YOLOv10 PP-YOLOE+: Gerçek Zamanlı Algılama Mimarilerinin Teknik Karşılaştırması
Hızla gelişen bilgisayar görme alanında, çıkarım hızı ve algılama doğruluğu arasında optimum dengeyi bulma arayışı sürekli yenilikleri beraberinde getiriyor. Bu konuyu şekillendiren iki önemli mimari şunlardır YOLOv10, uçtan uca algılamada akademik bir atılım olan YOLOv10 ve PaddlePaddle için optimize edilmiş endüstriyel düzeyde bir algılayıcı olan PP-YOLOE+'dır. Bu analiz, araştırmacıların ve mühendislerin belirli nesne algılama görevleri için doğru aracı seçmelerine yardımcı olmak amacıyla teknik özellikleri, mimari farklılıkları ve performans ölçütleri hakkında derinlemesine bilgi vermektedir.
Performans Metrikleri ve Kıyaslamalar
Aşağıdaki tablo, çeşitli model ölçeklerinde YOLOv10 PP-YOLOE+'nın performansını karşılaştırmaktadır. Metrikler, Ortalama Hassasiyet (mAP) ve COCO arım gecikmesine odaklanarak parametre verimliliği ve ham verimlilik arasındaki dengeleri vurgulamaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
YOLOv10: Uçtan Uca Evrim
YOLOv10 , NMS eğitimi tanıtarak YOLO bir paradigma değişikliğini temsil eder. Çakışan sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) yöntemine dayanan geleneksel dedektörlerin aksine, YOLOv10 tutarlı bir çift atama stratejisi YOLOv10 . Bu, modelin nesne başına tek bir en iyi kutuyu doğrudan tahmin etmesini sağlar ve böylece çıkarım gecikmesini ve dağıtım karmaşıklığını önemli ölçüde azaltır.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
- Kuruluş:Tsinghua Üniversitesi
- Tarih: 2024-05-23
- Arxiv:https://arxiv.org/abs/2405.14458
- GitHub:https://github.com/THU-MIG/yolov10
YOLOv10 hakkında daha fazla bilgi edinin.
Temel Mimari Özellikler
- NMS Eğitim:YOLOv10 , eğitim sırasında zengin denetim için bir-çok ve çıkarım için bir-bir olmak üzere çift etiket atamalarını kullanarak NMS gerekliliğiniYOLOv10 . NMS sonrası işleme ihtiyacını ortadan kaldırır.
- Verimlilik ve Doğruluk Odaklı Tasarım: Mimari, hesaplama verimliliğini en üst düzeye çıkarmak için hafif bir sınıflandırma kafası, uzamsal kanal ayrıştırılmış aşağı örnekleme ve sıralama kılavuzlu blok tasarımına sahiptir.
- Bütünsel Optimizasyon: Model, büyük çekirdekli konvolüsyonlar ve kısmi öz-dikkat modülleri içerir ve böylece ağır hesaplama maliyetlerine yol açmadan alıcı alanları geliştirir.
Dağıtım Kolaylığı
NMS kaldırılması, uç dağıtım için önemli bir NMS . NMS , matris çarpımı için optimize edilmiş ancak sıralama ve mantıksal filtreleme konusunda zorluk çeken FPGA veya NPU gibi donanım hızlandırıcılarında sıklıkla darboğazlara neden olur.
PP-YOLOE+: Endüstri Standardı
PP-YOLOE+, Baidu tarafından PaddlePaddle bir parçası olarak geliştirilen PP-YOLOE'nin bir evrimidir. Pratik endüstriyel uygulamalara yoğun bir şekilde odaklanarak, ankrajsız mekanizmayı iyileştirir ve güçlü bir backbone boyun yapısı sunar. Özellikle PaddleLite ile kullanıldığında, çeşitli donanım arka uçlarıyla yüksek uyumluluk sağlayacak şekilde tasarlanmıştır.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş:Baidu
- Tarih: 2022-04-02
- Arxiv:https://arxiv.org/abs/2203.16250
- GitHub:https://github.com/PaddlePaddle/PaddleDetection/
Temel Mimari Özellikler
- CSPRepResNet Backbone: Bu backbone , kalıntı bağlantıların avantajlarını CSP (Cross Stage Partial) ağlarının verimliliği ile backbone güçlü özellik çıkarma yetenekleri sunar.
