İçeriğe geç

YOLO26 ve YOLOv6. YOLOv6: Gerçek Zamanlı Nesne Algılamanın Evrimi

Bilgisayar görüşünün manzarası 2023 ile 2026 yılları arasında önemli ölçüde değişti. YOLOv6.YOLOv6 piyasaya sürüldüğünde endüstriyel uygulamalar için önemli bir mihenk taşı oluştururken, Ultralytics mimari, verimlilik ve kullanım kolaylığı açısından nesiller arası bir sıçrama temsil ediyor. Bu kapsamlı karşılaştırma, bu iki modelin mimari yenilik, performans ölçütleri ve gerçek dünyadaki uygulanabilirlik açısından nasıl bir konumda olduğunu inceliyor.

Yönetici Özeti

Meituan tarafından 2023 yılının başında piyasaya sürülen YOLOv6.YOLOv6, endüstriyel uygulamalara yoğun bir şekilde odaklanarak, özellikle TensorRT kullanarak GPU optimize etmek üzere tasarlanmıştır. Geliştirilmiş niceleme ve damıtma stratejileriyle "Yeniden Yükleme" kavramını getirmiştir.

Ultralytics tarafından Ocak Ultralytics piyasaya sürülen YOLO2NMS, ilk olarak YOLOv10tarafından ilk kez ortaya konulan, uçtan ucaNMS'siz tasarımıyla köklü bir değişim getiriyor. Non-Maximum Suppression (NMS) ve Distribution Focal Loss (DFL) özelliklerini ortadan kaldırarak, YOLO26 CPU %43'e varan bir hız artışı sağlıyor ve GPU sınırlı olabileceği uç bilgi işlem, mobil dağıtım ve gerçek zamanlı robotik uygulamaları için en iyi seçenek haline geliyor.

Teknik Özellikler ve Performans

Aşağıdaki tablo, iki model ailesinin performans farklılıklarını göstermektedir. YOLO26, özellikle mimari optimizasyonların öne çıktığı CPU çıkarımlarda olağanüstü hızı korurken, tüm ölçeklerde üstün doğruluk (mAP) sergilemektedir.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Mimari Yenilik

Ultralytics YOLO26

YOLO26, verimliliği yeniden tanımlayan birkaç çığır açan özellik sunar:

  • Uçtan uca NMS: Son NMS gerek kalmadan nesneleri doğrudan tahmin ederek, YOLO26 dağıtım sürecini basitleştirir ve otonom araçlar gibi güvenlik açısından kritik sistemler için önemli bir faktör olan gecikme değişkenliğini azaltır.
  • MuSGD Optimizer: Büyük Dil Modeli (LLM) eğitim tekniklerinden (özellikle Moonshot AI'nın Kimi K2'sinden) esinlenerek geliştirilen bu hibrit optimizer, SGD Muon'u birleştirerek daha küçük parti boyutlarında bile istikrarlı eğitim ve daha hızlı yakınsama sağlar.
  • DFL Kaldırma: Dağıtım Odak Kaybının kaldırılması, model mimarisini basitleştirerek ONNX ve CoreML gibi formatlara dışa aktarımı CoreML daha verimli hale getirir.
  • ProgLoss + STAL: Yeni kayıp fonksiyonları, küçük nesnelerin algılanmasını iyileştirerek önceki nesillerdeki yaygın bir zayıflığı giderir ve hava gözetimi ve tıbbi görüntüleme gibi uygulamalara fayda sağlar.

YOLO26 hakkında daha fazla bilgi edinin

YOLOv6-3.0

YOLOv6.0, donanım verimliliği backbone RepVGG tarzı backbone optimize etmeye odaklanmaktadır:

  • Çift Yönlü Birleştirme (BiC): Özellik birleştirmeyi iyileştirmek için boyunda kullanılır.
  • Anchor-Aided Training (AAT): Isınma aşamasında çapa kullanarak eğitimi stabilize eden ve ardından çapa kullanmadan çıkarım yapmaya geçen bir strateji.
  • Kendi Kendini Damıtma: v3.0'da standart bir özellik olan bu özellik, modelin kendi tahminlerinden öğrenerek, çıkarım maliyetini artırmadan doğruluğu artırmasını sağlar.

Temel Fark: Son İşleme

YOLOv6 , üst üste binen kutuları filtrelemek için NMS Non-Maximum Suppression) kullanır. Bu adım CPU'larda genellikle yavaştır ve dikkatli bir parametre ayarlaması gerektirir.

