YOLOv10 ile PP-YOLOE+ Karşılaştırması
Bilgisayarlı görüde gerçek zamanlı nesne algılama için doğru mimariyi seçmek; doğruluk, çıkarım hızı ve dağıtım verimliliği arasında denge kurmayı gerektirir. Öne çıkan iki seçenek YOLOv10 ve PP-YOLOE+'dır. İkisi de yetenekli algılayıcılardır; ancak farklı tasarım felsefelerinden ve ekosistemlerden gelirler.
Bu teknik kılavuz, iki mimarinin performans ölçütlerini, yapısal farklılıklarını ve gerçek dünyadaki ideal uygulamalarını inceler. Makine öğrenimi mühendisleri ve araştırmacılar, bu farklılıkları anlayarak dağıtım işlem hatları için bilinçli kararlar verebilir.
YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, son işleme sırasında Maksimum Olmayan Bastırma (NMS) ihtiyacını ortadan kaldırarak önemli bir mimari değişiklik getirdi. Bu uçtan uca yaklaşım, gerçek zamanlı çıkarımdaki uzun süredir devam eden bir darboğazı giderir; dağıtımları, özellikle hesaplama kaynakları kısıtlı cihazlarda, daha hızlı ve öngörülebilir hâle getirir.
Teknik Meta Veriler#
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Tarih: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- Belgeler: YOLOv10 Belgeleri
Mimari Güçlü ve Zayıf Yönleri#
YOLOv10'un öne çıkan özelliği, NMS'siz eğitim için kullandığı tutarlı ikili atamalardır; bu sayede buluşsal eşiklere dayanmadan sınırlayıcı kutuları doğrudan tahmin edebilir. Bu yaklaşım, özellikle daha küçük model varyantlarında hız ve hassasiyet arasında mükemmel bir denge sağlar. Mimaride ayrıca hesaplama tekrarlarını en aza indiren, bütünsel ve verimlilik-doğruluk odaklı bir tasarım kullanılır.
Ancak yalnızca tespite odaklanan bir model olduğu için örnek segmentasyonu veya poz tahminini kutudan çıktığı hâliyle destekleyen modellerin yerel çok yönlülüğünden yoksundur.
YOLOv10 hakkında daha fazla bilgi edin
PP-YOLOE+: PaddlePaddle'da Anchor-Free Tespit#
PP-YOLOE+, Baidu'nun PaddlePaddle ekibi tarafından geliştirilen orijinal PP-YOLOE'nin yükseltilmiş sürümüdür. Optimize edilmiş çapasız tasarım üzerine kurulur ve standart kıyaslamalarda ortalama Hassasiyeti (mAP) artırmak için gelişmiş eğitim stratejileri içerir.
Teknik Meta Veriler#
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Belgeler: PP-YOLOE+ GitHub README
Mimari Güçlü ve Zayıf Yönleri#
PP-YOLOE+, özellik çıkarımını güçlendiren ölçeklenebilir bir CSPRepResNet omurgası ve CSPPAN boyun ağı kullanır. Eğitim yöntemi, Objects365 gibi büyük ölçekli veri kümeleri üzerinde ön eğitime dayanır; bu da özellikle daha büyük x ve l varyantlarında yüksek doğruluk elde edilmesine katkıda bulunur.
PP-YOLOE+'ın başlıca dezavantajı PaddlePaddle çerçevesine sıkı biçimde bağlı olmasıdır. PyTorch'a veya birleşik Ultralytics ekosistemine alışkın ekipler PP-YOLOE+'ı benimserken zorluk yaşayabilir. Ayrıca daha yüksek parametre sayısı, eşdeğer Ultralytics YOLO modellerine kıyasla eğitim sırasında daha fazla bellek gerektirir.
PP-YOLOE+ hakkında daha fazla bilgi edin
Performans Karşılaştırmaları#
Aşağıdaki tablo, parametre verimliliği, hesaplama maliyeti (FLOP) ve ham doğruluk arasındaki ödünleşimleri vurgulayarak YOLOv10 ile PP-YOLOE+'ı çeşitli ölçeklerde doğrudan karşılaştırır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 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, her ölçekte T4 TensorRT'de PP-YOLOE+'dan daha hızlıdır ve daha az parametre kullanır (örneğin YOLOv10m, 15.4M parametreyle 4.74 ms'de 51.1 mAP elde ederken PP-YOLOE+m 23.43M parametreyle 5.56 ms'de 49.8 mAP'ye ulaşır); bu da YOLOv10'u uç bilişim ortamları için daha güçlü bir aday yapar. PP-YOLOE+ uç noktalarda öne çıkar: PP-YOLOE+t, YOLOv10n'den daha doğrudur (39.9'a karşı 38.5 mAP) ve PP-YOLOE+x, YOLOv10x'i az farkla geçer (54.7'ye karşı 54.4 mAP); ancak üç kattan fazla parametre kullanır.
