Link to this sectionYOLOv5 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.
Link to this sectionMimarileri Anlamak#
Her iki model de görü yapay zeka dünyasını önemli ölçüde etkilemiştir ancak nesne tespiti zorluklarına farklı yapısal metodolojiler ve çerçeve bağımlılıkları üzerinden yaklaşırlar.
Link to this sectionUltralytics YOLOv5: Endüstri Standardı#
2020'nin ortalarında piyasaya sürülen Ultralytics YOLOv5, en son teknoloji görü modellerinin erişilebilirliğinde devrim yarattı. YOLO ailesindeki ilk yerel PyTorch uygulaması olmasıyla, dünya çapındaki Python geliştiricileri ve makine öğrenimi mühendisleri için giriş engelini ciddi oranda düşürdü.
YOLOv5 Detayları:
- Yazarlar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Dokümantasyonu
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 görüntü sınıflandırma, örnek bölümleme ve sınırlayıcı kutu tespitini birleşik bir API içinde sorunsuz bir şekilde destekler. Son derece optimize edilmiş mimarisi, ağır transformer tabanlı ağlara kıyasla eğitim ve çıkarım sırasında önemli ölçüde daha düşük bellek kullanımı sağlar.
YOLOv5 hakkında daha fazla bilgi edin
Link to this sectionPP-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
- Dokümanlar: PP-YOLOE+ README
PP-YOLOE+, çapasız bir paradigmaya dayanır ve CSPRepResNet omurgasını kullanır. Hassasiyeti artırmak için güçlü bir Görev Hizalama Öğrenme tekniği ve Verimli Görev hizalı bir Başlık içerir. PP-YOLOE+ etkileyici doğruluk puanlarına ulaşsa da, birincil zayıflığı PaddlePaddle çerçevesine olan katı bağımlılığıdır. Bu durum, zaten PyTorch veya TensorFlow ortamlarına derinlemesine yatırım yapmış araştırma ekipleri ve işletmeler için genellikle dik bir öğrenme eğrisi ve ekosistem sürtünmesi oluşturur.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Link to this sectionPerformans ve Kıyaslamalar#
Bu modelleri üretim için değerlendirirken, hassasiyet, çıkarım hızı ve parametre ayak izi arasındaki ödünleşimleri anlamak çok önemlidir. Aşağıdaki tablo, farklı boyut varyantlarındaki temel performans metriklerini 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 görü transformer'larına kıyasla YOLOv5, önemli ölçüde daha az CUDA belleği kullanır ve bu sayede daha büyük yığın boyutlarında veya tüketici sınıfı donanımlarda eğitim yapmanı sağlar.
Link to this sectionUltralytics Avantajı: Ekosistem ve Kullanım Kolaylığı#
Bir makine öğrenimi mimarisinin gerçek değeri sadece ham sayıların ötesine uzanır; tüm geliştirici deneyimini kapsar. Ultralytics Platform ve buna karşılık gelen açık kaynaklı araçlar, geliştirme döngülerini önemli ölçüde hızlandıran, son derece rafine ve iyi bakılan bir ekosistem sağlar.
- Kullanım Kolaylığı: Ultralytics, karmaşık şablon kodlarını soyutlar. Modelleri sezgisel bir Python API veya CLI aracılığıyla eğitebilir, doğrulayabilir ve test edebilirsin.
- Dağıtım Esnekliği: Modelleri dışa aktarmak inanılmaz derecede basittir. Tek bir komutla, eğitilmiş YOLOv5 ağırlıklarını ONNX, TensorRT veya OpenVINO gibi formatlara dönüştürebilir, uç 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.
Link to this sectionPratik 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")Link to this sectionKullanım Durumları ve Öneriler#
YOLOv5 ile PP-YOLOE+ arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionYOLOv5 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.
Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şunlar için önerilir:
- PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
- 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.
Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionDikkate 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.
Link to this sectionUltralytics YOLO26#
Ocak 2026'da piyasaya sürülen YOLO26, araştırmalarımızın kesin zirvesini temsil eder. Hem doğruluk hem de hızda büyük iyileştirmeler sağlar. Temel yenilikler şunları içerir:
- Uçtan Uca NMS-Free Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) işlem sonrası 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 görüntüleri ve akıllı tarım için kritik olan küçük nesne tanıma konusunda kayda değer iyileştirmeler sunar.
Ayrıca, mükemmel performans sunan ve eski sistemler ile YOLO26'nın çok ileri düzey yetenekleri arasında oldukça güvenilir bir köprü görevi gören YOLO11 modelini de düşünebilirsin.
Link to this sectionGerçek Dünya Kullanım Durumları#
YOLOv5 ile PP-YOLOE+ arasındaki seçim nihayetinde dağıtım ortamına ve proje kısıtlamalarına bağlıdır.
İdeal YOLOv5 Uygulamaları: YOLOv5'in minimal kaynak gereksinimleri ve inanılmaz kullanım kolaylığı, onu uç yapay zekası için bir numaralı tercih haline getirir. Gerçek zamanlı robotik, mobil uygulama entegrasyonu ve çok kameralı trafik izleme sistemleri gibi kısıtlı donanımlarda yüksek kare hızları gerektiren uygulamalarda mükemmel sonuç verir. Aynı çerçeve içinde poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerini aynı anda yönetme yeteneği, onu son derece uyarlanabilir kılar.
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.