Başla

YOLOv8 ve PP-YOLOE+

Hızla gelişen bilgisayarlı görü alanında nesne algılama için doğru modeli seçmek, çıkarım hızı ve doğruluk arasında denge kurmak açısından kritik önem taşır. Sektörü önemli ölçüde etkileyen iki model Ultralytics YOLOv8 ve PP-YOLOE+ modelleridir. Bu kılavuz, geliştiricilerin ve makine öğrenimi mühendislerinin mimarilerinin inceliklerini, performans ölçütlerini ve ideal dağıtım senaryolarını anlamalarına yardımcı olacak teknik bir karşılaştırma sunar.

Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#

Ultralytics tarafından tanıtılan YOLOv8, yıllarca süren YOLO araştırmalarını temel alarak birden fazla görevde güçlü performans sundu ve üretim ortamındaki görsel uygulamalarda hızla yaygın biçimde kullanılmaya başlandı.

Mimari Yenilikler ve Çok Yönlülük#

YOLOv8, anchor-free bir tasarıma sahiptir ve sınıflandırma ile regresyon görevlerini bağımsız olarak işleyen ayrıştırılmış bir başlık kullanır. Bu yapısal iyileştirme, daha iyi özellik temsili ve eğitim sırasında daha hızlı yakınsama sağlar.

Birçok özel modelin aksine YOLOv8 birden fazla görevi destekler. Sınırlayıcı kutu algılamanın ötesinde, aynı birleşik mimari ve API yerel olarak örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.

Kolaylaştırılmış Geliştirme

Birleşik Ultralytics ekosistemi, geliştiricilerin model ağırlıklarını değiştirerek algılama, segmentasyon ve poz tahmini görevleri arasında geçiş yapmasına olanak tanır ve teknik borcu azaltır.

PP-YOLOE+: PaddlePaddle'da Anchor-Free Tespit#

PP-YOLOE+, önceki PP-YOLO sürümlerinin evrimsel bir adımıdır ve Baidu'nun PaddlePaddle çatısında verimli çalışacak şekilde tasarlanmıştır.

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Odak Noktası#

PP-YOLOE+, algılama doğruluğunu artırmak için CSPRepResNet backbone'unu tanıttı ve Efficient Task-aligned Head (ET-head) uygulamasını hayata geçirdi. Büyük ölçüde PaddlePaddle derin öğrenme çatısına dayanır. COCO veri kümesi gibi standart kıyaslama veri kümelerinde yüksek doğruluk elde etse de uygulaması PaddlePaddle ekosistemine bağlıdır; bu da daha geniş yapay zekâ topluluğunda yaygın olan standart PyTorch veya TensorFlow hatlarına entegrasyonu zorlaştırabilir.

Performans ve Metrik Karşılaştırması#

Modeller uç cihazlara veya bulut sunucularına dağıtılırken doğruluk (mAP), hız ve parametre sayısı arasındaki denge kritik önemdedir. Ultralytics modelleri düşük eğitim belleği gereksinimleri ve hızlı çıkarımlarıyla bilinir.

Aşağıda, COCO val2017 üzerinde değerlendirilen modellerin ayrıntılı karşılaştırma tablosu yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Ödünleşimlerin Analizi#

PP-YOLOE+x, mAP bakımından YOLOv8x'i az farkla geçer (54,7'ye karşı 53,9), ancak 30 milyondan fazla ek parametreye ihtiyaç duyar. Küçük ve orta boyutlarda iki aile birbirine yakındır; PP-YOLOE+ daha az FLOP kullanır ve bu tabloda yalnızca YOLOv8 için CPU ONNX hızları raporlanmıştır. Hafif YOLOv8n yalnızca 3,2 milyon parametre ve 8,7 milyar FLOP gerektirerek bu karşılaştırmadaki en küçük model olur; ancak PP-YOLOE+t, 4,85 milyon parametreyle daha yüksek mAP değerine ulaşır (39,9'a karşı 37,3).