- ET-Head: Verimli Görev Odaklı Başlık, sınıflandırma ve konum belirleme kalitesini birleştirerek, yüksek güvenilirlikli algılamaların aynı zamanda hassas sınırlayıcı kutulara sahip olmasını sağlar.
- Dinamik Etiket Atama: TAL (Görev Hizalama Öğrenimi) kullanarak eğitim sırasında etiketleri dinamik olarak atar, böylece yakınsama hızını ve nihai doğruluğu artırır.
Karşılaştırmalı Analiz
YOLOv10 PP-YOLOE+ arasında seçim yaparken, karar genellikle dağıtım ortamı ve belirli proje gereksinimlerine bağlıdır.
Doğruluk - Hız Karşılaştırması
YOLOv10 , özellikle daha küçük model ölçeklerinde, YOLOv10 üstün bir verimlilik-doğruluk dengesi sunar. Örneğin, YOLOv10n NMS kaldırılması sayesinde son derece düşük gecikme süresini korurken, daha büyük modellere kıyasla benzer bir doğruluk elde eder. PP-YOLOE+, özellikle daha büyük modellerde rekabet gücünü korur. x karmaşık özellik çıkarmada sağlam backbone varyantlar.
Ekosistem ve Kullanım Kolaylığı
PP-YOLOE+, PaddlePaddle güçlü bir rakip olsa da, Ultralytics daha evrensel ve modern bir deneyim sunar. Ultralytics , kullanıcıların veri kümelerini yönetmelerine, bulutta eğitim almalarına ve tek bir tıklama ile herhangi bir formata (ONNX, TensorRT, CoreML, TFLite) dağıtmalarına olanak tanır. Bu düzeyde entegrasyon, çerçeveye özgü araçları kullanmaya kıyasla mühendislik maliyetlerini önemli ölçüde azaltır.
Eğitim Verimliliği ve Kaynaklar
YOLOv10 , eğitim sırasında bellek ayak izini azaltan modern optimizasyon tekniklerinden YOLOv10 . Buna karşılık, eski mimariler genellikle önemli miktarda CUDA gerektirir, bu da tüketici sınıfı GPU'larda eğitilmelerini zorlaştırır. Ultralytics , verimli eğitim süreçleriyle ünlüdür ve mütevazı donanımlarda yüksek performanslı model oluşturulmasına olanak tanır.
Ultralytics : Algılamanın Ötesinde
Belirli mimarileri karşılaştırmak değerli olmakla birlikte, çevredeki ekosistem genellikle uzun vadeli proje başarısının belirleyici faktörüdür.
- Çok yönlülük: Ultralytics , basit algılama ötesinde, örnek segmentasyonu, poz tahmini ve OBB (Oriented Bounding Box) algılama dahil olmak üzere çok çeşitli görevleri Ultralytics . Bu, geliştiricilerin tek bir kütüphane ile çok yönlü sorunları çözmelerine olanak tanır.
- Dokümantasyon: Kapsamlı ve güncel dokümantasyon, geliştiricilerin sorunları giderip gelişmiş özellikleri takılmadan uygulayabilmelerini sağlar.
- Aktif Geliştirme: Ultralytics canlıdır ve sık güncellemeler, hata düzeltmeleri ve en son araştırma buluşlarının entegrasyonunu sağlar.
YOLO26'yı Tanıtıyoruz: Yeni Standart
En üst düzey performansı arayan geliştiriciler için, yeni piyasaya sürülen YOLO26 YOLOv10 yeniliklerini temel alarak bunları daha da geliştirmiştir.
