YOLOv5 ve PP-YOLOE+ karşılaştırması#
Doğru sinir ağı mimarisini seçmek, modern her bilgisayarlı görü projesi için çok önemlidir. Geliştiriciler ve araştırmacılar gerçek zamanlı nesne tespiti için modelleri değerlendirirken, karar genellikle doğruluk, çıkarım hızı ve dağıtım kolaylığını dengelemeye dayanır. Bu teknik karşılaştırma, uygulamanız için en uygun çözümü seçmenize yardımcı olmak amacıyla YOLOv5 ve PP-YOLOE+ modellerini mimarileri, performans ölçümleri ve eğitim metodolojileri açısından incelemektedir.
Mimarileri Anlamak#
Her iki model de görü yapay zeka dünyasını önemli ölçüde etkilemiştir ancak nesne tespiti zorluklarına farklı yapısal metodolojiler ve çerçeve bağımlılıkları üzerinden yaklaşırlar.
Ultralytics YOLOv5: Endüstri Standardı#
2020 yılının ortalarında piyasaya sürülen Ultralytics YOLOv5, son teknoloji ürünü görme modellerinin erişilebilirliğinde devrim yarattı. YOLO ailesindeki ilk yerel PyTorch uygulaması olması sayesinde, dünya genelindeki Python geliştiricileri ve ML mühendisleri için giriş engelini büyük ölçüde düşürdü.
YOLOv5 Detayları:
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Documentation
YOLOv5, hafif bir parametre sayısını korurken zengin özellik temsillerini verimli bir şekilde yakalayan modifiye edilmiş bir CSPDarknet omurgası kullanır. Eğitim başlamadan önce özel veri setleri için optimum çapa kutusu boyutlarını otomatik olarak hesaplayan otomatik öğrenen çapa kutularını tanıtmıştır. Ayrıca, mozaik veri artırma entegrasyonu, modelin daha küçük nesneleri tespit etme ve karmaşık mekansal bağlamlarda genelleme yapma yeteneğini önemli ölçüde artırır.
YOLOv5'in en büyük güçlerinden biri inanılmaz çok yönlülüğüdür. Standart nesne dedektörlerinin aksine YOLOv5 ailesi; tek bir API içinde image classification, instance segmentation ve sınırlayıcı kutu tespitini sorunsuz bir şekilde destekler. Son derece optimize edilmiş mimarisi, ağır transformer tabanlı ağlara kıyasla eğitim ve çıkarım sırasında çok daha düşük bellek kullanımı sağlar.
YOLOv5 hakkında daha fazla bilgi edin
PP-YOLOE+: PaddlePaddle Rakibi#
Yaklaşık iki yıl sonra tanıtılan PP-YOLOE+, önceki PP-YOLO sürümlerinin temeli üzerine inşa edilmiştir. Baidu'nun derin öğrenme çerçevesinin yeteneklerini sergilemek için geliştirilmiş olup, ortalama Hassasiyeti (mAP) 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+, çıpaya (anchor) dayanmayan bir paradigma üzerine kuruludur ve bir CSPRepResNet omurgası kullanır. Hassasiyeti artırmak için güçlü bir Görev Hizalama Öğrenimi tekniği ve Verimli Görev Hizalamalı Başlık içerir. PP-YOLOE+ etkileyici doğruluk puanları elde ederken, temel zayıflığı PaddlePaddle çerçevesine olan sıkı bağımlılığında yatar. Bu durum, hâlihazırda PyTorch veya TensorFlow ortamlarına büyük yatırımlar yapmış olan araştırma ekipleri ve işletmeler için genellikle dik bir öğrenme eğrisi ve ekosistem sürtünmesi ortaya çıkarır.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Performans ve Kıyaslamalar#
Üretim için bu modelleri değerlendirirken; hassasiyet, çıkarım hızı ve parametre kapladığı alan arasındaki dengeleri anlamak çok önemlidir. Aşağıdaki tablo, farklı boyut varyantları arasındaki temel performance metrics özetlemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (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 daha üstün parametre verimliliği ve daha hızlı çıkarım sergiler. Belleğin kısıtlı olduğu uç (edge) dağıtımları için YOLOv5n, benzersiz bir hız ve son derece küçük bir ayak izi sunar.
Ultralytics modelleri, eğitim verimliliği için özel olarak tasarlanmıştır. RT-DETR gibi ağır görsel transformer'larına kıyasla YOLOv5, çok daha az CUDA belleği kullanarak daha büyük yığın boyutlarında (batch size) veya tüketici sınıfı donanımlarda eğitim yapmanı sağlar.
Ultralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#
Bir makine öğrenimi mimarisinin gerçek değeri ham sayıların ötesine uzanır; tüm geliştirici deneyimini kapsar. Ultralytics Platform ve buna karşılık gelen açık kaynaklı araçlar, geliştirme döngülerini büyük ölçüde hızlandıran son derece gelişmiş, bakımlı bir ekosistem sağlar.
- Kullanım Kolaylığı: Ultralytics, karmaşık şablon kodları soyutlar. Sezgisel bir Python API veya CLI aracılığıyla modelleri eğitebilir, doğrulayabilir ve test edebilirsin.
- Dağıtım Esnekliği: Modelleri dışarı aktarmak inanılmaz derecede basittir. Tek bir komutla eğitilmiş YOLOv5 ağırlıklarını ONNX, TensorRT veya OpenVINO gibi formatlara dönüştürerek uç (edge) ve bulut ortamlarında geniş uyumluluk sağlayabilirsin.
- Aktif Topluluk: Canlı topluluk, sık güncellemeleri, kapsamlı dokümantasyonu ve yaygın bilgisayarlı görü zorluklarına karşı sağlam çözümleri garanti eder.
Buna karşılık PP-YOLOE+, hızlı prototiplemeyi yavaşlatabilen ve modern MLOps boru hatlarına entegrasyonu zorlaştırabilen PaddleDetection'a özgü karmaşık yapılandırma dosyalarına büyük ölçüde güvenir.
Pratik Uygulamalar ve Kod Örnekleri#
Ultralytics ile başlamak oldukça basittir. İşte önceden eğitilmiş bir YOLOv5 modelinin nasıl yükleneceğine, özel bir veri setinde nasıl eğitileceğine ve sonuçların nasıl dışa aktarılacağına dair 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 ile PP-YOLOE+ arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv5 Ne Zaman Seçilmeli#
YOLOv5 şunlar için güçlü bir tercihtir:
- Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
- Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
- Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şunlar için önerilir:
- PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
- Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
- Yüksek Doğruluklu Sunucu Tarafı 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 Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Dikkate Alınabilecek Alternatif Son Teknoloji Modeller#
YOLOv5 sağlam ve kanıtlanmış bir standart olsa da, bilgisayarlı görü alanı hızla ilerlemektedir. Yeni projeler başlatan ekipler için daha yeni mimarilerimizi keşfetmenizi şiddetle tavsiye ederiz.
Ultralytics YOLO26#
Ocak 2026'da piyasaya sürülen YOLO26, araştırmamızın kesin zirvesini temsil eder. Hem doğruluk hem de hız konusunda devasa gelişmeler sunar. Temel yenilikler şunlardır:
- Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) son işlem adımlarını yerel olarak ortadan kaldırarak gecikmeyi azaltır ve dağıtım mantığını basitleştirir.
- DFL Kaldırma: Distribution Focal Loss'u çıkararak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı sağlar, bu da onu düşük güçlü uç cihazlar için inanılmaz derecede güçlü kılar.
- MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, son derece kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone imagery ve akıllı tarım için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
Ek olarak, mükemmel performans sunan ve eski sistemler ile YOLO26'nın son teknoloji yetenekleri arasında son derece güvenilir bir köprü görevi gören YOLO11 seçeneğini değerlendirebilirsin.
Gerçek Dünya Kullanım Durumları#
YOLOv5 ile PP-YOLOE+ arasındaki seçim nihayetinde dağıtım ortamına ve proje kısıtlamalarına bağlıdır.
İdeal YOLOv5 Uygulamaları: YOLOv5'in minimum kaynak gereksinimleri ve inanılmaz kullanım kolaylığı, onu edge AI için bir numaralı tercih haline getirir. Gerçek zamanlı robotics, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi sınırlı donanımda yüksek kare hızları gerektiren uygulamalarda mükemmeldir. Aynı çerçeve içinde aynı anda pose estimation ve oriented bounding box (OBB) görevlerini işleme yeteneği, onu son derece uyumlu hale getirir.
İdeal PP-YOLOE+ Uygulamaları: PP-YOLOE+, statik görüntülerde gerçek zamanlı işleme kısıtlamalarına göre mutlak maksimum doğruluğun önceliklendirildiği senaryolar için en uygunudur. Özellikle Baidu ve PaddlePaddle ekosistemine yoğun bir şekilde yatırım yapmış önceden kurulmuş teknik yığınlara sahip Asya üretim sektörlerindeki endüstriyel denetim boru hatlarında niş bir kullanım alanı bulur.
Özetle, PP-YOLOE+ güçlü hassasiyet ölçütleri sağlasa da, Ultralytics YOLO modelleri bilgisayarlı görü projelerini konseptten üretime başarıyla taşıyan performans dengesi, sorunsuz dağıtım ve geliştirici dostu tasarımın benzersiz bir kombinasyonunu sağlar.