YOLOv7 ve PP-YOLOE+#

Üretim işlem hatları için son teknoloji bilgisayarlı görü modellerini değerlendirirken geliştiriciler çoğu zaman farklı mimarilerin avantajlarını tartar. Nesne algılama alanında öne çıkan iki model YOLOv7 ve PP-YOLOE+ modelleridir. Bu kılavuz, bilgisayarlı görü alanındaki bir sonraki projen için bilinçli karar vermene yardımcı olmak üzere bu modellerin mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını ayrıntılı biçimde karşılaştırıyor.

Mimari Yenilikler#

Bu modeller arasındaki temel yapısal farklılıkları anlamak, eğitim ve çıkarım sırasında nasıl davranacaklarını öngörmek açısından çok önemlidir.

YOLOv7 Mimarisinin Öne Çıkanları#

YOLOv7, çıkarım maliyetlerini önemli ölçüde artırmadan doğruluğu iyileştirmek üzere tasarlanmış birkaç önemli yenilik sundu.

• Genişletilmiş Verimli Katman Toplama Ağları (E-ELAN): Bu mimari, en kısa ve en uzun gradyan yollarını denetler. Böylece ağın daha çeşitli özellikler öğrenmesini sağlar ve özgün gradyan yolunu bozmadan genel öğrenme yeteneğini geliştirir.
• Model Ölçekleme Stratejileri: YOLOv7, farklı boyutlarda en uygun mimari yapısını korumak için katmanları birleştirirken derinliği ve genişliği aynı anda ayarlayarak bileşik model ölçekleme uygular.
• Eğitilebilir Bedava Avantajlar Paketi: Yazarlar, özdeşlik bağlantıları olmayan yeniden parametrelendirilmiş 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: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
• Tarih: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696

YOLOv7 hakkında daha fazla bilgi edin

PP-YOLOE+ Mimarisinin Öne Çıkanları#

Baidu tarafından PaddlePaddle ekosistemi içinde geliştirilen PP-YOLOE+, önceki sürümü PP-YOLOv2'yi temel alır ve anchorsız yöntemlere ve gelişmiş özellik temsillerine yoğunlaşır.

• Anchorsız Tasarım: Anchor tabanlı yaklaşımların aksine bu tasarım, tahmin başlığını basitleştirir ve hiperparametre sayısını azaltarak modelin özel veri kümelerine göre ayarlanmasını kolaylaştırır.
• CSPRepResNet Backbone: Bu omurga, hesaplama verimliliğini korurken özellik çıkarma yeteneklerini geliştirmek için artık bağlantıları ve Cross Stage Partial ağlarını kullanır.
• Görev Hizalama Öğrenimi (TAL): PP-YOLOE+, sınıflandırma ve konum belirleme görevlerini daha iyi hizalamak ve tek aşamalı dedektörlerde sık görülen bir darboğazı gidermek için ET-head'i (Verimli Görev Hizalama Başlığı) kullanır.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle yazarları
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250

PP-YOLOE+ hakkında daha fazla bilgi edin

Performans Ölçütleri ve Kıyaslamalar#

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

Sonuçların Analizi#

• Yüksek Doğruluk Gerektiren Senaryolar: YOLOv7x, karmaşık algılama görevlerinde rekabetçi düzeyde yüksek mAP değerine ulaşarak güçlü bir performans sergiler. PP-YOLOE+x, mAP değerini biraz daha yükseltse de bunu parametre ve FLOP sayısını önemli ölçüde artırarak başarır.
• Verimlilik ve Hız: PP-YOLOE+'ın daha küçük varyantları (t ve s), son derece düşük TensorRT gecikme süreleri sunar. Bu nedenle donanım kısıtlarının katı olduğu uç dağıtımlar için çok uygundur.
• En İyi Denge: YOLOv7l, T4 GPU'larda 7 ms'nin altında çıkarım süresi sağlarken %51'in üzerinde mAP sunarak etkileyici bir denge kurar. Bu özellikleriyle standart gerçek zamanlı sunucu uygulamaları için sağlam bir seçenektir.