Kullanım Alanları ve Öneriler#
YOLOv10 ile PP-YOLOE+ arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv10'u Ne Zaman Seçmeli?#
YOLOv10 şu durumlar için güçlü bir seçenektir:
- NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
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.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- 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 YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.
Ultralytics'in Avantajı ve Gelecek: YOLO26#
YOLOv10 ve PP-YOLOE+ ayrı ayrı özel avantajlar sunar; ancak yeni, üretim kalitesinde bilgisayarlı görü projeleri için Ultralytics YOLO26'yı öneriyoruz. Ocak 2026'da yayımlanan YOLO26, YOLO modellerine YOLOv10 tarafından kazandırılan NMS içermeyen tasarım gibi kanıtlanmış mimari fikirleri çok görevli bir çatı altında benimser.
Ultralytics modelleri kullanım kolaylığına öncelik verir. Birleşik Python API'siyle karmaşık yapılandırma dosyalarını kullanmana gerek kalmaz. Ayrıca YOLO modelleri, Transformer tabanlı algılayıcılara kıyasla genellikle daha az CUDA belleği kullanır; böylece eğitim daha hızlı ve uygun maliyetli olur.
YOLO26'daki Temel Yenilikler#
- Uçtan Uca, NMS'siz Tasarım: İsteğe bağlı tekli başlığı (
nms=False) NMS son işlemesinden kaynaklanan gecikmeyi ortadan kaldıran YOLO26, otonom araçlar ve hızlı robotik uygulamaları için gerekli olan istikrarlı, yüksek hızlı çıkarım sunar. - Uç Öncelikli Optimizasyonlar: Dağılımsal Odak Kaybı'nın (DFL) kaldırılması model dışa aktarma biçimlerini basitleştirir ve YOLO26n'nin CPU çıkarımını YOLO11n'den %43'e kadar hızlandırmasına yardımcı olur.
- Gelişmiş Eğitim Dinamikleri: SGD ile Muon'un hibriti olan MuSGD Optimizatörü, büyük dil modeli (LLM) eğitim kararlılığını görme görevlerine taşır; modelin daha hızlı ve daha güvenilir biçimde yakınsamasını sağlar.
- ProgLoss + STAL ile Artırılmış Doğruluk: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), hava görüntüleri ve tarım için küçük nesne algılamayı iyileştirerek zorlu senaryoları hedefler.
Çok Yönlülük#
Algılamaya odaklanan PP-YOLOE+'ın aksine YOLO26; örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) tek ve birleşik bir kod tabanından yürütür. Veri kümelerini yönetebilir, modelleri eğitebilir ve dağıtımları doğrudan Ultralytics Platform üzerinden yapabilirsin.
from ultralytics import YOLO
# YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")
# Ultralytics motoruyla eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# GPU dağıtımı için TensorRT'ye dışa aktar
model.export(format="engine", quantize=16)Gerçek Dünya Uygulamaları#
Doğru modeli seçmek dağıtım kısıtlarına bağlıdır:
- PP-YOLOE+, PaddlePaddle donanım-yazılım yığınının zaten kurulu olduğu endüstriyel dağıtımlar için uygundur. Üretimdeki kalite denetimi gibi statik, yüksek çözünürlüklü işlerde başarılıdır.
- YOLOv10, yoğun kalabalık yönetimi ve NMS'nin kaldırılmasının gecikme değişkenliğini azaltarak gerçek zamanlı takibi daha tutarlı hâle getirdiği ortamlar için uygundur.
- Ultralytics YOLO26, kuruluş genelinde ölçeklendirme için önerilen seçenektir. Akıllı şehirlerde trafiği analiz ederken veya Raspberry Pi gibi düşük güçlü uç cihazlara dağıtım yaparken küçük bellek ayak izi, belgeleri ve birleşik eğitim işlem hattı üretime geçiş sürecini kısaltır.
Ekosistemde desteklenen eski mimarileri veya Transformer alternatiflerini incelemek istiyorsan YOLO11 ya da RT-DETR belgelerine bak.
Bakımı iyi yapılan bir ekosistem ile basit bir API sayesinde geliştiriciler yapılandırma dosyalarında hata ayıklamak için daha az, gerçek dünyadaki görsel yapay zekâ sorunlarını çözmek için daha fazla zaman harcar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.