Ultralytics YOLO27:

YOLOv7 ve PP-YOLOE+ Karşılaştırması#

Üretim iş akışları için son teknoloji bilgisayarlı görü modellerini değerlendirirken geliştiriciler, farklı mimarilerin avantajlarını sıklıkla tartar. Nesne tespiti alanındaki iki önemli model YOLOv7 ve PP-YOLOE+ modelleridir. Bu kılavuz, bir sonraki bilgisayarlı görü projen için bilinçli bir karar vermene yardımcı olmak amacıyla bu modellerin mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını ayrıntılı olarak karşılaştırır.

Mimari Yenilikler#

Bu modeller arasındaki temel yapısal farklılıkları anlamak, eğitim ve çıkarım sırasında nasıl davranacaklarını öngörmek açısından kritik öneme sahiptir.

YOLOv7 Mimarisi Öne Çıkanları#

YOLOv7, çıkarım maliyetlerini büyük ölçüde artırmadan doğruluğu iyileştirmek için tasarlanmış çeşitli önemli yenilikler sundu.

  • Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN): Bu mimari, en kısa ve en uzun gradyan yollarını kontrol eder. Böylece ağın daha çeşitli özellikler öğrenmesini sağlar ve özgün gradyan yolunu yok etmeden genel öğrenme kapasitesini geliştirir.
  • Model Ölçeklendirme Stratejileri: YOLOv7, farklı boyutlarda en uygun mimari yapıyı korumak için katmanları birleştirirken derinliği ve genişliği eş zamanlı olarak ayarlayan bileşik model ölçeklendirmesini kullanır.
  • Eğitilebilir Ücretsiz Avantajlar Paketi: Yazarlar, özdeşlik bağlantıları içermeyen yeniden parametreleştirilmiş bir evrişim yöntemini (RepConv) entegre etti. Bu yöntem, modelin tahmin gücünden ödün vermeden çıkarım hızını önemli ölçüde artırır.

YOLOv7 Ayrıntıları:

  • Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
  • Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
  • Tarih: 2022-07-06
  • Arxiv: https://arxiv.org/abs/2207.02696

YOLOv7 hakkında daha fazla bilgi edin

PP-YOLOE+ Mimarisi Öne Çıkanları#

Baidu tarafından PaddlePaddle ekosistemi içinde geliştirilen PP-YOLOE+, önceki modeli PP-YOLOv2'nin temelini geliştirerek bağlantısız yöntemlere ve gelişmiş özellik temsillerine güçlü biçimde odaklanır.

  • Bağlantısız Tasarım: Bağlantı tabanlı yaklaşımların aksine bu tasarım, tahmin başlığını basitleştirir ve hiperparametre sayısını azaltır; böylece modelin özel veri kümeleri için ayarlanmasını kolaylaştırır.
  • CSPRepResNet Omurgası: Bu omurga, hesaplama verimliliğini korurken özellik çıkarma yeteneklerini geliştirmek için artık bağlantıları ve Aşamalı Kısmi Çapraz ağları bir araya getirir.
  • Görev Hizalama Öğrenimi (TAL): PP-YOLOE+, sınıflandırma ve konumlandırma görevlerini daha iyi hizalamak için ET-head (Verimli Görev Hizalamalı Başlık) kullanır ve tek aşamalı dedektörlerdeki yaygın bir darboğazı ele alır.

PP-YOLOE+ Ayrıntıları:

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans Ölçümleri ve Karşılaştırmalı Testler#

Doğru modeli seçmek çoğu zaman donanımının ve gecikme gereksinimlerinin özel kısıtlarına bağlıdır. Aşağıdaki tablo, doğruluk (mAP), hız ve model karmaşıklığı arasındaki ödünleşimleri gösterir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Sonuçların Analizi#

  • Yüksek Doğruluk Senaryoları: YOLOv7x, karmaşık tespit görevlerinde rekabetçi olan yüksek bir mAP değerine ulaşarak güçlü bir performans sergiler. PP-YOLOE+x, mAP açısından biraz daha yüksek bir ölçeğe ulaşsa da bunu parametre ve FLOP sayısında önemli bir artışla gerçekleştirir.
  • Verimlilik ve Hız: PP-YOLOE+'nın daha küçük varyantları (t ve s), son derece düşük TensorRT hızları sunar ve bu nedenle donanım kısıtlarının katı olduğu uç dağıtımlar için oldukça uygundur.
  • En Uygun Denge: YOLOv7l, T4 GPU'larında 7 ms'nin altında çıkarım süresini korurken %51'in üzerinde mAP sunarak etkileyici bir denge sağlar ve standart gerçek zamanlı sunucu uygulamaları için sağlam bir tercihtir.
Üretim için Optimizasyon

Bu modelleri dağıtırken TensorRT veya ONNX gibi dışa aktarma biçimlerinden yararlanmak, yerel PyTorch çıkarımına kıyasla gecikmeyi önemli ölçüde azaltabilir.

