Link to this sectionYOLOv8 ve PP-YOLOE+ karşılaştırması#
Hızla gelişen bilgisayarlı görü alanında, nesne algılama için doğru modeli seçmek, çıkarım hızı ve doğruluk arasında bir denge kurmak açısından kritiktir. Sektörü önemli ölçüde etkileyen iki öne çıkan model Ultralytics YOLOv8 ve PP-YOLOE+'tur. Bu rehber, geliştiricilerin ve makine öğrenimi mühendislerinin mimarileri, performans metrikleri ve ideal dağıtım senaryolarındaki incelikleri anlamalarına yardımcı olmak için kapsamlı bir teknik karşılaştırma sunar.
Link to this sectionUltralytics YOLOv8: Çok Yönlü Ekosistem Standardı#
Ultralytics tarafından tanıtılan YOLOv8, üretim seviyesindeki görü uygulamaları için hızla bir temel taşı haline geldi. Çeşitli görevlerde olağanüstü performans sunmak için yıllara dayanan temel araştırmaların üzerine inşa edilmiştir.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: Ultralytics Deposu
- Dokümanlar: YOLOv8 Dokümantasyonu
YOLOv8 hakkında daha fazla bilgi edinin
Link to this sectionMimari Yenilikler ve Çok Yönlülük#
YOLOv8, oldukça optimize edilmiş bir çapasız (anchor-free) tasarıma sahiptir ve nesnellik, sınıflandırma ve regresyon görevlerini bağımsız olarak işlemek için ayrıştırılmış bir başlık (decoupled head) içerir. Bu yapısal iyileştirme, daha iyi özellik temsili ve eğitim sırasında daha hızlı yakınsama sağlar.
Birçok özelleşmiş modelin aksine, YOLOv8 eşsiz bir çok yönlülük sunar. Sınırlayıcı kutu (bounding box) algılamasının ötesinde, aynı birleşik mimari ve API; örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.
Birleşik Ultralytics ekosistemi, geliştiricilerin yalnızca model ağırlıklarını değiştirerek algılama, bölümleme ve takip görevleri arasında sorunsuz bir şekilde geçiş yapmalarına olanak tanır ve teknik borcu önemli ölçüde azaltır.
Link to this sectionPP-YOLOE+: PaddlePaddle'ın Güç Merkezi#
PP-YOLOE+, Baidu'nun dahili çerçevelerinde verimli bir şekilde çalışacak şekilde özel olarak tasarlanmış, önceki PP-YOLO sürümlerinden gelen evrimsel bir adımdır.
- Yazarlar: PaddlePaddle Yazarları
- Organizasyon: Baidu
- Tarih: 02.04.2022
- Arxiv: PP-YOLOE Makalesi
- GitHub: PaddleDetection Deposu
- Dokümanlar: PP-YOLOE+ Yapılandırması
PP-YOLOE+ hakkında daha fazla bilgi edin
Link to this sectionMimari Odak#
PP-YOLOE+, CSPRepResNet omurgasını tanıttı ve algılama doğruluğunu artırmak için Verimli Görev uyumlu Başlık (ET-head) uyguladı. Büyük ölçüde PaddlePaddle derin öğrenme çerçevesine dayanır. COCO veri seti gibi standart kıyaslama veri setlerinde yüksek hassasiyet elde etmesine rağmen, mimarisi belirli ekosistemlere sıkı sıkıya bağlıdır; bu da onu daha geniş yapay zeka topluluğunda popüler olan standart PyTorch veya TensorFlow boru hatlarına entegre etmeyi zorlaştırabilir.
Link to this sectionPerformans ve Metrik Karşılaştırması#
Modelleri uç cihazlara veya bulut sunucularına dağıtırken, doğruluk (mAP), hız ve parametre sayısı dengesi çok önemlidir. Ultralytics modelleri, eğitim sırasında düşük bellek gereksinimleri ve ışık hızındaki çıkarım performanslarıyla tanınır.
Aşağıda, COCO val2017 üzerinde değerlendirilen modellerin ayrıntılı bir karşılaştırma tablosu bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Link to this sectionÖdünleşimleri Analiz Etmek#
PP-YOLOE+x modeli ham mAP değerinde (54.7'ye karşı 53.9) YOLOv8x'i biraz geride bıraksa da, bu durum yaklaşık 30 milyon ek parametre gibi büyük bir maliyetle gelir. Ultralytics YOLOv8, çok daha üstün bir parametre-doğruluk oranı elde eder. Hafif YOLOv8n, yalnızca 3.2M parametre ve 8.7B FLOP gerektirir, bu da onu en küçük PP-YOLOE+ varyantına kıyasla kaynak kısıtlı ortamlar için önemli ölçüde daha verimli hale getirir.
