YOLOv8 ve PP-YOLOE+#
Hızla gelişen bilgisayarlı görü alanında, çıkarım hızı ve doğruluk arasında denge kurmak için nesne algılama modelini doğru seçmek kritik öneme sahiptir. Sektörü önemli ölçüde etkileyen iki öne çıkan model, Ultralytics YOLOv8 ve PP-YOLOE+ modelleridir. Bu kılavuz, geliştiricilerin ve makine öğrenimi mühendislerinin mimarilerinin inceliklerini, performans metriklerini ve ideal dağıtım senaryolarını anlamalarına yardımcı olmak için kapsamlı bir teknik karşılaştırma sunar.
Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#
Ultralytics tarafından tanıtılan YOLOv8, üretim kalitesinde görüntü işleme uygulamalarının temel taşlarından biri hâline hızla geldi. Yıllar süren temel araştırmaların üzerine inşa edilerek çeşitli görevlerde olağanüstü performans sunar.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: Ultralytics Deposu
- Belgeler: YOLOv8 Belgeleri
Mimari Yenilikler ve Çok Yönlülük#
YOLOv8, yüksek düzeyde optimize edilmiş, bağlantı noktası içermeyen bir tasarıma sahiptir ve sınıflandırma ile regresyon görevlerini birbirinden bağımsız olarak işlemek için ayrık bir başlık kullanır. Bu yapısal iyileştirme, daha iyi öznitelik temsili ve eğitim sırasında daha hızlı yakınsama sağlar.
Birçok özel amaçlı modelin aksine YOLOv8, eşsiz bir çok yönlülük sunar. Sınırlayıcı kutu algılamanın ötesinde aynı birleşik mimari ve API, yerel olarak örnek bölütlemeyi, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.
Birleşik Ultralytics ekosistemi, geliştiricilerin yalnızca model ağırlıklarını değiştirerek algılama, bölütleme ve poz tahmini görevleri arasında sorunsuzca geçiş yapmasını sağlar ve teknik borcu önemli ölçüde azaltır.
PP-YOLOE+: PaddlePaddle'ın Güçlü Modeli#
PP-YOLOE+, önceki PP-YOLO yinelemelerinin evrimsel bir adımıdır ve özellikle Baidu'nun dahili çerçevelerinde verimli çalışacak şekilde tasarlanmıştır.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- Arxiv: PP-YOLOE Makalesi
- GitHub: PaddleDetection Deposu
- Belgeler: PP-YOLOE+ Yapılandırması
PP-YOLOE+ hakkında daha fazla bilgi edin
Mimari Odak Noktası#
PP-YOLOE+, algılama doğruluğunu artırmak için CSPRepResNet omurgasını kullanıma sundu ve Verimli Görev Hizalı Başlığı (ET-head) uyguladı. Büyük ölçüde PaddlePaddle derin öğrenme çerçevesine dayanır. COCO veri kümesi gibi standart kıyaslama veri kümelerinde yüksek hassasiyet sunsa da mimarisi belirli ekosistemlere sıkı biçimde bağlıdır; bu da onu geniş AI topluluğunda yaygın olan standart PyTorch veya TensorFlow iş akışlarına entegre etmeyi zorlaştırabilir.
Performans ve Metrik Karşılaştırması#
Modeller uç cihazlara veya bulut sunucularına dağıtılırken doğruluk (mAP), hız ve parametre sayısı arasında denge kurmak kritik öneme sahiptir. Ultralytics modelleri, eğitim sırasında düşük bellek gereksinimleri ve son derece yüksek çıkarım hızlarıyla tanınır.
Aşağıda, COCO val2017 üzerinde değerlendirilen modellerin ayrıntılı karşılaştırma tablosu yer alıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 | 165.1 |
| 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 |
Ödünleşimlerin Analizi#
PP-YOLOE+x modeli ham mAP değerinde YOLOv8x'i az farkla geride bıraksa da (54.7'ye karşı 53.9), bu sonuç 30 milyondan fazla ek parametreye mal olur. Ultralytics YOLOv8, parametre-doğruluk oranında çok daha üstündür. Hafif YOLOv8n yalnızca 3.2M parametre ve 8.7B FLOP gerektirir; bu da onu kaynakları kısıtlı ortamlarda en küçük PP-YOLOE+ sürümünden çok daha verimli kılar.
