YOLOv5 ve PP-YOLOE+: Modern Nesne Algılamaya Teknik Bir Derin Dalış

Doğru sinir ağı mimarisini seçmek, her modern bilgisayar görüşü projesi için çok önemlidir. Geliştiriciler ve araştırmacılar, gerçek zamanlı nesne algılama modellerini değerlendirirken, karar genellikle doğruluk, çıkarım hızı ve dağıtım kolaylığı arasında bir denge kurmaya dayanır. Bu teknik karşılaştırma, YOLOv5 ve PP-YOLOE+'ı inceleyerek, uygulamalarınız için en uygun çözümü seçmenize yardımcı olmak amacıyla mimarilerini, performans metriklerini ve eğitim metodolojilerini keşfeder.

Mimarileri Anlamak

Her iki model de yapay zeka alanını önemli ölçüde etkilemiştir, ancak nesne algılama zorluklarına farklı yapısal metodolojiler ve çerçeve bağımlılıkları aracılığıyla yaklaşırlar.

Ultralytics YOLOv5: Endüstri Standardı

2020 ortalarında piyasaya sürülen Ultralytics YOLOv5, son teknoloji görüş modellerinin erişilebilirliğini devrim niteliğinde değiştirdi. YOLO ailesindeki ilk yerel PyTorch uygulaması olması sayesinde, dünya genelindeki Python geliştiricileri ve ML mühendisleri için giriş engelini önemli ölçüde düşürdü.

YOLOv5 Detayları:

Yazarlar: Glenn Jocher
Organizasyon: Ultralytics
Tarih: 2020-06-26
GitHub: ultralytics/yolov5
Belgeler: YOLOv5 Belgeleri

YOLOv5, hafif bir parametre sayısını korurken zengin özellik temsillerini verimli bir şekilde yakalayan değiştirilmiş bir CSPDarknet backbone kullanır. Eğitim başlamadan önce özel veri kümeleri için optimal anchor boyutlarını otomatik olarak hesaplayan otomatik öğrenen anchor kutularını tanıttı. Ayrıca, mozaik veri artırımının entegrasyonu, modelin daha küçük nesneleri detect etme ve karmaşık uzamsal bağlamlarda genelleme yeteneğini önemli ölçüde artırır.

YOLOv5'in en büyük güçlerinden biri inanılmaz çok yönlülüğüdür. Standart nesne dedektörlerinin aksine, YOLOv5 ailesi birleşik bir API içinde görüntü sınıflandırmayı, örnek segmentasyonunu ve sınırlayıcı kutu algılamayı sorunsuz bir şekilde destekler. Yüksek düzeyde optimize edilmiş mimarisi, ağır transformatör tabanlı ağlara kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımına da dönüşür.

YOLOv5 hakkında daha fazla bilgi edinin.

PP-YOLOE+: PaddlePaddle Rakibi

Yaklaşık iki yıl sonra tanıtılan PP-YOLOE+, önceki PP-YOLO iterasyonlarının temeli üzerine inşa edilmiştir. Baidu'nun derin öğrenme çerçevesinin yeteneklerini sergilemek üzere geliştirilen bu model, ortalama hassasiyeti artırmak için çeşitli mimari iyileştirmeler sunar.

PP-YOLOE+ Detayları:

Yazarlar: PaddlePaddle Yazarları
Kuruluş: Baidu
Tarih: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddlePaddle/PaddleDetection
Belgeler: PP-YOLOE+ README

PP-YOLOE+, anchor-free bir paradigmaya dayanır ve bir CSPRepResNet backbone kullanır. Hassasiyeti artırmak için güçlü bir Görev Hizalama Öğrenme tekniği ve Verimli Görev Hizalı Başlık içerir. PP-YOLOE+ etkileyici doğruluk skorları elde etse de, birincil zayıflığı PaddlePaddle çerçevesine olan katı bağımlılığında yatmaktadır. Bu durum, PyTorch veya TensorFlow ortamlarına zaten derinden yatırım yapmış araştırma ekipleri ve işletmeler için genellikle dik bir öğrenme eğrisi ve ekosistem sürtünmesi yaratır.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans ve Kıyaslamalar

Bu modelleri üretim için değerlendirirken, hassasiyet, çıkarım hızı ve parametre ayak izi arasındaki dengeyi anlamak çok önemlidir. Aşağıdaki tablo, farklı boyut varyantlarındaki temel performans metriklerini özetlemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

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

PP-YOLOE+ yüksek doğruluk sınırlarına ulaşırken, YOLOv5 kısıtlı donanımlarda sürekli olarak üstün parametre verimliliği ve daha hızlı çıkarım sergiler. Belleğin kısıtlı olduğu kenar dağıtımları için YOLOv5n, eşsiz hız ve son derece küçük bir ayak izi sunar.

Bellek Verimliliği

Ultralytics modelleri, eğitim verimliliği için özel olarak tasarlanmıştır. RT-DETR gibi ağır görüş transformatörlerine kıyasla, YOLOv5 önemli ölçüde daha az CUDA belleği kullanır, bu da daha büyük yığın boyutlarında veya tüketici sınıfı donanımlarda eğitim yapmanızı sağlar.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı

Bir makine öğrenimi mimarisinin gerçek değeri ham sayıların ötesine uzanır; tüm geliştirici deneyimini kapsar. Ultralytics Platformu ve ilgili açık kaynak araçları, geliştirme döngülerini önemli ölçüde hızlandıran, son derece rafine, iyi bakımlı bir ekosistem sunar.