Ultralytics Avantajı#

Hem YOLOv7 hem de PP-YOLOE+ güçlü kıyaslama performansı sunsa da geliştirme deneyimi ve ekosistem desteği proje başarısı için aynı derecede kritiktir.

Kolaylaştırılmış Kullanıcı Deneyimi#

Ultralytics modelleri, birleşik bir Python API aracılığıyla kullanım kolaylığına öncelik verir. PaddlePaddle ekosisteminde ve ekosisteme özgü yapılandırma dosyalarında gezinmeyi gerektiren PP-YOLOE+'nın aksine Ultralytics, eğitimden dağıtıma sorunsuz bir şekilde geçmeni sağlar.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov7.pt")

# Train the model effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export for optimized deployment
model.export(format="engine")  # TensorRT export

Kaynak Verimliliği#

Ultralytics YOLO modellerinin başlıca güçlü yönlerinden biri, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimleridir. Bu verimlilik, araştırmacıların ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük toplu iş boyutları kullanmasına olanak tanıyarak eğitim sürecini daha ağır modeller veya RT-DETR gibi karmaşık Transformer mimarilerine kıyasla hızlandırır.

Ekosistem ve Çok Yönlülük#

Ultralytics ekosistemi, sık güncellemeler, kapsamlı belgeler ve standart tespitin ötesinde çeşitli görevlere yerel destek sunarak olağanüstü iyi korunur. Ultralytics ile tek bir çerçeve örnek bölütlemeyi, poz tahminini, sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler ve rakip modellerin çoğunda bulunmayan eşsiz bir çok yönlülük sağlar.

Görsel Yapay Zekânın Geleceği: YOLO26#

Bilgisayarlı görü hızla gelişirken hız ve verimlilik standartlarını yeniden tanımlayan daha yeni mimariler ortaya çıktı. Ocak 2026'da yayımlanan Ultralytics YOLO26, bu evrimin zirvesini temsil eder ve tüm yeni projeler için şiddetle tavsiye edilen tercihtir.

Önemli YOLO26 Yenilikleri:

  • Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işlem adımını ortadan kaldırır. Bu yerel uçtan uca yaklaşım, dağıtım mantığını büyük ölçüde basitleştirir ve ilk olarak YOLOv10 ile sunulan bir yenilik olarak değişken gecikmeyi azaltır.
  • Eşi Görülmemiş Uç Performansı: Dağılımsal Odak Kayıbını (DFL) kaldıran YOLO26, %43'e kadar daha hızlı CPU çıkarımı elde eder ve bu sayede önceki nesillere kıyasla IoT ve uç cihazlar için daha üstün bir seçenek olur.
  • Gelişmiş Eğitim Dinamikleri: Moonshot AI'ın Kimi K2'si gibi LLM yeniliklerinden ilham alan MuSGD Optimizer entegrasyonu, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • Üstün Küçük Nesne Tespiti: Özellikle ProgLoss + STAL olmak üzere geliştirilmiş kayıp fonksiyonları, hava görüntüleri gibi uygulamalar için kritik olan küçük nesneleri tanımadaki geçmiş zayıflıkları ele alır.

Gerçek Dünya Uygulamaları#

Bu mimariler arasındaki seçim çoğu zaman özel dağıtım ortamına bağlıdır.

PP-YOLOE+ Ne Zaman Seçilmeli#

  • PaddlePaddle Entegrasyonu: Altyapın Baidu'nun PaddlePaddle ekosistemiyle zaten derinlemesine entegreyse PP-YOLOE+ yerel bir uyum sunar.
  • Asya'da Endüstriyel Denetim: Donanım ve yazılım yığınlarının Baidu araçları için önceden yapılandırıldığı Asya üretim merkezlerinde sıklıkla kullanılır.

YOLOv7 Ne Zaman Seçilmeli#

  • GPU Hızlandırmalı Sistemler: video analizi gibi yüksek aktarım hızı gerektiren görevlerde sunucu sınıfı GPU'larda olağanüstü performans gösterir.
  • Robotik Entegrasyonu: Bilgisayarlı görüyü robotiğe entegre etmek için idealdir ve dinamik ortamlarda hızlı karar vermeyi sağlar.
  • Akademik Araştırma: PyTorch tabanlı araştırmalarda geniş ölçüde desteklenir ve güvenilir bir temel olarak sıkça kullanılır.

Eski modeller tarihsel önem taşısa da Ultralytics Platform aracılığıyla YOLO26 veya YOLO11 gibi modern mimarilere geçmek, günümüzde mevcut olan en yeni optimizasyonlara, en basit eğitim iş akışlarına ve en kapsamlı çoklu görev desteğine erişmeni sağlar.

Katkıda Bulunanlar
GLglenn-jocher15

Yorumlar