YOLOv5 PP-YOLOE+: Gerçek Zamanlı Nesne Algılayıcılarının Teknik Karşılaştırması

Nesne algılama için en uygun mimariyi seçmek, bilgisayar görme uygulamalarının verimliliğini, doğruluğunu ve ölçeklenebilirliğini etkileyen kritik bir karardır. Bu kılavuz, YOLOv5 ve YOLOv4 arasında ayrıntılı bir teknik karşılaştırma sunar. YOLOv5, erişilebilir yapay zeka için küresel olarak benimsenen standart, ve PP-YOLOE+, PaddlePaddle gelişen bir mimari arasında ayrıntılı bir teknik karşılaştırma sunar.

PP-YOLOE+ ilginç çapa içermeyen kavramlar sunarken, YOLOv5 benzersiz ekosistemi, sağlamlığı ve hız ile doğruluk arasındaki dengesi sayesinde baskın bir güç olmaya devam ediyor. Geleceğe bakan geliştiriciler için, NMS çıkarım ile en son teknoloji performansı yeniden tanımlayan YOLO26'ya da değiniyoruz.

Performans Metrikleri ve Kıyaslamalar

Ortalama Hassasiyet (mAP) ve çıkarım gecikmesi arasındaki denge, bir modelin kullanışlılığını belirler. Aşağıdaki tablo, COCO inde YOLOv5 PP-YOLOE+'nın performanslarını karşılaştırmaktadır.

Ultralytics YOLOv5

2020 yılında Glenn Jocher ve Ultralyticstarafından piyasaya sürülen YOLOv5 , yüksek performanslı nesne algılamayı herkes için erişilebilir hale getirerek bu alanda devrim yarattı. PyTorch, "baştan sona" kullanılabilirliği önceliklendirerek, geliştiricilerin veri setinden uygulamaya rekor sürede geçmelerini sağladı.

Mimari ve Tasarım

YOLOv5 , hesaplama maliyetini en aza indirirken gradyan akışını en üst düzeye çıkarmak için CSPDarknet backbone Cross Stage Partial Network) YOLOv5 . Nesne konumlarını tahmin etmek için önceden tanımlanmış bağlantı kutularını kullanan bağlantı tabanlı bir algılama başlığı kullanır. Bu yaklaşım savaşta test edilmiştir ve hava görüntülerinden tıbbi taramalara kadar çok çeşitli veri kümelerinde istikrarlı bir yakınsama sağlar.

Temel Avantajlar

• Üretim Hazırlığı: YOLOv5 , dünya çapında milyonlarca uygulamada YOLOv5 olağanüstü bir istikrar sağlar.
• Çok Yönlülük: Algılamanın ötesinde, doğal olarak örnek segmentasyonunu ve görüntü sınıflandırmasını destekler.
• Dışa aktarılabilirlik: Model, çeşitli donanım hedefleri TFLite ONNX, TensorRT, CoreML ve TFLite sorunsuz dışa aktarım olanağı sunar.

YOLOv5 hakkında daha fazla bilgi edinin.

PP-YOLOE+ Genel Bakış

PP-YOLOE+, Baidu'daki PaddlePaddle tarafından geliştirilen PP-YOLOE'nin bir evrimidir. Nisan 2022'de piyasaya sürülen bu ürün, yüksek performanslı bilgi işlem ortamları için çapa içermeyen mekanizmayı iyileştirmeye ve backbone geliştirmeye odaklanmaktadır.

Mimari ve Tasarım

PP-YOLOE+, çapa kutusu hiperparametre ayarlamasına gerek kalmayan çapa içermeyen bir paradigma benimser. Özellik çıkarma yeteneğini korurken çıkarım hızını artırmak için kalıntı bağlantıları yeniden parametreleştirme teknikleriyle (RepVGG stili) birleştiren CSPRepResStage backbone kullanır. Ayrıca, eğitim sırasında sınıflandırma ve yerelleştirme görevlerini daha iyi uyumlu hale getirmek için Görev Hizalama Öğrenimi (TAL) kullanır.

Kullanım Senaryosu Hususları

PP-YOLOE+, COCO yüksek mAP elde etse de, PaddlePaddle sıkı sıkıya bağlıdır. Bu durum, altyapısı standart PyTorch TensorFlow dayanan ekipler için zorluklar yaratabilir. En büyük gücü, dağıtım esnekliği veya eğitim kolaylığından çok maksimum doğruluğun öncelikli olduğu senaryolarda ortaya çıkar.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Detaylı Teknik Karşılaştırma

1. Eğitim Metodolojisi ve Kullanım Kolaylığı

Belirleyici farklardan biri kullanıcı deneyimindedir. YOLOv5 , "Zero to Hero" iş akışıyla ünlüdür. Ultralytics , veri artırma (Mosaic, MixUp) ve hiperparametre evrimi gibi karmaşık görevleri otomatikleştirir.

