek dünyadaki ideal dağıtım senaryoları bakımından karşılaştırır.

Model Kökenleri ve Meta Verileri#

Bu nesne tespit mimarilerinin geçmişini anlamak, tasarım yaklaşımlarını ve hedef ortamlarını bağlama oturtmaya yardımcı olur.

YOLO26'ya Genel Bakış

Ocak 2026'da yayımlanan YOLO26, en yeni Ultralytics YOLO modelidir ve yeni projeler için önerilen seçenektir. Küçük ayak izi, isteğe bağlı uçtan uca çıkarım ve yüksek CPU ve GPU hızlarıyla uç yapay zekâ dağıtımı için tasarlanmıştır.

PP-YOLOE+'a Genel Bakış

PP-YOLO serisinin devamı olarak geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi için optimize edilmiş çapasız bir tespit modelidir. Standart tespit ölçütlerini iyileştirmek için CSPRepResNet omurgasına ve ET başlığına dayanır.

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Yenilikler#

Bu modellerin görsel verileri işleme biçimlerindeki farklılıklar bellek gereksinimlerini, eğitim kararlılığını ve çıkarım gecikmesini etkiler.

YOLO26: Yerel Uçtan Uca Tespit#

YOLO26, daha kolay model dağıtımı için tasarlanmış çeşitli mimari değişiklikler sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile ilk kez sunulan kavramları temel alan YOLO26, isteğe bağlı bire bir başlığıyla (nms=False) Maksimum Olmayan Bastırma (NMS) işlem sonrası adımını atlayan yerel uçtan uca çıkarımı destekler. Bu, gecikme değişkenliğini azaltır ve dağıtım işlem hatlarını basitleştirir.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kaybı'nın (DFL) kaldırılması tespit başlığını basitleştirir ve TensorRT ile CoreML gibi biçimlere dışa aktarmayı kolaylaştırır.
  • MuSGD Optimize Edici: Moonshot AI'nin Kimi K2 modelinden esinlenen YOLO26, LLM eğitimi yeniliklerini bilgisayarlı görüye taşır. SGD ve Muon melezi olan MuSGD optimize edicisi, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), küçük nesnelerin tanınmasını iyileştirerek mimariyi drone görüntüleri ve tarım uygulamaları için etkili kılar.

PP-YOLOE+: Paddle odaklı yaklaşım#

PP-YOLOE+, standart sunucu donanımlarında yüksek doğruluğa odaklanan çapasız bir tasarım kullanır. CSPRepResNet omurgası özellik çıkarımını iyileştirir. Ancak Baidu'nun derin öğrenme yığınına özgü işlemlere dayanması nedeniyle ağı değiştirmek veya kısıtlı uç cihazlar için dışa aktarmak, Ultralytics çerçevelerine kıyasla daha karmaşık olabilir.

Performans ve Metrik Karşılaştırması#

PP-YOLOE+ rekabetçi doğruluk sunar, ancak aşağıdaki tablodaki her boyutta YOLO26 daha düşük T4 TensorRT gecikmesiyle daha yüksek mAP değerine ulaşır; örneğin x modellerinde 57.5'e karşı 54.7 mAP ve 11.8'e karşı 14.3 ms.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Uç optimizasyonları ve DFL'nin kaldırılması, YOLO26n'i CPU'da YOLO11n'den %43'e kadar daha hızlı hâle getirir. PP-YOLOE+ CPU ONNX hızları burada raporlanmadığından, her iki modeli de Raspberry Pi veya başka bir uç bilgi işlem birimi gibi hedef cihazında kıyasla.

Bellek Verimliliği

Model mimarilerini karşılaştırırken Ultralytics YOLO modellerinin eğitim sırasında genellikle Transformer tabanlı modellerden daha az bellek kullandığını unutma; bu, onları tüketici sınıfı GPU'larda prototip oluşturmak için elverişli kılar.

Ultralytics Ekosisteminin Avantajı#

PP-YOLOE+ yetenekli bir modeldir, ancak geliştirici deneyimi önemli ölçüde farklıdır. Entegre Ultralytics ekosistemi, görsel yapay zekâ alanında çalışanların tüm iş akışını kapsar.

  1. Kullanım Kolaylığı: Basit bir Python API'si, kapsamlı ve etkin biçimde sürdürülen belgelerle desteklenerek veri işlem hatlarının ve eğitim döngülerinin karmaşıklığını soyutlar.
  2. Çok Yönlülük: Öncelikli olarak nesne tespitine odaklanan PP-YOLOE+'ın aksine YOLO26, aynı API ile örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.
  3. Eğitim Verimliliği: Önceden eğitilmiş ağırlıklar otomatik olarak indirilir ve yerleşik artırmalar, eski çerçevelere kıyasla genellikle daha az CUDA belleği ve zaman gerektiren verimli eğitimi destekler.

Kod Örneği: Sadelik iş başında#

Aşağıdaki örnek, Ultralytics API'siyle bir projeye nasıl başlayacağını gösteriyor:

from ultralytics import YOLO

# Uç cihazlarda en iyi performans için önceden eğitilmiş bir YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Hedef görüntü üzerinde NMS'siz çıkarım yap
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Gerçek Dünyadaki İdeal Uygulamalar#

YOLO26 ile PP-YOLOE+ arasındaki seçim büyük ölçüde üretim ortamının kısıtlarına bağlıdır.

PP-YOLOE+'ı ne zaman dağıtmalı:

  • Baidu Ekosistemi Entegrasyonu: PaddlePaddle altyapısı üzerinde geliştirilen projeler veya Baidu'nun yazılım yığınını standart olarak kullanan ortamlar.
  • Sunucu Tarafında Toplu İşleme: NMS kaynaklı gecikme dalgalanmalarının daha az önem taşıdığı kurumsal sınıfı donanımlarda çalışan senaryolar.

YOLO26'yı ne zaman dağıtmalı:

  • Uç Cihazlar ve IoT: YOLO26'nın daha yüksek CPU hızları, onu akıllı kameralar, dronlar ve düşük güç tüketimli robotik uygulamaları için uygun kılar.
  • Zamanın Kritik Olduğu Dağıtımlar: İsteğe bağlı NMS'siz çıkarım modu (nms=False), otonom sürüş araştırmaları ve yüksek hızlı üretim kalite kontrolü için önemli olan kararlı, düşük gecikmeli çıkarım sağlar.
  • Çok Görevli Projeler: Bir proje nesne tespitini poz tahmininden elde edilen segmentasyon maskeleri veya kilit noktalarla birleştirdiğinde, YOLO26'nın birleşik çerçevesi bunların tümünü işler.

Kullanım Alanları ve Öneriler#

YOLO26 ile PP-YOLOE+ arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlarda güçlü bir seçenektir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Tespiti: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu artırdığı, havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlarda önerilir:

  • PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
  • Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
  • Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

Diğer Mimarileri İnceleme#

Daha geniş bir bakış için, Ultralytics modellerinin önceki nesli olan ve üretimde hâlâ yaygın kullanılan YOLO11 modelini değerlendirebilirsin. Transformer tabanlı tespit için RT-DETR bir alternatiftir, ancak eğitim sırasında daha fazla bellek gerektirir.

MuSGD optimize edicisi, ProgLoss + STAL ve isteğe bağlı NMS'siz çıkarımıyla YOLO26, ölçeklenebilir ve verimli görsel yapay zekâ çözümleri için önerilen seçenektir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.