YOLO26, NMS içermez, yani modelin ham çıktısı nihai algılama listesidir. Bu, Raspberry Pi gibi CPU cihazlarda deterministik gecikme ve daha hızlı yürütme sağlar.

Eğitim ve Kullanılabilirlik

Ultralytics Deneyimi

YOLO26'nın en önemli avantajlarından biri, Ultralytics entegre edilebilmesidir. Geliştiriciler, algılama, segmentasyon, poz tahmini ve sınıflandırmayı sorunsuz bir şekilde destekleyen birleşik bir API'dan yararlanabilirler.

  • Kullanım Kolaylığı: Bir modeli yüklemek, eğitmek ve dağıtmak için birkaç satırlık Python yeterlidir.
  • Platform Entegrasyonu: Ultralytics için yerel destek, bulut tabanlı eğitim, veri kümesi yönetimi ve otomatik açıklama eklemeyi mümkün kılar.
  • CUDA ellek Verimliliği: YOLO26, tüketici donanımında çalışmak üzere optimize edilmiştir ve RT-DETR.
from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with the MuSGD optimizer (auto-configured)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX - NMS-free by default
path = model.export(format="onnx")

YOLOv6

YOLOv6 , daha geleneksel bir araştırma deposu olarak YOLOv6 . Güçlü olmasına rağmen, kullanıcıların belirli GitHub deposunu klonlamasını, bağımlılıkları manuel olarak yönetmesini ve karmaşık kabuk komut dosyaları aracılığıyla eğitimi çalıştırmasını gerektirir. Ultralytics sunduğu birleşik Python yapısı ve çeşitli görev desteği (yerel OBB veya Pose gibi) bu sistemde bulunmamaktadır.

Kullanım Örnekleri ve Çok Yönlülük

YOLO26 İçin İdeal Senaryolar

  • Edge AI & IoT: CPU %43'lük artış ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi, NVIDIA Nano ve cep telefonları gibi cihazlar için sınıfının en iyisi seçenek haline getiriyor.
  • Robotik: Uçtan uca tasarım, robotik navigasyon için gerekli olan düşük gecikmeli, deterministik çıktılar sağlar.
  • Çoklu Görev Uygulamaları: Segmentasyon, poz tahmini ve OBB desteği ile tek bir çerçeve, sporlarda oyuncu mekaniğini analiz etmek veya lojistikte düzensiz paketleri incelemek gibi karmaşık süreçleri yönetebilir.

YOLOv6-3.0 için İdeal Senaryolar

  • Eski GPU : Eski donanımlarda (T4 GPU'lar gibi) TensorRT veya 8 için büyük ölçüde optimize edilmiş mevcut endüstriyel boru hatları için YOLOv6 , istikrarlı bir seçenek YOLOv6 .
  • Saf Algılama Görevleri: Altyapının YOLOv6 etrafında zaten oluşturulmuş olduğu, sınırlayıcı kutu algılamayla sıkı bir şekilde sınırlı senaryolarda.

Sonuç

YOLOv6.YOLOv6 2023 yılında zorlu bir rakip olsa da, Ultralytics , 2026 ve sonrası için kapsamlı bir yükseltme sunuyor. NMS çözerek, dışa aktarım için model karmaşıklığını azaltarak ve MuSGD optimizer gibi gelişmiş özellikleri entegre ederek, YOLO26, dağıtım sürtünmesinin çok az bir kısmıyla üstün performans sunuyor.

En son teknolojiye sahip doğruluğu "sıfırdan kahramana" iş akışının kolaylığıyla dengeleyen, geleceğe dönük bir çözüm arayan geliştiriciler için YOLO26 önerilen seçimdir.

Daha Fazla Okuma

Ultralytics ailesindeki diğer modelleri keşfederek özel ihtiyaçlarınıza en uygun olanı bulun:

  • YOLO11: Mükemmel genel amaçlı performansı ile tanınan YOLO26'nın sağlam öncülü.
  • YOLOv10: YOLO26'nın önünü açan uçtan uca mimarinin öncüsü.
  • YOLO: Eğitim setinde bulunmayan detect gereken açık sözlük algılama için idealdir.

Karşılaştırma Detayları

YOLO26

YOLOv6-3.0


Yorumlar