Dahası, YOLO modelleri eğitim sırasındaki bellek kullanımı açısından büyük transformer tabanlı mimarileri önemli ölçüde geride bırakır. Yüksek CUDA bellek ayak izine sahip modeller genellikle pahalı donanımlar gerektirirken, YOLOv8 tüketici sınıfı GPU'larda son derece verimli eğitim süreçlerine olanak tanır.
Link to this sectionEkosistem, Kullanım Kolaylığı ve Dağıtım#
Bu mimariler arasındaki gerçek belirleyici faktör kullanıcı deneyiminde yatar.
Ultralytics Platformu, makine öğrenimi operasyonlarındaki sürtünmeyi ortadan kaldıran, bakımlı bir ekosistem sunar. İnanılmaz derecede basit bir API, kapsamlı belgeler ve veri günlüğü, hiperparametre ayarlama ve platformlar arası dışa aktarma için yerel araçlar sağlar. ONNX, TensorRT veya CoreML aracılığıyla dağıtım yapman gerekse bile, Ultralytics bunu sorunsuz bir şekilde halleder.
Buna karşılık, PP-YOLOE+ genellikle PaddlePaddle çerçevesi hakkında derin bilgi gerektirir. Bu modelleri standart NVIDIA GPU'larda veya Baidu donanım ekosisteminin dışındaki uç cihazlarda verimli bir şekilde çalıştırmak üzere dönüştürmek, Ultralytics araçlarında bulunan modern otomasyondan yoksun, karmaşık ve çok adımlı bir süreç olabilir.
Link to this sectionUltralytics ile Eğitim Verimliliği#
Bir Ultralytics modelini eğitmek neredeyse hiç hazır kod (boilerplate) gerektirmez. Python'da bir YOLOv8 modelini ne kadar kolay eğitebileceğine dair tam işlevsel bir örnek şöyledir:
from ultralytics import YOLO
# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")
# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Quickly export the trained model for TensorRT deployment
model.export(format="engine", device=0)Link to this sectionKullanım Durumları ve Öneriler#
YOLOv8 ile PP-YOLOE+ arasında seçim yapmak; belirli proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionYOLOv8 Ne Zaman Seçilmeli#
YOLOv8 şunlar için güçlü bir tercihtir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
- Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.
Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şunlar için önerilir:
- PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
- Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.
Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionİleriye Bakış: YOLO26 Avantajı#
Geleceğe hazır uygulamalar oluşturmak isteyenler için yakın zamanda piyasaya sürülen Ultralytics YOLO26, modern bilgisayarlı görünün zirvesini temsil eder. Ocak 2026'da yayınlanan bu model, çığır açan özellikler sunarak hem YOLOv8'in hem de ara YOLO11'in yerini almıştır:
- Uçtan Uca NMS-Free Tasarım: YOLO26, Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını yerel olarak ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltır ve dağıtım mantığını basitleştirir.
- MuSGD Optimize Edici: LLM eğitimi yeniliklerini görü yapay zekasına entegre eden bu SGD ve Muon melezi, inanılmaz derecede kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) değerini kaldırarak YOLO26, uç cihazlarda ve standart CPU'larda eşsiz bir hız sunar ve bu da onu IoT ve mobil uygulamalar için ideal hale getirir.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone analitiği ve hava görüntüleri için kritik bir gereksinim olan küçük nesne tanıtmada kayda değer iyileştirmeler sağlar.
YOLOv8 sağlam ve oldukça desteklenen bir seçenek olmaya devam etse de, YOLO26 üstün doğruluk, daha hızlı uç çıkarımı ve yerel uçtan uca işleme sunarak tüm yeni kurumsal ve araştırma projeleri için önerilen mimaridir.
Link to this sectionSonuç#
Hem YOLOv8 hem de PP-YOLOE+, gerçek zamanlı algılamanın sınırlarını zorladı. Ancak, geliştiricilerin ve araştırmacıların büyük çoğunluğu için Ultralytics YOLOv8 ve onun halefi olan YOLO26, üstün tercih olmaya devam ediyor. Sezgisel bir API, aktif bir açık kaynak topluluğu, daha düşük eğitim belleği gereksinimleri ve çok yönlü bir birleşik çerçevenin kombinasyonu, veri seti oluşturmadan üretim dağıtımına kadar olan yolunun mümkün olduğunca sorunsuz ve verimli olmasını sağlar.