YOLOv5 ve PP-YOLOE+#

Doğru sinir ağı mimarisini seçmek, modern bilgisayarlı görü projeleri için çok önemlidir. Geliştiriciler ve araştırmacılar gerçek zamanlı nesne algılama modellerini değerlendirirken karar çoğunlukla doğruluk, çıkarım hızı ve dağıtım kolaylığı arasında denge kurmaya dayanır. Bu teknik karşılaştırma, uygulaman için en uygun çözümü seçmene yardımcı olmak üzere YOLOv5 ve PP-YOLOE+ modellerinin mimarilerini, performans ölçümlerini ve eğitim yöntemlerini inceliyor.

Mimarileri Anlamak#

Her iki model de görüntü işleme yapay zekâsı alanını önemli ölçüde etkiledi; ancak nesne algılama zorluklarına farklı yapısal yöntemler ve çerçeve bağımlılıklarıyla yaklaşıyorlar.

Ultralytics YOLOv5: Sektör Standardı#

2020'nin ortalarında yayımlanan Ultralytics YOLOv5, son teknoloji görüntü işleme modellerini herkesin erişimine açma konusunda devrim yarattı. Yerel olarak PyTorch ile geliştirilen model, dünya çapındaki Python geliştiricileri ve makine öğrenimi mühendisleri için erişim eşiğini önemli ölçüde düşürdü.

YOLOv5 Ayrıntıları:

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: ultralytics/yolov5
• Belgeler: YOLOv5 Belgeleri

YOLOv5, hafif parametre sayısını korurken zengin özellik temsillerini verimli biçimde yakalayan, değiştirilmiş bir CSPDarknet omurgası kullanır. Otomatik öğrenen çapa kutularını kullanıma sunarak eğitim başlamadan önce özel veri kümeleri için en uygun çapa boyutlarını otomatik olarak hesaplar. Ayrıca mozaik veri artırma entegrasyonu, modelin daha küçük nesneleri algılama ve karmaşık uzamsal bağlamlarda genelleme yeteneğini önemli ölçüde geliştirir.

YOLOv5'in en güçlü yönlerinden biri inanılmaz çok yönlülüğüdür. Standart nesne algılayıcılarının aksine YOLOv5 ailesi, birleşik bir API içinde görüntü sınıflandırmayı, örnek segmentasyonunu ve sınırlayıcı kutu algılamayı sorunsuz biçimde destekler. Yüksek düzeyde optimize edilmiş mimarisi, ağır Transformer tabanlı ağlara kıyasla eğitim ve çıkarım sırasında çok daha düşük bellek kullanımı sağlar.

PP-YOLOE+: PaddlePaddle Rakibi#

Yaklaşık iki yıl sonra sunulan PP-YOLOE+, önceki PP-YOLO yinelemelerinin temelini geliştirir. Baidu'nun derin öğrenme çerçevesinin yeteneklerini göstermek üzere geliştirilen model, ortalama Ortalama Hassasiyet değerini artırmak için çeşitli mimari iyileştirmeler sunar.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Belgeler: PP-YOLOE+ README

PP-YOLOE+, çapasız bir yaklaşıma dayanır ve CSPRepResNet omurgası kullanır. Hassasiyeti artırmak için güçlü bir Task Alignment Learning tekniğini ve Efficient Task-aligned Head'i içerir. PP-YOLOE+ etkileyici doğruluk puanlarına ulaşsa da başlıca zayıflığı, PaddlePaddle çerçevesine sıkı biçimde bağımlı olmasıdır. Bu durum, PyTorch veya TensorFlow ortamlarına zaten yoğun biçimde yatırım yapmış araştırma ekipleri ve kuruluşlar için öğrenme sürecini çoğu zaman zorlaştırır ve ekosistem uyumsuzluğu yaratır.

PP-YOLOE+ hakkında daha fazla bilgi edin

Performans ve Kıyaslamalar#

Bu modelleri üretim için değerlendirirken hassasiyet, çıkarım hızı ve parametre boyutu arasındaki ödünleşimleri anlamak çok önemlidir. Aşağıdaki tabloda, farklı boyut seçeneklerine ilişkin temel performans ölçümleri özetleniyor.

PP-YOLOE+ yüksek doğruluk sınırlarına ulaşsa da YOLOv5, her model ölçeğinde sürekli olarak daha hızlı TensorRT çıkarımı sunar. Belleğin kısıtlı olduğu uç dağıtımlarda YOLOv5n, eşsiz hız ve son derece küçük bir boyut sağlar.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Bir makine öğrenimi mimarisinin gerçek değeri, ham rakamların ötesine geçer; tüm geliştirici deneyimini kapsar. Ultralytics Platformu ve ilgili açık kaynak araçları, geliştirme döngülerini önemli ölçüde hızlandıran, son derece gelişmiş ve iyi bakımı yapılan bir ekosistem sunar.

