Link to this sectionYOLO11 ile YOLOv6-3.0 karşılaştırması#
Bilgisayarlı görü alanı hızla gelişiyor ve doğru model mimarisini seçmek, makine öğrenimi uygulayıcıları için kritik bir karardır. Gerçek zamanlı nesne algılama ilerlemesindeki iki önemli dönüm noktası YOLO11 ve YOLOv6-3.0'dır. Her iki model de görsel verilerden içgörü çıkarmak için etkileyici yetenekler sunsa da, farklı temel hedefler ve tasarım felsefeleriyle geliştirilmişlerdir.
Bu kılavuz, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak adına mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını karşılaştıran derinlemesine bir teknik analiz sunar.
Link to this sectionModel Genel Bakışları#
Teknik karşılaştırmalara dalmadan önce, her bir modelin kökenlerini ve temel odak noktasını anlamak faydalıdır.
Link to this sectionUltralytics YOLO11#
Ultralytics ekosisteminde yerel olarak geliştirilen YOLO11, sorunsuz ve uçtan uca bir geliştirme deneyimi sağlamak için tasarlandı. Sadece ham hıza değil, aynı zamanda çok görevli esnekliğe, kullanım kolaylığına ve modern dağıtım süreçleriyle entegrasyona önem verir.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: Ultralytics Deposu
- Dokümantasyon: YOLO11 Dokümantasyonu
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionMeituan YOLOv6-3.0#
YOLOv6-3.0, özel grafik işlem birimlerinin (GPU) mevcut olduğu endüstriyel uygulamalar için özel olarak tasarlandı. TensorRT dağıtımı için yoğun bir şekilde optimize edilmiştir ve kontrollü ortamlarda verimi en üst düzeye çıkarmaya odaklanır.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
- Kuruluş: Meituan
- Tarih: 2023-01-13
- Arxiv: 2301.05586
- GitHub: Meituan YOLOv6 Deposu
- Dokümantasyon: YOLOv6 Dokümantasyonu
YOLOv6 hakkında daha fazla bilgi edin
Link to this sectionMimari Farklılıklar#
Temel mimari, bir modelin nasıl öğrendiğini ve ölçeklendiğini belirler. Her iki çerçeve de klasik YOLO formülüne benzersiz iyileştirmeler getirir.
YOLO11 builds upon years of research to deliver an architecture that is incredibly parameter-efficient. It features an advanced backbone and a generalized head capable of handling diverse computer vision tasks—such as instance segmentation and pose estimation—without requiring massive structural overhauls. Furthermore, YOLO11 boasts exceptionally low CUDA memory requirements during training, setting it apart from bulkier transformer models like RT-DETR.
Buna karşılık, YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülünü ve Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu mekanizmalar, konumlandırma doğruluğunu iyileştirmek için tasarlanmıştır. Mimari öncelikli olarak ayrıştırılmış durumdadır ve INT8 model çıkarımı lehine yoğun bir şekilde nicelleştirilmiştir, bu da onu eski GPU yığınlarını çalıştıran yüksek hızlı üretim hatları için güçlü bir aday haline getirir.
Projeniz hızlı prototipleme, çoklu görev desteği (bölümleme veya sınıflandırma gibi) ve çeşitli donanımlarda (CPU, Edge TPU, Mobil) dağıtım gerektiriyorsa, Ultralytics çerçevesi çok daha pürüzsüz bir geliştirici deneyimi sunar.
Link to this sectionPerformans ve Metrikler#
Modelleri değerlendirirken, ortalama Hassasiyet (mAP) ve çıkarım hızı çok önemlidir. Aşağıdaki tablo, YOLO11 ve YOLOv6-3.0'ın performansını çeşitli model ölçeklerinde karşılaştırır. En iyi performans gösteren metrikler kalın olarak vurgulanmıştır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Görüldüğü gibi, YOLO11 eşdeğer katmanlar genelinde önemli ölçüde daha az parametre ve FLOP ile sürekli olarak daha yüksek doğruluk (mAP) elde eder. Bu parametre verimliliği, hem model eğitimi hem de çıkarım sırasında daha düşük bellek gereksinimlerine doğrudan yansır.
Link to this sectionUltralytics Avantajı#
Bir model seçmek sadece ham metriklerden fazlasıdır; tüm makine öğrenimi yaşam döngüsü ile ilgilidir. Ultralytics modelleri, geliştiriciler ve araştırmacılar için belirgin bir avantaj sağlar.
- Kullanım Kolaylığı: Ultralytics Python API, sadece birkaç satır kodla modelleri eğitmenize, doğrulamanıza ve dışa aktarmanıza olanak tanır. Karmaşık bağımlılık ağaçlarını manuel olarak yapılandırmanıza gerek yoktur.
