YOLOv7 ve PP-YOLOE+ Karşılaştırması#

Üretim hatları için en son teknoloji bilgisayarla görü modellerini değerlendirirken, geliştiriciler genellikle farklı mimarilerin avantajlarını tartarlar. Nesne tespiti alanındaki iki dikkate değer model YOLOv7 ve PP-YOLOE+ modelleridir. Bu kılavuz, bir sonraki bilgisayarla görü projeniz için bilinçli bir karar vermenize yardımcı olmak amacıyla mimarilerinin, performans metriklerinin ve ideal dağıtım senaryolarının ayrıntılı bir teknik karşılaştırmasını sunar.

Mimari Yenilikler#

Bu modeller arasındaki temel yapısal farkları anlamak, eğitim ve çıkarım sırasında nasıl davranacaklarını tahmin etmek için çok önemlidir.

YOLOv7 Mimarisinin Öne Çıkanları#

YOLOv7, çıkarım maliyetlerini önemli ölçüde artırmadan doğruluğu iyileştirmek için tasarlanmış birkaç önemli gelişme sunmuştur.

• Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN): Bu mimari, en kısa ve en uzun gradyan yollarını kontrol eder. Bunu yaparak, ağın daha çeşitli özellikleri öğrenmesini sağlar ve orijinal gradyan yolunu bozmadan genel öğrenme kapasitesini geliştirir.
• Model Ölçeklendirme Stratejileri: YOLOv7, farklı boyutlarda optimal mimari yapısını korumak için katmanları birleştirirken derinliği ve genişliği eşzamanlı olarak ayarlayan bileşik model ölçeklendirmeyi kullanır.
• Eğitilebilir Bag-of-Freebies: Yazarlar, kimlik bağlantıları olmayan yeniden parametrelendirilmiş bir evrişim yöntemi (RepConv) entegre etmişlerdir; bu, 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, Tayvan
Tarih: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696

YOLOv7 hakkında daha fazla bilgi edinin

PP-YOLOE+ Mimarisinin Öne Çıkanları#

PaddlePaddle ekosistemi içinde Baidu tarafından geliştirilen PP-YOLOE+, bir önceki sürümü olan PP-YOLOv2'nin üzerine inşa edilmiş olup, büyük ölçüde çapasız (anchor-free) metodolojilere ve geliştirilmiş özellik temsillerine odaklanmaktadır.

• Çapasız Tasarım: Çapa tabanlı yaklaşımların aksine, bu tasarım tahmin kafasını basitleştirir ve hiperparametre sayısını azaltarak modelin özel veri setleri için ayarlanmasını kolaylaştırır.
• CSPRepResNet Omurga: Bu omurga, hesaplama verimliliğini korurken özellik çıkarma yeteneklerini geliştirmek için kalıntı bağlantıları (residual connections) ve Cross Stage Partial ağlarını içerir.
• Görev Hizalama Öğrenmesi (TAL): PP-YOLOE+, tek aşamalı dedektörlerdeki yaygın bir darboğazı ele alarak sınıflandırma ve yerelleştirme görevlerini daha iyi hizalamak için ET-head (Verimli Görev hizalı kafa) 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 Metrikleri ve Kıyaslamalar#

Doğru modeli seçmek genellikle donanımınızın ve gecikme gereksinimlerinizin özel kısıtlamalarına bağlıdır. Aşağıdaki tablo, doğruluk (mAP), hız ve model karmaşıklığı arasındaki ödünleşimleri göstermektedir.

Sonuçların Analizi#

• Yüksek Doğruluk Senaryoları: YOLOv7x, karmaşık tespit görevleri için rekabetçi, yüksek bir mAP elde ederek güçlü bir performans sergiler. PP-YOLOE+x mAP değerinde biraz daha yükselse de, bunu parametre ve FLOP değerlerinde önemli bir artışla yapar.
• Verimlilik ve Hız: PP-YOLOE+'nın daha küçük varyantları (t ve s), son derece düşük TensorRT hızları sunar ve bu da onları donanım kısıtlamalarının katı olduğu uç (edge) dağıtımları için son derece uygun hale getirir.
• İdeal Nokta: YOLOv7l, T4 GPU'larda 7ms altı bir çıkarım süresini korurken %51'in üzerinde mAP sunarak etkileyici bir denge sağlar ve bu da onu standart gerçek zamanlı sunucu uygulamaları için sağlam bir seçenek haline getirir.