• Kullanım Kolaylığı: Ultralytics, karmaşık tekrarlayan kodları ortadan kaldırır. Modelleri sezgisel bir Python API veya CLI aracılığıyla eğitebilir, doğrulayabilir ve test edebilirsin.
• Dağıtım Esnekliği: Modelleri dışa aktarmak son derece kolaydır. Tek bir komutla eğitilmiş YOLOv5 ağırlıklarını ONNX, TensorRT veya OpenVINO gibi biçimlere dönüştürerek uç ve bulut ortamları arasında geniş uyumluluk sağlayabilirsin.
• Aktif Topluluk: Canlı topluluk; sık güncellemeleri, kapsamlı belgeleri ve yaygın bilgisayarlı görü zorluklarına yönelik güvenilir çözümleri garanti eder.

Buna karşılık PP-YOLOE+, PaddleDetection'a özgü karmaşık yapılandırma dosyalarına büyük ölçüde dayanır; bu da hızlı prototiplemeyi yavaşlatabilir ve modern MLOps işlem hatlarına entegrasyonu zorlaştırabilir.

Pratik Uygulamalar ve Kod Örnekleri#

Ultralytics ile çalışmaya başlamak son derece kolaydır. Önceden eğitilmiş bir YOLOv5 modelini yükleme, özel bir veri kümesi üzerinde eğitme ve sonuçları dışa aktarma işlemlerinin tamamını gösteren, çalıştırılabilir bir örnek aşağıda:

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 veri kümesinde 50 epoch boyunca eğit
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Örnek bir görüntü üzerinde çıkarım yap
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Optimize edilmiş modeli ONNX biçimine aktar
path = model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv5 ile PP-YOLOE+ arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5 şu durumlar için güçlü bir seçenektir:

• Üretimde Kendini Kanıtlamış Sistemler: YOLOv5'in uzun süreli istikrar geçmişine, kapsamlı belgelerine ve geniş topluluk desteğine değer verilen mevcut dağıtımlar.
• Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.

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.

Değerlendirebileceğin Diğer Son Teknoloji Modeller#

YOLOv5 sağlam ve kendini kanıtlamış bir standart olsa da bilgisayarlı görü alanı hızla gelişiyor. Yeni projelere başlayan ekiplerin daha yeni mimarilerimizi incelemesini önemle tavsiye ederiz.

Ultralytics YOLO26#

Ocak 2026'da yayımlanan YOLO26, araştırmalarımızın ulaştığı en üst noktayı temsil ediyor. Hem doğrulukta hem de hızda büyük iyileşmeler sunuyor. Önemli yenilikleri şunlardır:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile geliştirilen kavramları temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak gecikmeyi azaltır ve dağıtım mantığını basitleştirir.
• DFL'nin Kaldırılması: Distribution Focal Loss'u kaldıran YOLO26, CPU'da %43'e kadar daha hızlı çıkarım sunarak düşük güçlü uç cihazlarda olağanüstü performans gösterir.
• MuSGD İyileştiricisi: Gelişmiş LLM eğitim tekniklerinden esinlenen bu SGD ve Muon hibriti, son derece kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntülerinde ve akıllı tarımda kritik önem taşıyan küçük nesnelerin tanınmasını kayda değer ölçüde iyileştirir.

Ayrıca mükemmel performans sunan ve eski sistemlerle YOLO26'nın en yeni yetenekleri arasında son derece güvenilir bir köprü görevi gören YOLO11 modelini de değerlendirebilirsin.

Gerçek Dünya Kullanım Senaryoları#

YOLOv5 ile PP-YOLOE+ arasındaki seçim, sonuç olarak dağıtım ortamına ve proje kısıtlamalarına bağlıdır.

YOLOv5 için İdeal Uygulamalar: YOLOv5'in düşük kaynak gereksinimleri ve olağanüstü kullanım kolaylığı, onu uç yapay zekâ için birinci tercih hâline getirir. Gerçek zamanlı robotik, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi kısıtlı donanımlarda yüksek kare hızları gerektiren uygulamalarda öne çıkar. Aynı çerçevede örnek segmentasyonunu ve görüntü sınıflandırmayı gerçekleştirebilmesi, modeli son derece uyarlanabilir kılar.

PP-YOLOE+ için İdeal Uygulamalar: PP-YOLOE+, gerçek zamanlı işleme kısıtlamalarından çok statik görüntülerde mümkün olan en yüksek doğruluğa öncelik verilen senaryolar için uygundur. Özellikle Baidu ve PaddlePaddle ekosistemine yoğun biçimde yatırım yapmış, önceden oluşturulmuş teknik altyapılara sahip Asya üretim sektörlerinde olmak üzere endüstriyel denetim işlem hatlarında niş kullanım alanları bulur.

Özetle PP-YOLOE+ güçlü hassasiyet kıyaslama sonuçları sunsa da Ultralytics YOLO modelleri; bilgisayarlı görü projelerini fikir aşamasından üretime başarıyla taşıyan, performans dengesi, sorunsuz dağıtım ve geliştirici dostu tasarım özelliklerinin eşsiz bir birleşimini sunar.