YOLOv7 ve PP-YOLOE+
Üretim işlem hatları için bilgisayarlı görü modellerini değerlendirirken geliştiriciler genellikle farklı mimarilerin avantajlarını tartar. Nesne algılama alanındaki dikkat çekici iki model YOLOv7 ve PP-YOLOE+ modelleridir. Bu kılavuz, bilgisayarlı görü projende bilinçli bir karar vermene yardımcı olmak için mimarileri, performans ölçütlerini ve ideal dağıtım senaryolarını ayrıntılı biçimde karşılaştırır.
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.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
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), TensorRT'de çok düşük gecikme sunar; bu da onları donanım kısıtlarının katı olduğu uç dağıtımlar için uygun hâle getirir.
- 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 Python API'siyle kullanım kolaylığına öncelik verir. PaddlePaddle ekosisteminde ve ekosisteme özgü yapılandırma dosyalarında gezinmeyi gerektiren PP-YOLOE+'ın aksine Ultralytics, eğitimden dağıtıma birkaç satır kodla geçmeni sağlar.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO26 modeli yükle (Ultralytics paketi YOLOv7 eğitimini desteklemez)
model = YOLO("yolo26n.pt")
# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Optimize edilmiş dağıtım için dışa aktar
model.export(format="engine") # TensorRT dışa aktarımıKaynak Verimliliği#
Ultralytics YOLO modellerinin önemli bir güçlü yanı, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimleridir. Bu verimlilik, araştırmacıların ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük paket boyutları kullanmasına olanak tanıyarak ağır modellere veya RT-DETR gibi Transformer tabanlı mimarilere kıyasla eğitimi hızlandırır.
Ekosistem ve Çok Yönlülük#
Ultralytics ekosistemi, sık güncellemeler, kapsamlı belgeler ve standart algılamanın ötesindeki çeşitli görevlere yerel destek sunarak bakımlı tutulur. Ultralytics ile tek bir çerçeve örnek segmentasyonunu, sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. YOLO26 anlamsal segmentasyon ve derinlik tahminini de ekleyerek yalnızca algılama yapan modellerde bulunmayan çok yönlülüğü sunar.
Görsel Yapay Zekânın Geleceği: YOLO26#
Bilgisayarlı görü geliştikçe yeni mimariler hız ve verimlilik çıtasını yükseltmeye devam ediyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, yeni projeler için önerilen seçenektir.
YOLO26'nın Öne Çıkan Yenilikleri:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlem adımını atlar. Bu uçtan uca seçenek, dağıtım mantığını basitleştirir ve değişken gecikmeyi azaltır; YOLOv10 ile ilk kez sunulan yaklaşımı temel alır. - Daha Yüksek Uç Performansı: Dağılımsal Odak Kayıp (DFL) kaldırılarak YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım elde eder; bu da YOLO26'yı IoT ve uç cihazlar için çok uygun hâle getirir.
- 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.
- Geliştirilmiş Küçük Nesne Algılama: Özellikle ProgLoss + STAL olmak üzere geliştirilmiş eğitim teknikleri, küçük nesneleri tanımadaki geçmiş zayıflıkları giderir. Bu, hava görüntüleri gibi uygulamalar için kritik öneme sahiptir.
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.
- Baidu Teknoloji Yığını Üzerinde Endüstriyel Denetim: Donanım ve yazılım yığınlarının Baidu araçları için önceden yapılandırıldığı üretim dağıtımları.
YOLOv7 Ne Zaman Seçilmeli#
- GPU Hızlandırmalı Sistemler: Video analizi gibi yüksek iş hacmi gerektiren görevlerde sunucu sınıfı GPU'larda iyi performans gösterir.
- Robotik Entegrasyonu: Dinamik ortamlarda hızlı karar almayı sağlayarak bilgisayarlı görüyü robotiğe entegre etmek için uygundur.
- Akademik Araştırma: Geniş ölçüde desteklenir ve PyTorch tabanlı araştırmalarda güvenilir bir temel model olarak sıkça kullanılır.
Eski modeller tarihsel önem taşısa da Ultralytics Platform üzerinden YOLO26 veya YOLO11 gibi modern mimarilere geçmek en yeni optimizasyonları, daha basit eğitim iş akışlarını ve daha geniş çoklu görev desteğini sunar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.