Ayrıca YOLO modelleri, eğitim sırasında bellek kullanımı bakımından büyük Transformer tabanlı mimarilerden çok daha iyi performans gösterir. Yüksek CUDA bellek gereksinimi olan modeller genellikle pahalı donanım gerektirirken YOLOv8, tüketici sınıfı GPU'larda son derece verimli eğitim süreçlerine olanak tanır.
Ekosistem, Kullanım Kolaylığı ve Dağıtım#
Bu mimariler arasındaki asıl belirleyici fark, kullanıcı deneyimidir.
Ultralytics Platform, makine öğrenimi operasyonlarının zorluklarını ortadan kaldıran, iyi bakımı yapılan bir ekosistem sunar. Son derece basit bir API, kapsamlı belgeler ve veri günlüğü, hiperparametre ayarı ve platformlar arası dışa aktarma için yerleşik araçlar sağlar. ONNX, TensorRT veya CoreML üzerinden dağıtım yapman gerektiğinde Ultralytics bu işlemi sorunsuzca gerçekleştirir.
Buna karşılık PP-YOLOE+, genellikle PaddlePaddle çerçevesi hakkında derinlemesine bilgi gerektirir. Bu modelleri standart NVIDIA GPU'larında veya Baidu donanım ekosistemi dışındaki uç cihazlarda verimli çalışacak şekilde dönüştürmek karmaşık ve çok aşamalı bir süreç olabilir; Ultralytics araçlarında bulunan kolaylaştırılmış otomasyon da bu süreçte yoktur.
Ultralytics ile Eğitim Verimliliği#
Bir Ultralytics modelini eğitmek neredeyse hiç tekrarlayan kod gerektirmez. YOLOv8 modelini Python'da kolayca nasıl eğitebileceğini gösteren, tamamen işlevsel bir örnek aşağıda:
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 Yönlü, Çok Görevli 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 Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu 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:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
İleriye Bakış: YOLO26'nın Avantajı#
Geleceğe hazır uygulamalar geliştirmek isteyenler için yakın zamanda yayımlanan Ultralytics YOLO26, modern bilgisayarlı görünün zirvesini temsil ediyor. Ocak 2026'da yayımlanan YOLO26, çığır açan özellikler sunarak hem YOLOv8'in hem de ara sürüm olan YOLO11 modelinin yerini alıyor:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma son işlemesine duyulan ihtiyacı ortadan kaldırarak gecikme değişkenliğini önemli ölçüde azaltır ve dağıtım mantığını basitleştirir. - MuSGD Optimize Edici: LLM eğitimi yeniliklerini görüntü işleme yapay zekâsına taşıyan bu SGD ve Muon hibriti, son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'u (DFL) kaldıran YOLO26, uç cihazlarda ve standart CPU'larda eşsiz bir hız sunarak IoT ve mobil uygulamalar için ideal hâle gelir.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone analitiği ve hava görüntüleri için kritik bir gereksinim olan küçük nesne tanımada kayda değer iyileşmeler sağlar.
YOLOv8 güçlü ve kapsamlı desteğe sahip bir seçenek olmaya devam etse de üstün doğruluk, daha hızlı uç çıkarımı ve yerel uçtan uca işleme sunan YOLO26, tüm yeni kurumsal ve araştırma projeleri için önerilen mimaridir.
Sonuç#
YOLOv8 ve PP-YOLOE+, gerçek zamanlı algılamanın sınırlarını genişletti. Ancak geliştiricilerin ve araştırmacıların büyük çoğunluğu için Ultralytics YOLOv8 ve onun halefi YOLO26, üstün seçenek olmaya devam ediyor. Sezgisel bir API, etkin bir açık kaynak topluluğu, daha düşük eğitim belleği gereksinimleri ve çok yönlü, birleşik bir çerçevenin bileşimi; veri kümesi oluşturmadan üretim dağıtımına kadar ilerleyişinin olabildiğince sorunsuz ve verimli olmasını sağlar.