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 tespiti alanındaki iki önemli dönüm noktası YOLO11 ve YOLOv6-3.0 modelleridir. Her iki model de görsel verilerden içgörü elde etme konusunda etkileyici yetenekler sunsa da farklı öncelikli hedefler ve tasarım felsefeleriyle geliştirildi.

Bu kılavuz, bir sonraki yapay zeka projen için bilinçli bir karar vermene yardımcı olmak üzere mimarilerini, performans ölçümlerini ve ideal dağıtım senaryolarını ayrıntılı bir teknik analizle karşılaştırır.

Model Genel Bakışları#

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

Ultralytics YOLO11#

Ultralytics ekosistemi içinde yerel olarak geliştirilen YOLO11, uçtan uca sorunsuz bir geliştirme deneyimi sunmak üzere tasarlandı. Yalnızca ham hıza değil, aynı zamanda çok görevli çok yönlülüğe, kullanım kolaylığına ve modern dağıtım işlem hatlarıyla entegrasyona da önem verir.

• 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 işlem birimlerinin (GPUs) mevcut olduğu endüstriyel uygulamalar için özel olarak tasarlandı. TensorRT dağıtımı için yoğun biçimde optimize edilerek 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, bir 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 büyük yapısal değişiklikler gerektirmeden örnek bölütleme ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini gerçekleştirebilen genelleştirilmiş bir başlığa sahiptir. Ayrıca YOLO11, eğitim sırasında olağanüstü düşük CUDA bellek gereksinimleriyle öne çıkar ve RT-DETR gibi daha hantal Transformer modellerinden ayrılır.

Buna karşılık YOLOv6-3.0, yerelleştirme doğruluğunu artırmak üzere Bi-directional Concatenation (BiC) modülü ile Anchor-Aided Training (AAT) stratejisini kullanır. Mimari temel olarak ayrıştırılmıştır ve INT8 model çıkarımını desteklemek için yoğun biçimde nicelemeye tabi tutulmuştur; bu da onu eski GPU yığınlarını kullanan yüksek hızlı üretim hatları için güçlü bir seçenek haline getirir.

Performans ve Metrikler#

Modeller değerlendirilirken Ortalama Kesinlik (mAP) ve çıkarım hızı büyük önem taşır. Aşağıdaki tablo, çeşitli model ölçeklerinde YOLO11 ile YOLOv6-3.0'ın performansını karşılaştırır. En iyi performans gösteren ölçümler kalın olarak vurgulanmıştır.

Görüldüğü üzere YOLO11, eşdeğer katmanlarda çok daha az parametre ve FLOPs ile sürekli olarak daha yüksek doğruluk (mAP) elde eder. Bu parametre verimliliği, hem model eğitimi hem de çıkarım sırasında doğrudan daha düşük bellek gereksinimlerine dönüşür.

Ultralytics Avantajı#

Model seçmek yalnızca ham ölçümlerden ibaret değildir; tüm makine öğrenimi yaşam döngüsü önemlidir. Ultralytics modelleri hem geliştiriciler hem de araştırmacılar için belirgin bir avantaj sunar.

1. Kullanım Kolaylığı: Ultralytics Python API'si, yalnızca birkaç satır kodla modelleri eğitmene, doğrulamaya ve dışa aktarmana olanak tanır. Karmaşık bağımlılık ağaçlarını manuel olarak yapılandırman gerekmez.
2. İyi Korunan Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sunar. Ultralytics Platformu sayesinde geliştiriciler ortak veri kümesi açıklama, bulut eğitimi ve sorunsuz model izleme olanaklarına erişir.
3. Çok Yönlülük: Öncelikle bir sınırlayıcı kutu dedektörü olan YOLOv6-3.0'ın aksine YOLO11, yerel olarak görüntü sınıflandırmayı ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyerek teknoloji yığınını birleştirmene olanak tanır.
4. Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik toplu işlemeden yararlanan YOLO11, tüketici sınıfı donanımlarda verimli biçimde eğitilir ve son teknoloji görü yapay zekasına erişimi yaygınlaştırır.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics modelleriyle çalışmak son derece sezgiseldir. Aşağıda, Ultralytics paketini kullanarak nasıl eğitim gerçekleştireceğini ve çıkarım çalıştıracağını gösteren %100 çalıştırılabilir bir örnek yer alıyor.

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")

İdeal Kullanım Alanları#

Her modelin hangi alanlarda başarılı olduğunu anlamak, görev için doğru aracı seçmeni sağlar.

YOLOv6-3.0 ne zaman seçilmeli: Belirli TensorRT 7.x/8.x işlem hatları etrafında özel olarak oluşturulmuş eski bir endüstriyel sistemi sürdürüyor ve donanımın tamamı yüksek hızlı üretim otomasyonuna ayrılmış NVIDIA T4 veya A100 GPU'lardan oluşuyorsa YOLOv6 hâlâ uygulanabilir ve yetenekli bir motordur.

YOLO11 ne zaman seçilmeli: Neredeyse tüm modern uygulamalar için YOLO11 üstün seçenektir. İster akıllı üretim çözümleri geliştiriyor, ister Raspberry Pi cihazlarında uç yapay zeka dağıtıyor, ister tıbbi görüntüleri tespit edip bölütleme gibi çok görevli işlemler gerçekleştiriyor ol, YOLO11 hız, doğruluk ve dağıtım esnekliği arasında ideal dengeyi sunar.

Geleceğe Bakış: En Son Teknoloji YOLO26#

YOLO11 ileriye doğru büyük bir sıçramayı temsil etse de Ultralytics bilgisayarlı görünün sınırlarını sürekli olarak zorluyor. Ocak 2026'da yayımlanan yeni YOLO26 model serisi, mevcut en son teknoloji ürünü olup tüm yeni projeler için önerilen modeldir.

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

• Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından öncülük edilen kavramları temel alan YOLO26, yerel olarak uçtan uca çalışır. Maksimum Olmayan Bastırma (NMS) son işleme adımını tamamen ortadan kaldırarak daha hızlı ve çok daha basit dağıtım işlem hatları sağlar.
• DFL'nin Kaldırılması: Dağılımsal Odak Kayıbını kaldıran YOLO26, ağ başlığını basitleştirerek düşük güçlü Nesnelerin İnterneti (IoT) ve uç cihazlarla uyumluluğu büyük ölçüde artırır.
• MuSGD Optimizasyon Algoritması: Büyük dil modeli (LLM) eğitimi yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlayan hibrit Muon-SGD optimizasyon algoritmasını kullanır.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Özel GPU hızlandırıcıları olmadan çalışan uygulamalar için YOLO26, ham CPU işlem hacmi açısından yoğun biçimde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone görüntüleri ve hava gözetimi için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26; bölütleme için çok ölçekli prototipleme ve poz tahmini için Residual Log-Likelihood Estimation (RLE) gibi tüm görevlerde özelleştirilmiş geliştirmeler içerir.

Bugün yeni bir bilgisayarlı görü girişimi başlatıyorsan bir YOLO26 modelini eğitmek için Ultralytics Platformundan yararlanman, uygulamanın mevcut en verimli, doğru ve geleceğe hazır mimari üzerine kurulmasını sağlar.

Açık kelime dağarcıklı tespiti keşfetmek isteyen geliştiriciler YOLO-World belgelerimizi de inceleyebilir.