- Bakımlı Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sunar. Ultralytics Platformunu kullanarak geliştiriciler, işbirlikçi veri kümesi etiketleme, bulut eğitimi ve kesintisiz model izleme imkanlarına erişim kazanır.
- Çok Yönlülük: Öncelikle bir sınırlayıcı kutu dedektörü olan YOLOv6-3.0'ın aksine, YOLO11 yerel olarak görüntü sınıflandırmayı ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler, bu da teknoloji yığınınızı birleştirmenize olanak tanır.
- Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik toplu işlemeden yararlanan YOLO11, tüketici sınıfı donanımlarda verimli bir şekilde eğitilir ve son teknoloji yapay zekaya erişimi demokratikleştirir.
Link to this sectionKod Örneği: Eğitim ve Çıkarım#
Ultralytics modelleriyle çalışmak oldukça sezgiseldir. Aşağıda, Ultralytics paketini kullanarak nasıl eğitim yapılacağını ve çıkarım çalıştırılacağını gösteren %100 çalıştırılabilir bir örnek bulunmaktadır.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on an image from the web
prediction = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format for easy deployment
model.export(format="onnx")Link to this sectionİdeal Kullanım Senaryoları#
Her modelin nerede başarılı olduğunu anlamak, iş için doğru aracı seçmenizi sağlar.
Ne zaman YOLOv6-3.0 seçilmeli: Belirli TensorRT 7.x/8.x süreçleri etrafında açıkça oluşturulmuş eski bir endüstriyel sistemi yönetiyorsanız ve donanımınız tamamen yüksek hızlı üretim otomasyonu için özel NVIDIA T4 veya A100 GPU'lardan oluşuyorsa, YOLOv6 geçerli ve yetenekli bir motor olmaya devam eder.
Ne zaman YOLO11 seçilmeli: Hemen hemen tüm modern uygulamalar için YOLO11 üstün seçimdir. Akıllı üretim çözümleri oluşturuyor, Raspberry Pi cihazlarında uç yapay zeka dağıtıyor veya tıbbi görüntüleri algılama ve bölümlere ayırma gibi çok görevli işlemler gerçekleştiriyorsanız, YOLO11 hız, doğruluk ve dağıtım esnekliğinin en iyi dengesini sağlar.
Link to this sectionGeleceğe Bakış: Son Teknoloji YOLO26#
YOLO11 büyük bir ileriye dönük sıçramayı temsil etse de, Ultralytics bilgisayarlı görünün sınırlarını sürekli zorlamaktadır. Ocak 2026'da piyasaya sürülen yeni YOLO26 model serisi, mutlak son teknolojidir ve tüm yeni projeler için önerilen modeldir.
YOLO26, modern dağıtım zorlukları için özel olarak tasarlanmış birkaç çığır açan özellik sunar:
- Uçtan Uca NMS-Olmayan Tasarım: YOLOv10 tarafından öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Maksimum Olmayan Bastırma (NMS) sonrası işlemeyi tamamen ortadan kaldırarak daha hızlı ve çok daha basit dağıtım süreçleri sağlar.
- DFL Kaldırma: Dağılım Odaklı Kaybı (Distribution Focal Loss) kaldırarak, YOLO26 ağ başlığını basitleştirir ve düşük güç tüketen Nesnelerin İnterneti (IoT) ve uç cihazlarla uyumluluğu büyük ölçüde artırır.
- MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim yeniliklerinden (Moonshot AI'nın Kimi K2'si gibi) ilham alan YOLO26, hibrit bir Muon-SGD optimize edici kullanarak benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
- %43'e kadar daha hızlı CPU Çıkarımı: Özel GPU hızlandırıcıları olmadan çalışan uygulamalar için YOLO26, ham CPU verimi için yoğun bir şekilde optimize edilmiştir.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, dron görüntüleri ve hava gözetimi için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, bölümleme için çok ölçekli prototipleme ve poz tahmini için Kalıntı Log-Olabilirlik Tahmini (RLE) gibi tüm görevlerde özelleştirilmiş iyileştirmeler içerir.
Bugün yeni bir bilgisayarlı görü girişimi başlatıyorsanız, bir YOLO26 modeli eğitmek için Ultralytics Platformundan yararlanmak, uygulamanızın mevcut en verimli, doğru ve geleceğe dönük mimari üzerine inşa edilmesini sağlayacaktır.
Açık kelime dağarcığı algılamayı keşfetmek isteyen geliştiriciler, YOLO-World hakkındaki belgelerimizi de inceleyebilirler.