YOLO11 ve YOLOv6-3.0#

Bilgisayarlı görü alanı hızla gelişiyor ve doğru model mimarisini seçmek makine öğrenimi uygulayıcıları için kritik bir karar. Gerçek zamanlı nesne algılama alanındaki iki önemli kilometre taşı YOLO11 ve YOLOv6-3.0'dır. Her iki model de görsel verilerden etkileyici içgörüler elde etme yetenekleri sunsa da farklı birincil hedeflerle ve tasarım felsefeleriyle geliştirildiler.

Bu kılavuz, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak üzere modellerin mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını derinlemesine ve teknik açıdan karşılaştırıyor.

Modellere Genel Bakış#

Teknik kıyaslama sonuçlarına geçmeden önce her modelin kökenini ve temel odağını anlamak faydalı olacaktır.

Ultralytics YOLO11#

Ultralytics ekosisteminde yerel olarak geliştirilen YOLO11, sorunsuz ve uçtan uca bir geliştirme deneyimi sunmak üzere tasarlandı. Yalnızca ham hıza değil, çok görevli çok yönlülüğe, kullanım kolaylığına ve modern dağıtım işlem hatlarıyla bütünleşmeye de odaklanır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Deposu
• Belgeler: YOLO11 Belgeleri

Meituan YOLOv6-3.0#

YOLOv6-3.0, özel grafik işleme birimlerinin (GPU'lar) bulunduğu endüstriyel uygulamalar için özel olarak tasarlanmıştır. TensorRT dağıtımını yoğun biçimde optimize eder ve kontrollü ortamlarda işlem hacmini 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
• Belgeler: YOLOv6 Belgeleri

YOLOv6 hakkında daha fazla bilgi edin

Mimari Farklılıklar#

Temel mimari, modelin nasıl öğrendiğini ve ölçeklendiğini belirler. Her iki çerçeve de klasik YOLO formülüne özgün geliştirmeler getirir.

YOLO11, son derece parametre verimli bir mimari sunmak için yıllar süren araştırmalardan yararlanır. Gelişmiş bir omurgaya ve kapsamlı yapısal değişiklikler gerektirmeden örnek segmentasyonu ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini gerçekleştirebilen genelleştirilmiş bir başlığa sahiptir. Ayrıca YOLO11, eğitim sırasında olağanüstü düşük CUDA bellek gereksinimleriyle RT-DETR gibi daha hantal Transformer modellerinden ayrılır.

Buna karşılık YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve Bağlayıcı Destekli Eğitim (AAT) stratejisi kullanır. Bu mekanizmalar, konum belirleme doğruluğunu iyileştirmek üzere tasarlanmıştır. Mimari öncelikle ayrıştırılmış ve INT8 model çıkarımını desteklemek için yoğun biçimde nicemlenmiştir; bu da eski GPU yığınlarında çalışan yüksek hızlı üretim hatları için onu güçlü bir aday hâline getirir.

Performans ve Metrikler#

Modelleri değerlendirirken Ortalama Hassasiyet (mAP) ve çıkarım hızı son derece önemlidir. Aşağıdaki tablo, YOLO11'in çeşitli model ölçeklerinde YOLOv6-3.0'a karşı performansını karşılaştırır. En iyi performans gösteren ölçütler kalın olarak vurgulanmıştır.

Görüldüğü gibi YOLO11, eşdeğer ölçeklerde önemli ölçüde daha az parametre ve FLOP ile sürekli olarak daha yüksek doğruluğa (mAP) ulaşır. Bu parametre verimliliği, hem model eğitimi hem de çıkarım sırasında doğrudan daha düşük bellek gereksinimleri sağlar.

Ultralytics Avantajı#

Model seçmek yalnızca ham ölçütlerle ilgili değildir; tüm makine öğrenimi yaşam döngüsünü kapsar. Ultralytics modelleri hem geliştiricilere hem de araştırmacılara belirgin bir avantaj sunar.

