Başla

YOLOv5 ve PP-YOLOE+

Doğru sinir ağı mimarisini seçmek, her modern bilgisayarlı görü projesi için çok önemlidir. Geliştiriciler ve araştırmacılar gerçek zamanlı nesne algılama modellerini değerlendirirken genellikle doğruluk, çıkarım hızı ve dağıtım kolaylığı arasında denge kurmaya çalışır. Bu teknik karşılaştırmada YOLOv5 ve PP-YOLOE+ mimarileri, performans metrikleri ve eğitim yöntemleri incelenerek uygulaman için doğru modeli seçmene yardımcı olunur.

Mimarileri Anlamak#

Her iki model de görüntü yapay zekâsını etkiledi; ancak nesne algılama zorluklarına farklı yapısal yöntemlerle ve çerçeve bağımlılıklarıyla yaklaşıyorlar.

Ultralytics YOLOv5: Sektör Standardı#

Haziran 2020'de yayımlanan Ultralytics YOLOv5, son teknoloji görüntü modellerini çok daha erişilebilir hâle getirdi. Yerel olarak PyTorch ile geliştirilen model, dünya çapındaki Python geliştiricileri ve ML mühendisleri için giriş engelini düşürdü.

YOLOv5 Ayrıntıları:

YOLOv5, hafif parametre sayısını korurken zengin özellik temsillerini verimli biçimde yakalayan değiştirilmiş bir CSPDarknet omurgası kullanır. Model, eğitim başlamadan önce özel veri kümeleri için en uygun bağlantı kutusu boyutlarını otomatik olarak hesaplayan, kendi kendine öğrenen bağlantı kutularını kullanıma sundu. Ayrıca mozaik veri artırımı, modelin daha küçük nesneleri algılama ve karmaşık uzamsal bağlamlara genelleme yeteneğini geliştirir.

YOLOv5'in güçlü yönlerinden biri çok yönlülüğüdür. Yalnızca algılama yapan modellerden farklı olarak YOLOv5 deposu, tek bir kod tabanında sınırlayıcı kutu algılama, örnek bölümleme (v7.0'da eklendi) ve görüntü sınıflandırmayı (v6.2'de eklendi) destekler. Mimarisi ayrıca eğitim ve çıkarım sırasında ağır Transformer tabanlı ağlardan daha az bellek kullanır.

PP-YOLOE+: PaddlePaddle Rakibi#

Nisan 2022'de tanıtılan PP-YOLOE+, önceki PP-YOLO yinelemelerinin üzerine inşa edilmiştir. Baidu tarafından PaddlePaddle derin öğrenme çerçevesi için geliştirilen model, ortalama Ortalama Kesinlik değerini artırmak üzere çeşitli mimari iyileştirmeler sunar.

PP-YOLOE+ Ayrıntıları:

PP-YOLOE+, bağlantı kutusu kullanmayan bir tasarım ve CSPRepResNet omurgası kullanır. Kesinliği artırmak için Görev Hizalama Öğrenmesi (TAL) ve Verimli Görev Hizalamalı Başlık içerir. PP-YOLOE+ yüksek doğruluğa ulaşsa da temel kısıtı, PaddlePaddle çerçevesine bağımlı olmasıdır; bu durum, PyTorch veya TensorFlow'a hâlihazırda yatırım yapmış ekipler için öğrenme sürecini uzatabilir ve entegrasyonu zorlaştırabilir.

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.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

PP-YOLOE+ her model ölçeğinde daha yüksek mAP değerine ulaşırken YOLOv5 her ölçekte daha hızlı T4 TensorRT çıkarımı sunar. Belleğin kısıtlı olduğu uç dağıtımlarda YOLOv5n, tablodaki en yüksek hızı (1,12 ms) ve en küçük boyutu (1,9M parametre) sunar.

Bellek Verimliliği

Ultralytics modelleri eğitim verimliliği için tasarlanmıştır. RT-DETR gibi Transformer tabanlı algılayıcılarla karşılaştırıldığında YOLOv5 daha az CUDA belleği kullanır; böylece daha büyük toplu iş boyutlarıyla veya tüketici sınıfı donanımlarda eğitim yapabilirsin.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Bir makine öğrenimi mimarisinin değeri ham sayılardan fazlasını kapsar; geliştirici deneyiminin tamamını içerir. Ultralytics Platformu ve açık kaynak araçları, geliştirme döngülerini kısaltan, bakımı iyi 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 kolaydır. Tek bir komutla eğitilmiş YOLOv5 ağırlıklarını ONNX, TensorRT veya OpenVINO gibi biçimlere dönüştürerek uç ve bulut ortamlarında geniş uyumluluk sağlayabilirsin.
  • Aktif Topluluk: Geniş bir topluluk ve etkin bakım; sık güncellemeler, kapsamlı belgeler ve yaygın bilgisayarlı görü zorlukları için iyi test edilmiş çözümler sunar.

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 başlamak kolaydır. Aşağıda, önceden eğitilmiş bir YOLOv5u modelini yükleyen, COCO8 örnek veri kümesinde eğiten, çıkarım çalıştıran ve sonucu dışa aktaran, çalıştırılmaya hazır eksiksiz bir örnek bulunuyor:

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 Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Değerlendirebileceğin Diğer Son Teknoloji Modeller#

YOLOv5 kendini kanıtlamış bir standart olsa da bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan ekipler için Ultralytics daha yeni mimarilerini öneriyor.

Ultralytics YOLO26#

Ocak 2026'da yayımlanan YOLO26, en yeni Ultralytics model ailesidir ve önceki nesillere kıyasla hem doğruluğu hem de hızı artırır. Önemli yenilikler şunlardır:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 modelindeki 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 kaldırıldığında YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sunar; bu da onu düşük güçlü uç cihazlar için uygun kılar.
  • MuSGD Optimize Edici: LLM eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, drone görüntüleri ve akıllı tarım için kritik olan küçük nesne tanımayı iyileştirir.

Ayrıca, güçlü performans sunan ve eski sistemlerle YOLO26 arasında güvenilir, tam destekli bir seçenek olmayı sürdüren YOLO11 modelini de değerlendirebilirsin.

Gerçek Dünya Kullanım Senaryoları#

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

YOLOv5 İçin İdeal Uygulamalar: YOLOv5'in düşük kaynak gereksinimleri ve kullanım kolaylığı, onu uç yapay zekâ için yaygın bir seçenek hâline getirir. Gerçek zamanlı robotik, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi sınırlı donanımda yüksek kare hızları gerektiren uygulamalarda iyi çalışır. Aynı çerçevede örnek bölümleme ve görüntü sınıflandırmayı desteklemesi, modeli uyarlanabilir kılar.

PP-YOLOE+ İçin İdeal Uygulamalar: PP-YOLOE+, en yüksek doğruluğun en hızlı çıkarımdan daha önemli olduğu senaryolar ve teknik yığınları hâlihazırda Baidu'nun PaddlePaddle ekosistemi üzerine kurulu kuruluşlardaki endüstriyel denetim süreçleri için en uygunudur.

Özetle PP-YOLOE+ güçlü kesinlik kıyaslama sonuçları sunsa da Ultralytics YOLO modelleri dengeli performansı, kolay dağıtımı ve bilgisayarlı görü projelerinin fikir aşamasından üretime geçmesine yardımcı olan geliştirici dostu tasarımı bir araya getirir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.