YOLO26 hakkında daha fazla bilgi edinin
YOLO26, birçok son teknoloji gelişmeyi bünyesinde barındırmaktadır:
- Uçtan Uca NMS Tasarım: YOLOv10 gibi, YOLO26 de doğal olarak uçtan uca olup, daha hızlı ve daha basit dağıtım NMS ortadan kaldırır.
- DFL Kaldırma: Dışa aktarımı basitleştirmek ve kenar ve düşük güç tüketen cihazlarla uyumluluğu artırmak için Dağıtım Odak Kaybı kaldırılmıştır.
- MuSGD Optimizer: SGD Muon'un bir karışımı olan (LLM eğitiminden esinlenerek geliştirilen) bu optimizer, daha istikrarlı bir eğitim ve daha hızlı yakınsama sağlar.
- Göreve Özel İyileştirmeler: Seg modelleri için Semantik segmentasyon kaybı ve OBB görevleri için özel açı kaybı gibi geliştirmeler içerir.
- Daha Hızlı Çıkarım: CPU için özel olarak optimize edilmiş olup, önceki nesillere göre %43'e varan hız artışı sunarak uç bilgi işlem için ideal bir çözümdür.
Gerçek Dünya Uygulamaları
Akıllı Perakende ve Envanter Yönetimi
Akıllı perakende uygulamaları için hız ve küçük nesnelerin algılanması çok önemlidir. YOLOv10, NMS olmadan çalışabilme özelliği sayesinde, müşterileri takip etmek veya raflarındaki ürünleri gerçek zamanlı video akışlarında tanımlamak için mükemmeldir.
Endüstriyel Otomasyon
Üretimde PP-YOLOE+, montaj hatlarında kusur tespiti için yaygın olarak kullanılmaktadır. Ancak, YOLO26 gibi Ultralytics sağladığı kullanım kolaylığı, fabrika mühendislerinin ürünler değiştikçe modelleri hızla yeniden eğitip yeniden dağıtmasına olanak tanıyarak, kesinti sürelerini ve teknik borçları azaltır.
Otonom Sistemler ve Robotik
Robotik uygulamaları, dinamik ortamlara tepki vermek için düşük gecikme süresi gerektirir. YOLOv10 YOLO26'da kaldırılan NMS , karmaşık alanlarda hareket eden otonom mobil robotlar (AMR'ler) veya dronlar için daha hızlı tepki süreleri anlamına gelir.
Sonuç
Hem YOLOv10 PP-YOLOE+, bilgisayar görme alanında çok güçlü araçlardır. PP-YOLOE+, Baidu ekosistemine derinlemesine entegre olanlar için sağlam bir seçenek sunar. YOLOv10, NMS mimarisiyle, verimli algılamanın geleceğine bir bakış sunar.
Ancak, en son teknolojiye sahip doğruluk, olağanüstü hızlı çıkarım ve eşsiz bir geliştirici deneyimini bir araya getiren bütünsel bir çözüm için Ultralytics , üstün bir seçenek olarak öne çıkıyor. Ultralytics ile entegrasyonu, çeşitli görevleri desteklemesi ve uç cihazlar için optimizasyonları, onu 2026 ve sonrası için en geleceğe dönük yatırım haline getiriyor.
Verimli modellerin daha ayrıntılı incelenmesi için aşağıdaki makaleyi gözden geçirebilirsiniz YOLO11 veya transformatör tabanlı RT-DETR'yi gözden geçirmeyi düşünün.
Kod Örneği: Ultralytics ile Başlangıç
Ultralytics basitliğini deneyimleyin. Modeller arasında geçiş yapmak, bir dizeyi değiştirmek kadar kolaydır.
from ultralytics import YOLO
# Load the latest state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on a custom dataset
# This handles data loading, augmentation, and training loops automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
# NMS-free architecture in YOLO26 means faster post-processing
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results
results[0].show()