Ultralytics Avantajı#

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

Kolaylaştırılmış Kullanıcı Deneyimi#

Ultralytics modelleri, birleşik bir Python API aracılığıyla kullanım kolaylığına öncelik verir. PaddlePaddle ekosistemini ve özel yapılandırma dosyalarını gezinmeyi gerektiren PP-YOLOE+'nın aksine Ultralytics, eğitimden dağıtıma sorunsuz bir şekilde geçmenizi 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 önemli bir gücü, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimlerine sahip olmalarıdır. Bu verimlilik, araştırmacıların ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük yığın boyutları (batch sizes) kullanmasına olanak tanıyarak, daha ağır modellere veya RT-DETR gibi karmaşık Transformer mimarilerine kıyasla eğitim sürecini hızlandırır.

Ekosistem ve Çok Yönlülük#

Ultralytics ekosistemi, sık güncellemeler, kapsamlı belgeler ve standart tespitin ötesindeki çeşitli görevler için yerel destek sunarak son derece iyi bakımlıdır (well-maintained). Ultralytics ile tek bir çerçeve; örnek bölütleme, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteği sağlayarak rakip modellerin genellikle sahip olmadığı benzersiz bir çok yönlülük sunar.

Görüntüleme Yapay Zekasının Geleceği: YOLO26#

Bilgisayarla görü hızla evrilirken, hız ve verimlilik standartlarını yeniden tanımlayan daha yeni mimariler ortaya çıkmıştır. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, bu evrimin zirvesini temsil eder ve tüm yeni projeler için şiddetle tavsiye edilen seçenektir.

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını ortadan kaldırır. Bu yerel uçtan uca yaklaşım, dağıtım mantığını büyük ölçüde basitleştirir ve değişken gecikmeyi azaltır; bu, ilk olarak YOLOv10'da sunulan bir çığır açıcı yeniliktir.
• Benzersiz Uç Performansı: Dağılım Odaklı Kayıp (DFL) kaldırılarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı elde eder, bu da onu önceki nesillere kıyasla IoT ve uç cihazlar için üstün kılar.
• Gelişmiş Eğitim Dinamikleri: Moonshot AI'ın Kimi K2'si gibi LLM yeniliklerinden esinlenen MuSGD Optimizer entegrasyonu, daha istikrarlı bir eğitim ve daha hızlı yakınsama sağlar.
• Üstün Küçük Nesne Tespiti: Gelişmiş kayıp fonksiyonları, özellikle ProgLoss + STAL, hava görüntüleri gibi uygulamalar için çok önemli olan küçük nesneleri tanımadaki geçmiş zayıflıkları ele alır.

Gerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak genellikle belirli dağıtım ortamına bağlıdır.

PP-YOLOE+ Ne Zaman Seçilmeli#

• PaddlePaddle Entegrasyonu: Altyapınız zaten Baidu'nun PaddlePaddle ekosistemiyle derinlemesine entegreyse, PP-YOLOE+ doğal bir uyum sağlar.
• Asya'da Endüstriyel Denetim: Genellikle donanım ve yazılım yığınlarının Baidu'nun araçları için önceden yapılandırıldığı Asya üretim merkezlerinde kullanılır.

Ne Zaman YOLOv7 Seçilmeli#

• GPU Hızlandırmalı Sistemler: Video analitiği gibi yüksek iş hacmi gerektiren görevler için sunucu sınıfı GPU'larda son derece iyi performans gösterir.
• Robotik Entegrasyonu: Dinamik ortamlarda hızlı karar vermeye olanak tanıyarak robotikte bilgisayarla görü entegrasyonu için idealdir.
• Akademik Araştırma: Yaygın olarak desteklenir ve PyTorch tabanlı araştırmalarda güvenilir bir temel (baseline) olarak sıkça kullanılır.

Eski modeller tarihsel öneme sahipken, Ultralytics Platform aracılığıyla YOLO26 veya YOLO11 gibi modern mimarilere geçiş yapmak; en son optimizasyonlara, en basit eğitim iş akışlarına ve bugün mevcut olan en geniş çoklu görev desteğine erişmenizi sağlar.