Link to this sectionYOLOv7 ve PP-YOLOE+ Karşılaştırması#

Üretim süreçleri için güncel bilgisayarlı görü modellerini değerlendirirken, geliştiriciler genellikle farklı mimarilerin avantajlarını tartarlar. Nesne tespiti alanındaki iki önemli model YOLOv7 ve PP-YOLOE+ modelleridir. Bu kılavuz, bir sonraki bilgisayarlı görü projeniz için bilinçli bir karar vermenize yardımcı olmak adına bu modellerin mimarileri, performans metrikleri ve ideal dağıtım senaryoları hakkında ayrıntılı bir teknik karşılaştırma sunar.

Link to this sectionMimari Yenilikler#

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

Link to this sectionYOLOv7 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 Detayları: 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

Link to this sectionPP-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+ Detayları: Yazarlar: PaddlePaddle Yazarları Kuruluş: Baidu Tarih: 2022-04-02 Arxiv: https://arxiv.org/abs/2203.16250

PP-YOLOE+ hakkında daha fazla bilgi edin

Link to this sectionPerformans 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.

Link to this sectionSonuçların 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.

Link to this sectionUltralytics Avantajı#

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

Link to this sectionKolaylaştırılmış 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

Link to this sectionKaynak Verimliliği#

Ultralytics YOLO modellerinin temel 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) kullanmalarını sağlayarak, daha ağır modeller veya RT-DETR gibi karmaşık Transformer mimarilerine kıyasla eğitim sürecini hızlandırır.

Link to this sectionEkosistem ve Çok Yönlülük#

Ultralytics ekosistemi, sık güncellemeler, kapsamlı dokümantasyon ve standart tespitin ötesindeki çeşitli görevler için yerel destek içeren, son derece iyi korunmuş bir yapıdır. Ultralytics ile tek bir çerçeve, örnek segmentasyonu, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) işlemlerini destekleyerek, rakip modellerin genellikle sahip olmadığı benzersiz bir çok yönlülük sağlar.

Link to this sectionGörüntüleme Yapay Zekasının Geleceği: YOLO26#

Bilgisayarlı görü hızla geliştikçe, 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 seçimdir.

Önemli YOLO26 Yenilikleri:

• Uçtan Uca NMS-Sız Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) sonrası işlemini ortadan kaldırır. Bu doğal uçtan uca yaklaşım, dağıtım mantığını büyük ölçüde basitleştirir ve değişken gecikmeyi azaltır; bu, YOLOv10 içinde ilk kez tanıtılan bir buluştur.
• 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: Özellikle ProgLoss + STAL gibi geliştirilmiş kayıp fonksiyonları, hava görüntüleri gibi uygulamalar için kritik olan küçük nesneleri tanımadaki tarihsel zayıflıkları ele alır.

Link to this sectionGerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak genellikle belirli dağıtım ortamına bağlıdır.

Link to this sectionPP-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.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

• GPU Hızlandırmalı Sistemler: video analitiği gibi yüksek verimlilik gerektiren görevler için sunucu sınıfı GPU'larda son derece iyi performans gösterir.
• Robotik Entegrasyonu: Dinamik ortamlarda hızlı karar vermeyi sağlayan, robotikte bilgisayarlı görü entegrasyonu için idealdir.
• Akademik Araştırma: Yaygın olarak desteklenir ve PyTorch tabanlı araştırmalarda güvenilir bir temel (baseline) olarak sıkça kullanılır.

While older models hold historical significance, transitioning to modern architectures like YOLO26 or YOLO11 via the Ultralytics Platform ensures access to the latest optimizations, the simplest training workflows, and the broadest multi-task support available today.