YOLOv5 ve PP-YOLOE+’nın Karşılaştırması#

Doğru sinir ağı mimarisini seçmek, her modern bilgisayarlı görü projesi için kritik öneme sahiptir. Geliştiriciler ve araştırmacılar gerçek zamanlı nesne algılama için modelleri değerlendirirken karar çoğu zaman doğruluk, çıkarım hızı ve dağıtım kolaylığı arasındaki dengeye dayanır. Bu teknik karşılaştırma, uygulaman için en uygun çözümü seçmene yardımcı olmak üzere YOLOv5 ve PP-YOLOE+ mimarilerini, performans metriklerini ve eğitim yöntemlerini inceler.

Mimarileri Anlamak#

Her iki model de görsel yapay zekâ alanını önemli ölçüde etkiledi, ancak nesne algılama zorluklarına farklı yapısal yöntemler ve framework bağımlılıklarıyla yaklaşıyor.

Ultralytics YOLOv5: Sektör Standardı#

2020’nin ortalarında yayımlanan Ultralytics YOLOv5, son teknoloji görsel modellerin erişilebilirliğinde devrim yarattı. YOLO ailesindeki ilk yerel PyTorch uygulaması olarak Python geliştiricileri ve makine öğrenimi mühendisleri için giriş engelini dünya genelinde önemli ölçüde azalttı.

YOLOv5 Ayrıntıları:

• Yazar: Glenn Jocher
• Kuruluş: 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 omurgası kullanır. Eğitim başlamadan önce özel veri kümeleri için en uygun anchor boyutlarını otomatik olarak hesaplayan, otomatik öğrenen anchor kutularını kullanıma sundu. Ayrıca mozaik veri artırma entegrasyonu, modelin daha küçük nesneleri algılama ve karmaşık uzamsal bağlamlar arasında genelleme yapma becerisini önemli ölçüde geliştirir.

YOLOv5’in en güçlü yönlerinden biri olağanüstü çok yönlülüğüdür. Standart nesne algılayıcıların aksine YOLOv5 ailesi, birleşik bir API içinde görüntü sınıflandırma, örnek bölütleme 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 kullanıma sunulan PP-YOLOE+, önceki PP-YOLO sürümlerinin temelleri üzerine inşa edilmiştir. Baidu’nun derin öğrenme framework’ünün yeteneklerini sergilemek üzere geliştirilen model, ortalama Average Precision değerini artırmak için çeşitli mimari iyileştirmeler sunar.

PP-YOLOE+ Ayrıntıları:

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

PP-YOLOE+, anchor içermeyen bir yaklaşım kullanır ve CSPRepResNet omurgasından yararlanır. Kesinliği iyileştirmek için güçlü bir Task Alignment Learning tekniği ve Efficient Task-aligned Head içerir. PP-YOLOE+ etkileyici doğruluk skorlarına ulaşsa da temel zayıflığı, PaddlePaddle framework’üne sıkı bağımlılığıdır. Bu durum, PyTorch veya TensorFlow ortamlarına zaten yoğun yatırım yapmış araştırma ekipleri ve kuruluşlar için çoğu zaman dik bir öğrenme eğrisi ve ekosistem uyumsuzluğu yaratır.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans ve Karşılaştırmalı Testler#

Bu modelleri üretim ortamı için değerlendirirken kesinlik, çıkarım hızı ve parametre boyutu arasındaki ödünleşimleri anlamak kritik öneme sahiptir. Aşağıdaki tablo, farklı boyut varyantlarındaki temel performans metriklerini özetler.

PP-YOLOE+ yüksek doğruluk sınırlarına ulaşsa da YOLOv5, kısıtlı donanımlarda sürekli olarak daha üstün parametre verimliliği ve daha hızlı çıkarım sergiler. Belleğin kıt olduğu uç dağıtımlarda YOLOv5n, eşsiz hız ve son derece küçük bir ayak izi sunar.

Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#

Bir makine öğrenimi mimarisinin gerçek değeri ham sayıların ötesine geçer; geliştirici deneyiminin tamamını kapsar. Ultralytics Platformu ve buna karşılık gelen açık kaynaklı araçları, geliştirme döngülerini önemli ölçüde hızlandıran, yüksek düzeyde geliştirilmiş ve bakımı iyi yapılan bir ekosistem sunar.

• Kullanım Kolaylığı: Ultralytics, karmaşık şablon kodlarını soyutlar. Modelleri sezgisel bir Python API veya CLI üzerinden 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 dönüştürebilir ve uç ile bulut ortamlarında geniş uyumluluk sağlayabilirsin.
• Aktif Topluluk: Canlı topluluk, sık güncellemeler, kapsamlı belgeler ve yaygın bilgisayarlı görü zorluklarına güçlü 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 karmaşıklaştırabilir.

Pratik Uygulamalar ve Kod Örnekleri#

Ultralytics ile başlamak son derece basittir. Aşağıda, önceden eğitilmiş bir YOLOv5 modelinin nasıl yükleneceğini, özel bir veri kümesi üzerinde nasıl eğitileceğini ve sonuçların nasıl dışa aktarılacağını gösteren eksiksiz, çalıştırılabilir bir örnek yer alıyor:

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 Alanları ve Öneriler#

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

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için güçlü bir seçimdir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, 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 kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlarda önerilir:

• PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
• Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Değerlendirilebilecek Alternatif Son Teknoloji Modeller#

YOLOv5 sağlamlığı kanıtlanmış bir standart olsa da bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan ekipler için daha yeni mimarilerimizi incelemeni önemle öneriyoruz.

Ultralytics YOLO26#

Ocak 2026’da yayımlanan YOLO26, araştırmalarımızın mutlak zirvesini temsil eder. Hem doğrulukta hem de hızda büyük iyileştirmeler sunar. Temel yenilikler şunlardır:

• Uçtan Uca NMS’siz Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işlem adımını yerel olarak ortadan kaldırır; gecikmeyi azaltır ve dağıtım mantığını basitleştirir.
• DFL’nin Kaldırılması: YOLO26, Distribution Focal Loss’u kaldırarak CPU çıkarımını %43’e kadar hızlandırır ve düşük güçlü uç cihazlar için son derece güçlü hale gelir.
• MuSGD Optimizasyon Aracı: Gelişmiş LLM eğitim tekniklerinden ilham alan bu SGD ve Muon hibriti, son derece kararlı eğitim çalışmaları ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone görüntülerinde ve akıllı tarımda kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

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 Örnekleri#

YOLOv5 ile PP-YOLOE+ arasındaki seçim nihayetinde dağıtım ortamına ve proje kısıtlamalarına bağlıdır.

İdeal YOLOv5 Uygulamaları: YOLOv5 modelinin minimum kaynak gereksinimleri ve inanılmaz kullanım kolaylığı, modeli edge AI için birinci sınıf tercih haline getirir. YOLOv5 modeli, gerçek zamanlı robotics, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi sınırlı donanıma sahip cihazlarda yüksek kare hızları gerektiren uygulamalarda üstün başarı gösterir. YOLOv5 modelinin instance segmentation ve image classification işlemlerini aynı çerçeve içinde yönetebilme yeteneği, modeli son derece uyarlanabilir kılmaktadır.

PP-YOLOE+ için İdeal Uygulamalar: PP-YOLOE+, gerçek zamanlı işleme kısıtlarından ziyade statik görüntülerde mutlak maksimum doğruluğa öncelik verilen senaryolar için en uygunudur. Özellikle Baidu ve PaddlePaddle ekosistemine büyük ölçüde yatırım yapmış, önceden oluşturulmuş teknik yığınlara sahip Asya’daki üretim sektörlerinde, endüstriyel denetim işlem hatlarında niş kullanım alanları bulur.

Özetle, PP-YOLOE+ güçlü kesinlik ölçütleri sunsa da Ultralytics YOLO modelleri; performans dengesi, sorunsuz dağıtım ve geliştirici dostu tasarımın benzersiz bir birleşimini sunarak başarılı bilgisayarlı görü projelerini kavramdan üretime taşır.