YOLO26 ve PP-YOLOE+ karşılaştırması#

Bilgisayarlı görü alanı, gerçek zamanlı nesne tespiti modellerinde hızlı bir gelişime tanık oldu. En verimli görsel yapay zekâ modellerini dağıtmak isteyen makine öğrenimi mühendisleri ve araştırmacılar için Ultralytics YOLO26 ve PP-YOLOE+ gibi mimarileri karşılaştırmak kritik önem taşır. Bu kapsamlı kılavuz, mimarilerini, eğitim yöntemlerini, performans ölçütlerini ve gerçek dünyadaki ideal dağıtım senaryolarını derinlemesine inceliyor.

Model Kökenleri ve Meta Verileri#

Bu bilgisayarlı görü mimarilerinin geçmişini anlamak, tasarım yaklaşımlarını ve hedef ortamlarını bağlama oturtmaya yardımcı olur.

YOLO26'ya Genel Bakış

Ocak 2026'da piyasaya sürülen YOLO26, Ultralytics ekosisteminin zirvesini temsil ediyor. Daha küçük boyut, yerel uçtan uca işleme ve eşsiz hız sunan bu model, kesin uç yapay zekâ çözümü olarak tasarlandı.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics GitHub Deposu
• Belgeler: Resmî YOLO26 Belgeleri

PP-YOLOE+'a Genel Bakış

PP-YOLO serisinin gelişmiş bir sürümü olarak geliştirilen PP-YOLOE+, PaddlePaddle ekosistemi için kapsamlı biçimde optimize edilmiş, anchorsız bir dedektördür. Standart tespit ölçütlerini iyileştirmek için CSPRepResNet omurgasına ve ET-head'e dayanır.

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: PP-YOLOE+ Araştırma Makalesi
• GitHub: PaddleDetection Deposu
• Belgeler: PP-YOLOE+ Belgeleri

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Yenilikler#

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

YOLO26: NMS'siz yeni ufuk#

YOLO26, kolaylaştırılmış model dağıtımı için tasarlanmış birçok çığır açıcı mimari değişikliği sunuyor:

• Uçtan Uca, NMS'siz Tasarım: İlk olarak YOLOv10 ile tanıtılan kavramları temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığı (nms=False) sayesinde Maksimum Olmayan Bastırma (NMS) son işlemini atlar. Bu, gecikme değişkenliğini azaltır ve dağıtım işlem hatlarını büyük ölçüde basitleştirir.
• DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırıldığında model olağanüstü ölçüde hafifler ve TensorRT ile CoreML gibi biçimlere sorunsuzca aktarılabilir.
• MuSGD Optimizatörü: Moonshot AI'ın Kimi K2 modelinden ilham alan YOLO26, büyük dil modeli eğitimindeki yenilikleri bilgisayarlı görüye taşıyor. Hibrit MuSGD optimizatörü (SGD + Muon), eğitim dinamiklerinin son derece kararlı olmasını ve hızlı yakınsamayı sağlıyor.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlar. Böylece mimari, drone görüntüleri ve tarımsal uygulamalar için son derece etkili hâle gelir.

PP-YOLOE+: Paddle odaklı yaklaşım#

PP-YOLOE+, standart sunucu donanımlarında yüksek hassasiyete odaklanan, anchorsız bir paradigma kullanır. Özellik çıkarma yeteneklerini geliştiren RepResNet yapısına sahiptir. Ancak Baidu'nun derin öğrenme yığınında bulunan belirli işlemlere büyük ölçüde dayanması nedeniyle, ağı değiştirmek veya ağı yüksek ölçüde kısıtlı uç cihazlara aktarmak Ultralytics çerçevelerine kıyasla çok daha karmaşık olabilir.

Performans ve Metrik Karşılaştırması#

Gerçek dünyadaki çeşitli dağıtım senaryolarında hız ve doğruluk arasında güçlü bir performans dengesi kurmak çok önemlidir. PP-YOLOE+ rekabetçi bir doğruluk sunsa da YOLO26, özellikle CPU'larda çıkarım hızı ve daha düşük bellek kullanımı açısından sürekli olarak daha elverişli bir denge yakalar.

Belirli uç optimizasyonları ve DFL'nin kaldırılması sayesinde YOLO26, önceki sürümlerine kıyasla CPU çıkarımında %43'e kadar daha hızlıdır. Raspberry Pi gibi cihazlarda veya standart uç bilgi işlem birimlerinde dağıtıldığında PP-YOLOE+'ı açık ara geride bırakır.

Ultralytics Ekosisteminin Avantajı#

PP-YOLOE+ yetenekli bir model olsa da asıl farkı geliştirici deneyimi yaratır. Bütünleşik Ultralytics ekosistemi, görsel yapay zekâ alanında çalışanlara eşi benzeri olmayan bir ortam sunar.

1. Kullanım Kolaylığı: Ultralytics, kullanım sürecini kolaylaştırır. 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 yapısını kullanarak görüntü sınıflandırmayı, örnek segmentasyonunu, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.
3. Eğitim Verimliliği: Hazır önceden eğitilmiş ağırlıkların otomatik olarak indirilmesi ve gelişmiş veri artırma yöntemleriyle bir araya geldiğinde, geleneksel çerçevelere kıyasla daha az CUDA belleği ve zaman gerektiren verimli eğitim süreçleri sağlar.

Kod Örneği: Sadelik iş başında#

Aşağıdaki geçerli Python kodu, Ultralytics API'sini kullanarak bir yapay zekâ projesini başlatmanın ne kadar kolay olduğunu 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 zahmetsizce 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 Ekosistemiyle Entegrasyon: PaddlePaddle altyapısına derinlemesine bağlı projeler veya Baidu donanım ve yazılım yığınlarının zorunlu tutulduğu belirli Asya üretim ortamları.
• 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 CPU'da %43'e varan hız artışı, onu akıllı kameralar, dronlar ve düşük güçlü robotik sistemler için en iyi seçenek hâline getirir.
• Zaman Açısından Kritik Dağıtımlar: İsteğe bağlı NMS'siz çıkarım modu (nms=False), otonom sürüş araştırmaları ve yüksek hızlı üretim kalite kontrolü için kritik olan kararlı, son derece düşük gecikmeli çıkarım sunar.
• Çok Görevli Projeler: Bir proje; nesne tespiti, segmentasyon yoluyla hassas maskeleme veya poz tahmini yoluyla anahtar nokta takibini bir arada gerektirdiğinde, birleşik YOLO26 çerçevesi vazgeçilmezdir.

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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde 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 model yelpazesini değerlendiren kullanıcılara, binlerce üretim ortamında vazgeçilmez olmaya devam eden, önceki nesil Ultralytics modellerinin son derece güvenilir temsilcisi YOLO11 modelini de incelemelerini öneriyoruz. Ayrıca Transformer tabanlı mekanizmalara ihtiyaç duyan senaryolar için RT-DETR mimarisi ilgi çekici bir alternatif sunar; ancak eğitim sırasında daha fazla bellek gerektirir.

YOLO26; MuSGD optimizatöründen, ProgLoss + STAL yeteneklerinden ve isteğe bağlı NMS'siz çıkarımdan yararlanarak modern, ölçeklenebilir ve son derece verimli görsel yapay zekâ çözümlerinde ilk tercih olma konumunu pekiştiriyor.