Ultralytics Avantajı#

YOLOv7 ve PP-YOLOE+ kıyaslamalarda güçlü performans sunsa da geliştirme deneyimi ve ekosistem desteği de proje başarısı için aynı derecede kritiktir.

Kolaylaştırılmış Kullanıcı Deneyimi#

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

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 modeli yükle (Ultralytics paketi YOLOv7 eğitimini desteklemez)
model = YOLO("yolo26n.pt")

# Modeli kolayca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Optimize edilmiş dağıtım için dışa aktar
model.export(format="engine")  # TensorRT dışa aktarımı

Kaynak Verimliliği#

Ultralytics YOLO modellerinin en güçlü yanlarından 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 daha ağır modellere veya RT-DETR gibi karmaşık Transformer mimarilerine kıyasla eğitim sürecini hızlandırır.

Ekosistem ve Çok Yönlülük#

Ultralytics ekosistemi olağanüstü ölçüde iyi bakımlıdır; sık güncellemeler, kapsamlı belgeler ve standart algılamanın ötesindeki çeşitli görevler için yerel destek sunar. Ultralytics ile tek bir çerçeve örnek segmentasyonu, poz tahminini, sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Böylece rakip modellerde çoğu zaman bulunmayan çok yönlülüğü sağlar.

Görsel Yapay Zekânın Geleceği: YOLO26#

Bilgisayarlı görü hızla gelişirken hız ve verimlilik standartlarını yeniden tanımlayan yeni mimariler ortaya çıktı. Ocak 2026'da yayımlanan Ultralytics YOLO26, bu gelişimin zirvesini temsil eder ve tüm yeni projeler için önemle tavsiye edilir.

YOLO26'nın Öne Çıkan Yenilikleri:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Son İşlem Olarak Maksimum Olmayanların Bastırılması (NMS) adımını atlar. İlk kez YOLOv10 ile sunulan bu yerel uçtan uca yaklaşım, dağıtım mantığını büyük ölçüde basitleştirir ve değişken gecikmeyi azaltır.
• Eşi Görülmemiş Uç Performansı: Dağılım Odaklı Kaybı (DFL) kaldıran YOLO26, CPU çıkarımını %43'e kadar hızlandırır. 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 büyük dil modeli yeniliklerinden esinlenen MuSGD Optimizer entegrasyonu, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
• Küçük Nesneleri Daha İyi Algılama: Geliştirilmiş kayıp fonksiyonları, özellikle ProgLoss + STAL, küçük nesneleri tanımadaki geçmiş zayıflıkları giderir. Bu özellik, hava görüntüleri gibi uygulamalar için kritik önem taşır.

Gerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak çoğu zaman dağıtım ortamının özelliklerine bağlıdır.

PP-YOLOE+'ı Ne Zaman Seçmeli#

• PaddlePaddle Entegrasyonu: Altyapın Baidu'nun PaddlePaddle ekosistemiyle zaten derinlemesine bütünleşmişse PP-YOLOE+ doğal bir seçimdir.
• Asya'da Endüstriyel Denetim: Baidu araçları için donanım ve yazılım yığınlarının önceden yapılandırıldığı Asya üretim merkezlerinde sıkça kullanılır.

YOLOv7 Ne Zaman Seçilmeli#

• GPU Hızlandırmalı Sistemler: Video analizi gibi yüksek verim gerektiren görevlerde sunucu sınıfı GPU'larda olağanüstü iyi performans gösterir.
• Robotik Entegrasyonu: Dinamik ortamlarda hızlı karar almayı sağlayan bilgisayarlı görü teknolojisini robotiğe entegre etme çalışmaları için idealdir.
• Akademik Araştırma: Geniş ölçüde desteklenir ve PyTorch tabanlı araştırmalarda güvenilir bir temel model olarak sıkça kullanılır.

Eski modeller tarihsel öneme sahip olsa da YOLO26 gibi modern mimarilere veya Ultralytics Platform üzerinden YOLO11'e geçmek; en yeni optimizasyonlara, en basit eğitim iş akışlarına ve günümüzde sunulan en kapsamlı çoklu görev desteğine erişmeni sağlar.