YOLO modelleri ayrıca eğitim sırasında genellikle büyük Transformer tabanlı mimarilerden daha az bellek kullanır. CUDA bellek ayak izi yüksek modeller çoğu zaman pahalı donanım gerektirirken YOLOv8 tüketici sınıfı GPU'larda verimli biçimde eğitilir.

Ekosistem, Kullanım Kolaylığı ve Dağıtım#

Kullanıcı deneyimi, bu mimariler arasındaki temel farklardan biridir.

Ultralytics Platform ve Python paketi, makine öğrenimi operasyonlarının önündeki engelleri azaltan, iyi bakımlı bir ekosistem oluşturur. Basit bir API, kapsamlı belgeler ve veri kaydı, hiperparametre ayarlama ve platformlar arası dışa aktarma için yerel araçlar sunarlar. ONNX, TensorRT veya CoreML üzerinden dağıtım yapman gerekse de dönüşümü Ultralytics gerçekleştirir.

Buna karşılık PP-YOLOE+ çoğu zaman PaddlePaddle çatısı hakkında derin bilgi gerektirir. Bu modelleri standart NVIDIA GPU'larında veya Paddle ekosistemi dışındaki uç cihazlarda verimli çalışacak şekilde dönüştürmek, Ultralytics araçlarındaki dışa aktarma otomasyonu olmadan çok adımlı bir süreç olabilir.

Ultralytics ile Eğitim Verimliliği#

Bir Ultralytics modelini eğitmek için çok az şablon kodu gerekir. Aşağıdaki örnekte Python ile YOLOv8 modeli eğitiliyor ve model TensorRT için dışa aktarılıyor:

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv8 modeli yükle
model = YOLO("yolov8s.pt")

# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Eğitilmiş modeli TensorRT dağıtımı için hızla dışa aktar
model.export(format="engine", device=0)

Kullanım Alanları ve Öneriler#

YOLOv8 ile PP-YOLOE+ arasında seçim yapmak; projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

  • Çok Görevli Esnek Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlarda önerilir:

  • PaddlePaddle Ekosistemi Entegrasyonu: Baidu'nun PaddlePaddle çatısı ve araçları üzerine kurulu mevcut altyapıya sahip kuruluşlar.
  • Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
  • Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

İleriye Bakış: YOLO26'nın Avantajı#

Ocak 2026'da yayımlanan Ultralytics YOLO26, yeni uygulamalar için aşağıdaki özelliklerle hem YOLOv8'in hem de YOLO11 modelinin yerini alır:

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), NMS son işlemesine duyulan ihtiyacı ortadan kaldırır; böylece gecikme değişkenliğini azaltır ve dağıtım mantığını basitleştirir.
  • MuSGD Optimizer: SGD ile Muon melezi olan bu yöntem, LLM eğitim tekniklerini görsel yapay zekâya taşıyarak daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • CPU Çıkarımında %43'e Kadar Daha Hızlı: Distribution Focal Loss (DFL) kaldırılan ve daha hafif bir algılama başlığına sahip YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu IoT ve mobil uygulamalara uygun kılar.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), drone analitiği ve hava görüntüleri için kritik bir gereksinim olan küçük nesne algılamayı iyileştirir.
Yükseltme Önerisi

YOLOv8 sağlam ve iyi desteklenen bir seçenek olmaya devam etse de daha yüksek doğruluk, daha hızlı CPU çıkarımı ve yerel uçtan uca işleme sunan YOLO26, yeni kurumsal ve araştırma projeleri için önerilen mimaridir.

Sonuç#

YOLOv8 ve PP-YOLOE+ gerçek zamanlı algılamayı ileri taşıdı. Ancak çoğu geliştirici ve araştırmacı için Ultralytics YOLOv8 ve onun halefi YOLO26 daha pratik seçeneklerdir: sezgisel bir API, etkin bir açık kaynak topluluğu, daha düşük eğitim belleği gereksinimleri ve birleşik çok görevli bir çatı; veri kümesi oluşturmadan üretim ortamında dağıtıma uzanan süreci kolaylaştırır.

Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. godm4352GitHub(düzenlendi)

    Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.