• YOLOv5: Sezgisel bir komut satırı arayüzü (CLI) veya Python kullanır. AutoAnchor kullanarak otomatik olarak bağlantı kutusu hesaplamalarını gerçekleştirir ve modelin manuel müdahale olmadan özel veri kümelerine uyum sağlamasını garanti eder.
• PP-YOLOE+: PaddleDetection yapılandırma sistemine dayanır. Güçlü olmasına rağmen, genellikle belirli yapılandırma dosyaları ve PaddlePaddle hakkında daha derin bir anlayış gerektirir ve bu da birçok geliştirici için daha zor bir öğrenme eğrisi anlamına gelir.

2. Çıkarım Hızı ve Dağıtım

YOLOv5 , CPU hızında üstünlükYOLOv5 ve bu da onu Raspberry Pi veya cep telefonları gibi cihazlarda kenar AI uygulamaları için en iyi seçenek haline getirir. Tabloda gösterildiği gibi, YOLOv5n (Nano) modeli, gerçek zamanlı izleme için çok önemli olan inanılmaz hızlara ulaşır.

PP-YOLOE+, TensorRT kullanarak GPU büyük önem vermektedir. Sunucu sınıfı donanımlarda (T4 GPU gibi) iyi performans gösterirken, yüksek düzeyde optimize edilmiş Ultralytics kıyasla,GPU için gerekli olan hafif optimizasyonlardan genellikle yoksundur.

3. Bellek Verimliliği

Ultralytics , bellek verimliliği sağlayacak şekilde tasarlanmıştır. YOLOv5 eğitim süreci, tüketici sınıfı GPU'larda çalışacak şekilde optimize edilmiştir ve böylece yapay zekaya erişimi demokratikleştirmiştir. Buna karşın, daha yeni transformatör tabanlı veya karmaşık mimari tasarımlar genellikle önemli miktarda CUDA gerektirir ve bu da giriş engelini artırır. YOLOv5 dengeli mimarisi, gereksiz parametre şişkinliği olmadan özellik çıkarmanın sağlam kalmasını sağlar.

Gerçek Dünya Uygulamaları

• YOLOv5 , uzak konumlarda veya özel sunucuları olmayan mağazalarda uç cihazlarda çalışabilme özelliği sayesinde tarım teknolojisi (örneğin, mahsul hastalıklarının tespiti) ve perakende analitiği için ideal bir seçimdir.
• PP-YOLOE+, marjinal doğruluk kazançları için biraz daha ağır hesaplamaları gerçekleştirmek üzere güçlü GPU bulunduğu kontrollü ortamlarda endüstriyel denetimler için sıklıkla uygundur.

Gelecek: YOLO26'ya yükseltme

YOLOv5 efsanevi bir model YOLOv5 , bu alanda gelişmeler kaydedilmiştir. En yüksek performansı arayan geliştiriciler için YOLO26'yı öneririz.

YOLO26, Uçtan Uca NMS Tasarımı ile bir paradigma değişikliğini temsil ediyor. Non-Maximum Suppression (NMS) özelliğini ortadan kaldırarak, YOLO26 çıkarım gecikmesini ve dağıtım karmaşıklığını azaltıyor. Ayrıca şu özelliklere de sahip:

• MuSGD Optimizer: LLM düzeyinde eğitim istikrarı için SGD Muon'un birleşimi.
• %43'e kadar daha hızlı CPU : Kenar bilişim için özel olarak optimize edilmiştir.
• ProgLoss + STAL: Drone ve IoT uygulamaları için kritik öneme sahip küçük nesne algılamayı iyileştiren gelişmiş kayıp fonksiyonları.

YOLO26 hakkında daha fazla bilgi edinin

Yükseltme Kolaylığı

Birleştirilmiş Python sayesinde YOLOv5 ten daha yeni Ultralytics geçiş yapmak çok kolaydır.

from ultralytics import YOLO

# Load the latest YOLO26 model (auto-downloads pretrained weights)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The API remains consistent, allowing easy upgrades
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

Sonuç

Her iki mimarinin de kendine göre avantajları vardır. PP-YOLOE+, GPU iş yükleri için COCO güçlü bir teorik performans sunar. Ancak, YOLOv5 kullanılabilirlik, dağıtım esnekliği ve kenar performansı açısından şampiyon olmaya devam etmektedir.

Çoğu geliştirici ve araştırmacı için, Ultralytics kalmak, uzun vadeli sürdürülebilirliği ve en son yeniliklere erişimi garanti eder. Güvenilir YOLOv5 kullanmaya devam edin YOLOv5 en son teknolojiye sahip YOLO26'ye geçerseniz, gerçek dünyada başarıya ulaşmak için tasarlanmış, topluluk odaklı, yüksek düzeyde optimize edilmiş bir platformdan yararlanabilirsiniz.

Diğer seçenekleri keşfetmek için şunu gözden geçirmeyi düşünün YOLO11 veya RT-DETR gibi özel modelleri gözden geçirmeyi düşünün.

Yorumlar