Kullanım Kolaylığı: Ultralytics, karmaşık boilerplate kodunu soyutlar. Modelleri sezgisel bir Python API veya CLI aracılığıyla eğitebilir, doğrulayabilir ve test edebilirsiniz.
Dağıtım Esnekliği: Modelleri dışa aktarmak inanılmaz derecede basittir. Tek bir komutla, eğitilmiş YOLOv5 ağırlıklarınızı ONNX, TensorRT veya OpenVINO gibi formatlara dönüştürebilir, böylece kenar ve bulut ortamlarında geniş uyumluluk sağlayabilirsiniz.
Aktif Topluluk: Canlı topluluk, sık güncellemeler, kapsamlı dokümantasyon ve yaygın bilgisayar görüşü zorluklarına sağlam çözümler garanti eder.

Buna karşılık, PP-YOLOE+, hızlı prototiplemeyi yavaşlatabilen ve modern MLOps işlem hatlarına entegrasyonu karmaşıklaştırabilen PaddleDetection'a özgü karmaşık yapılandırma dosyalarına büyük ölçüde güvenir.

Pratik Uygulamalar ve Kod Örnekleri

Ultralytics ile başlamak oldukça basittir. İşte önceden eğitilmiş bir YOLOv5 modelini nasıl yükleyeceğinizi, özel bir veri kümesi üzerinde nasıl eğiteceğinizi ve sonuçları nasıl dışa aktaracağınızı gösteren eksiksiz, çalıştırılabilir bir örnek:

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset for 50 epochs
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on a sample image
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model to ONNX format
path = model.export(format="onnx")

Kullanım Durumları ve Öneriler

YOLOv5 ve PP-YOLOE+ arasında seçim yapmak, projenizin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerinize bağlıdır.

YOLOv5 Ne Zaman Tercih Edilmeli?

YOLOv5, aşağıdaki durumlar için güçlü bir seçenektir:

Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun süreli istikrar geçmişinin, kapsamlı dokümantasyonunun ve büyük topluluk desteğinin değerli olduğu mevcut dağıtımlar.
Kaynak Kısıtlı Eğitim: Sınırlı GPU kaynaklarına sahip ortamlarda, YOLOv5'in verimli eğitim hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı durumlar.
Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Ne Zaman PP-YOLOE+ Seçmeli

PP-YOLOE+ şunlar için önerilir:

PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip kuruluşlar.
Paddle Lite Kenar Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
Yüksek Doğruluklu Sunucu Taraflı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

NMS-Free Uç Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Dikkate Alınması Gereken Alternatif Son Teknoloji Modeller

YOLOv5 sağlam ve kanıtlanmış bir standart olsa da, bilgisayar görüşü alanı hızla ilerlemektedir. Yeni projelere başlayan ekipler için daha yeni mimarilerimizi keşfetmelerini şiddetle tavsiye ederiz.

Ultralytics YOLO26

Ocak 2026'da piyasaya sürülen YOLO26, araştırmamızın mutlak zirvesini temsil etmektedir. Hem doğruluk hem de hızda büyük iyileştirmeler sunar. Başlıca yenilikler şunlardır:

Uçtan Uca NMS'siz Tasarım: YOLOv10'dan gelen konseptler üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) son işlemeyi doğal olarak ortadan kaldırarak gecikmeyi azaltır ve dağıtım mantığını basitleştirir.
DFL Kaldırma: Distribution Focal Loss'u kaldırarak, YOLO26 yüzde 43'e kadar daha hızlı CPU çıkarımı elde eder, bu da onu düşük güçlü kenar cihazlar için inanılmaz derecede güçlü kılar.
MuSGD Optimizatörü: Gelişmiş LLM eğitim tekniklerinden esinlenilen bu SGD ve Muon hibriti, olağanüstü kararlı eğitim çalışmaları ve daha hızlı yakınsama sağlar.
ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve akıllı tarım için kritik olan küçük nesne tanımada önemli iyileştirmeler sunar.

Ek olarak, mükemmel performans sunan ve eski sistemler ile YOLO26'nın en son teknolojileri arasında oldukça güvenilir bir köprü görevi gören YOLO11'i de düşünebilirsiniz.

Gerçek Dünya Kullanım Durumları

YOLOv5 ve PP-YOLOE+ arasındaki seçim nihayetinde dağıtım ortamınıza ve proje kısıtlamalarınıza bağlıdır.

İdeal YOLOv5 Uygulamaları: YOLOv5'in minimal kaynak gereksinimleri ve inanılmaz kullanım kolaylığı, onu kenar yapay zeka için önde gelen bir seçenek haline getirir. Gerçek zamanlı robotik, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi sınırlı donanımda yüksek kare hızları gerektiren uygulamalarda üstündür. Aynı çerçeve içinde poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerini eş zamanlı olarak yerine getirme yeteneği, onu oldukça uyarlanabilir kılar.

İdeal PP-YOLOE+ Uygulamaları: PP-YOLOE+, statik görüntülerde mutlak maksimum doğruluğun gerçek zamanlı işleme kısıtlamalarına göre önceliklendirildiği senaryolar için en uygunudur. Endüstriyel denetim hatlarında, özellikle Baidu ve PaddlePaddle ekosistemine yoğun yatırım yapmış, önceden kurulmuş teknik yığınlara sahip Asya üretim sektörlerinde niş kullanım alanı bulur.

Özetle, PP-YOLOE+ güçlü hassasiyet kıyaslamaları sunarken, Ultralytics YOLO modelleri, performans dengesi, sorunsuz dağıtım ve geliştirici dostu tasarımın eşsiz bir kombinasyonunu sunarak başarılı bilgisayar görüşü projelerini konseptten üretime taşır.