Ultralytics YOLO27:
Get Started

YOLOv10 ile PP-YOLOE+ Karşılaştırması#

Hızla gelişen bilgisayarlı görü alanında, gerçek zamanlı nesne tespiti için en uygun mimariyi seçmek doğruluk, çıkarım hızı ve dağıtım verimliliğini dengelemek açısından kritik önem taşır. Bu alandaki dikkat çekici iki seçenek YOLOv10 ve PP-YOLOE+'tır. Her iki model de güçlü yetenekler sunsa da farklı tasarım felsefelerinden ve ekosistem entegrasyonlarından doğmuştur.

Bu teknik kılavuz, iki mimariyi derinlemesine analiz ederek performans metriklerini, yapısal farklılıklarını ve gerçek dünyadaki ideal kullanım alanlarını inceler. Makine öğrenimi mühendisleri ve araştırmacılar, her birinin inceliklerini anlayarak dağıtım süreçleri için bilinçli kararlar verebilir.

YOLOv10: NMS'siz Tespitin Öncüsü#

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, son işlem sırasında Non-Maximum Suppression (NMS) gereksinimini ortadan kaldırarak mimaride önemli bir değişiklik getirdi. Uçtan uca yaklaşım, gerçek zamanlı çıkarımdaki uzun süredir devam eden bir darboğazı gidererek özellikle hesaplama kaynakları sınırlı cihazlarda dağıtımları daha hızlı ve öngörülebilir hâle getirir.

Teknik Meta Veriler#

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'ın Güçlü Modeli#

PP-YOLOE+, Baidu'nun PaddlePaddle ekibi tarafından geliştirilen özgün PP-YOLOE'nin yükseltilmiş sürümüdür. Son derece optimize edilmiş, çıpasız bir yaklaşımı temel alır ve standart kıyaslamalarda ortalama Ortalama Hassasiyet (mAP) sınırlarını zorlamak için gelişmiş eğitim stratejileri içerir.

Teknik Meta Veriler#

Mimari Güçlü ve Zayıf Yönleri#

PP-YOLOE+, özellik çıkarımını önemli ölçüde güçlendiren ölçeklenebilir bir CSPRepResNet omurgası ve güçlü bir boyun mimarisi kullanır. Eğitim yöntemi, ön eğitim için Objects365 gibi büyük ölçekli veri kümelerine büyük ölçüde dayanır; bu da özellikle daha büyük x ve l varyantlarında etkileyici doğruluk sunmasına 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 parametre sayısının daha yüksek olması, eşdeğer Ultralytics YOLO modellerine kıyasla eğitim sırasında daha fazla bellek gerektirmesine yol açar.

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.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

Görüldüğü gibi YOLOv10, parametre verimliliği ve TensorRT çıkarım hızı bakımından PP-YOLOE+'ı önemli ölçüde geride bırakır; bu da onu uç bilişim ortamları için daha güçlü bir aday hâline getirir. PP-YOLOE+, en büyük varyantında teorik olarak elde edilebilecek en yüksek doğrulukta az farkla öne geçse de üç kattan fazla parametreye ihtiyaç duyar.

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: 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.

Ultralytics'in Avantajı ve Gelecek: YOLO26#

YOLOv10 ve PP-YOLOE+ belirli alanlarda avantajlar sunsa da üretim düzeyinde bilgisayarlı görü için modern standart, en yeni Ultralytics YOLO26 ile belirlenir. Ocak 2026'da yayımlanan YOLO26, YOLOv10'un öncülük ettiği NMS'siz tasarım da dâhil olmak üzere en iyi mimari yenilikleri bünyesine katar ve bunları sorunsuz, çok görevli bir çerçevede birleştirir.

YOLO26'yı Neden Seçmelisin?

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 Bilişim Öncelikli Optimizasyonlar: Distribution Focal Loss'un (DFL) kaldırılması modelin dışa aktarma biçimlerini basitleştirir ve önceki nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırır.
  • Gelişmiş Eğitim Dinamikleri: Yeni MuSGD Optimizer'dan (SGD ve Muon'un birleşimi) yararlanan YOLO26, LLM eğitimindeki kararlılığı görüntü görevlerine taşır ve daha hızlı, daha güvenilir biçimde yakınsar.
  • ProgLoss + STAL ile Artırılmış Doğruluk: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve tarım için kritik öneme sahip küçük nesne tespitinde olağanüstü kazanımlar sağlayarak karmaşık senaryoları hedefler.

Eşsiz Çok Yönlülük#

Tespit odaklı PP-YOLOE+'ın aksine YOLO26, tek ve birleşik bir kod tabanından görüntü sınıflandırma, yönlendirilmiş sınırlayıcı kutular (OBB), poz tahmini ve segmentasyon görevlerini yerine getirir. Veri kümelerini kolayca yönetebilir, modelleri doğrudan Ultralytics Platform üzerinden eğitip dağıtabilirsin.

from ultralytics import YOLO

# En yeni teknolojiye sahip YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")

# Güçlü Ultralytics motoruyla sorunsuz biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Son derece hızlı dağıtım için TensorRT biçimine aktar
model.export(format="engine", quantize=16)

Gerçek Dünya Uygulamaları#

Doğru modeli seçmek büyük ölçüde dağıtım kısıtlamalarına bağlıdır:

  • PP-YOLOE+, Baidu'nun donanım ve yazılım yığınının önceden kurulu olduğu Asya'daki belirli endüstriyel dağıtımlarda öne çıkar. Statik ve yüksek çözünürlüklü üretim kalite kontrolü görevlerini başarıyla yerine getirir.
  • YOLOv10, yoğun kalabalık yönetimi ve NMS'nin kaldırılmasının gecikme değişkenliğini azalttığı ortamlar için idealdir; böylece gerçek zamanlı izleme daha tutarlı olur.
  • Ultralytics YOLO26, kurum genelinde ölçeklendirme için kesin tercih olmaya devam eder. İster akıllı şehirlerde trafiği analiz et ister Raspberry Pi gibi ultra düşük güçlü uç düğümlere dağıtım yap; düşük bellek kullanımı, kapsamlı belgeleri ve birleşik eğitim hattı hızlı yatırım getirisi sağlar.

Ekosistemde desteklenen eski mimarileri veya Transformer alternatiflerini incelemek istiyorsan YOLO11 ya da RT-DETR belgelerine bak.

Sonuç olarak, bakımı düzenli yapılan bir ekosistemle birlikte sunulan basit bir API, geliştiricilerin yapılandırma dosyalarında hata ayıklamaya daha az, gerçek dünyadaki görüntü yapay zekâsı sorunlarını çözmeye daha fazla zaman ayırmasını sağlar.

Katkıda Bulunanlar
GLglenn-jocher19PDpderrenger2

Yorumlar