1. Kullanım Kolaylığı: Ultralytics Python API'si, modelleri yalnızca birkaç satır kodla eğitmene, doğrulamaya ve dışa aktarmana olanak tanır. Karmaşık bağımlılık ağaçlarını elle yapılandırman gerekmez.
2. Bakımı İyi Yapılan Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sunar. Geliştiriciler Ultralytics Platform aracılığıyla ortaklaşa veri kümesi etiketleme, bulutta eğitim ve sorunsuz model izleme olanağına erişir.
3. Çok Yönlülük: Öncelikle sınırlayıcı kutu algılayıcısı olan YOLOv6-3.0'ın aksine YOLO11, görüntü sınıflandırmasını ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekleyerek teknoloji yığınını birleştirmene olanak tanır.
4. Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik toplu işlemden yararlanan YOLO11, tüketici sınıfı donanımlarda verimli biçimde eğitilir ve son teknoloji görüntü yapay zekâsına erişimi demokratikleştirir.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics modelleriyle çalışmak son derece kolaydır. Aşağıda, Ultralytics paketini kullanarak nasıl eğitim yapılacağını ve çıkarımın nasıl çalıştırılacağını gösteren, tamamen çalıştırılabilir bir örnek yer alıyor.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLO11 modelini yükle
model = YOLO("yolo11s.pt")

# COCO8 veri kümesinde modeli verimli bir şekilde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Web'deki bir görüntü üzerinde çıkarım çalıştır
prediction = model("https://ultralytics.com/images/bus.jpg")

# Kolay dağıtım için modeli ONNX biçimine aktar
model.export(format="onnx")

İdeal Kullanım Alanları#

Her modelin hangi alanlarda öne çıktığını anlamak, işe uygun aracı seçmeni sağlar.

YOLOv6-3.0'ı ne zaman seçmelisin: Belirli TensorRT 7.x/8.x işlem hatları etrafında özellikle tasarlanmış eski bir endüstriyel sistemi sürdürüyor ve donanımın tamamen yüksek hızlı üretim otomasyonu için ayrılmış NVIDIA T4 veya A100 GPU'lardan oluşuyorsa, YOLOv6 hâlâ kullanılabilir ve yetkin bir motordur.

YOLO11'i seçebileceğin durumlar: Modern uygulamaların neredeyse tamamı için YOLO11 daha iyi bir seçimdir. Akıllı üretim çözümleri geliştiriyor, Raspberry Pi cihazlarda uç yapay zekâ dağıtıyor veya tıbbi görüntüleri algılama ve segmente etme gibi çok görevli işlemler yürütüyor olsan da YOLO11 hız, doğruluk ve dağıtım esnekliği arasında en iyi dengeyi sunar.

Geleceğe Bakış: Son Teknoloji YOLO26#

YOLO11 büyük bir ilerlemeyi temsil etse de Ultralytics bilgisayarlı görüde sınırları zorlamaya devam ediyor. Ocak 2026'da yayımlanan yeni YOLO26 model serisi, mutlak anlamda son teknoloji düzeyindedir ve tüm yeni projeler için önerilen modeldir.

YOLO26, modern dağıtım zorlukları için özel olarak tasarlanmış birçok çığır açan özellik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramları temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldıran yerel uçtan uca bir başlık (nms=False) sunar; bu da daha hızlı ve çok daha basit dağıtım işlem hatları sağlar.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp işlevini kaldırarak YOLO26, ağ başlığını basitleştirir ve düşük güç tüketen Nesnelerin İnterneti (IoT) ve uç cihazlarla uyumluluğu büyük ölçüde artırır.
• MuSGD Optimizer: Büyük dil modeli (LLM) eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, hibrit Muon-SGD optimizer'ı kullanarak benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Özel GPU hızlandırıcıları olmadan çalışan uygulamalar için YOLO26, ham CPU iş hacmi açısından kapsamlı biçimde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve hava gözetimi açısından kritik olan küçük nesneleri tanıma becerisinde kayda değer iyileşmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26, segmentasyon için çok ölçekli prototipleme ve poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) gibi, tüm görevlerde özelleştirilmiş iyileştirmeler içerir.

Bugün yeni bir bilgisayarlı görü girişimine başlıyorsan, bir YOLO26 modelini eğitmek için Ultralytics Platform kullanman, uygulamanın mevcut en verimli, doğru ve geleceğe hazır mimari üzerine kurulmasını sağlar.

Açık söz dağarcıklı nesne tespitini keşfetmek isteyen geliştiriciler, YOLO-World hakkındaki belgelerimizi de inceleyebilir.