YOLO11 ile YOLOv6-3.0: Kapsamlı Bir Teknik Karşılaştırma
Bilgisayarlı görü alanı hızla gelişiyor ve doğru model mimarisini seçmek, makine öğrenimi uygulayıcıları için kritik bir karardır. Gerçek zamanlı nesne algılama alanındaki ilerlemenin iki önemli kilometre taşı YOLO11 ve YOLOv6-3.0'dır. Her iki model de görsel verilerden içgörü elde etmek için etkileyici yetenekler sunsa da, farklı birincil hedefler ve tasarım felsefeleriyle geliştirilmişlerdir.
Bu rehber, 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.
Model Genel Bakışları
Teknik kıyaslamalara girmeden önce, her bir modelin kökenlerini ve temel odak noktasını anlamak faydalıdır.
Ultralytics YOLO11
Ultralytics ekosisteminde yerel olarak geliştirilen YOLO11, kesintisiz ve uçtan uca bir geliştirme deneyimi sunmak için tasarlandı. Sadece ham hıza değil, aynı zamanda çok görevli esnekliğe, kullanım kolaylığına ve modern dağıtım hatlarıyla entegrasyona önem verir.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: Ultralytics Deposu
- Dokümanlar: YOLO11 Dokümantasyonu
YOLO11 hakkında daha fazla bilgi edin
Meituan YOLOv6-3.0
YOLOv6-3.0, özel grafik işlem birimlerinin (GPU'lar) mevcut olduğu endüstriyel uygulamalar için özel olarak uyarlandı. 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
- Dokümanlar: YOLOv6 Dokümantasyonu
YOLOv6 hakkında daha fazla bilgi edinin
Mimari 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 bir birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu mekanizmalar, konumlandırma doğruluğunu artırmak için tasarlanmıştır. Mimari büyük ölçüde ayrıştırılmıştır ve INT8 model çıkarımı lehine yoğun bir şekilde nicelleştirilmiştir, bu da onu eski GPU yığınlarını kullanan yüksek hızlı üretim hatları için güçlü bir aday haline getirir.
Projeniz hızlı prototipleme, çok çeşitli görev desteği (segmentasyon veya sınıflandırma gibi) ve farklı donanımlarda (CPU, Edge TPU, Mobil) dağıtım gerektiriyorsa, Ultralytics çerçevesi önemli ölçüde daha akıcı bir geliştirici deneyimi sunar.
Performans ve Metrikler
Modelleri değerlendirirken, ortalama Hassasiyet (mAP) ve çıkarım hızı çok önemlidir. Aşağıdaki tablo, YOLO11 ve YOLOv6-3.0 performansını çeşitli model ölçeklerinde karşılaştırır. En iyi performans gösteren metrikler kalın harflerle vurgulanmıştır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 |
Gösterildiği gibi, YOLO11 eşdeğer katmanlarda 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 doğrudan daha düşük bellek gereksinimlerine dönüşür.
Ultralytics Avantajı
Bir model seçmek sadece ham metriklerden fazlasıdır; tüm makine öğrenimi yaşam döngüsü ile ilgilidir. Ultralytics modelleri, hem geliştiriciler hem de araştırmacılar için belirgin bir avantaj sağlar.
- Kullanım Kolaylığı: Ultralytics Python API, modelleri sadece birkaç satır kodla eğitmenize, doğrulamanıza ve dışa aktarmanıza olanak tanır. Karmaşık bağımlılık ağaçlarını manuel olarak yapılandırmanıza gerek yoktur.
- İyi Bakımlı Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sağlar. Ultralytics Platformu kullanarak geliştiriciler; işbirlikçi veri seti etiketleme, bulut eğitimi ve kesintisiz model izleme özelliklerine erişim kazanır.
- Çok Yönlülük: Birincil olarak bir sınırlayıcı kutu dedektörü olan YOLOv6-3.0'ın aksine YOLO11, görüntü sınıflandırmayı ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler, böylece teknoloji yığınınızı birleştirmenize olanak tanır.
- Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik yığınlamadan (auto-batching) yararlanan YOLO11, tüketici sınıfı donanımlarda verimli bir şekilde eğitilerek en son teknolojiye sahip yapay zekaya erişimi demokratikleştirir.
Kod Örneği: Eğitim ve Çıkarım
Ultralytics modelleriyle çalışmak son derece 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")İdeal Kullanım Durumları
Her modelin nerede başarılı olduğunu anlamak, iş için doğru aracı seçmenizi sağlar.
Ne zaman YOLOv6-3.0 seçilmeli: Belirli TensorRT 7.x/8.x hatları etrafında oluşturulmuş eski bir endüstriyel sistemi sürdürüyorsan ve donanımın tamamen yüksek hızlı üretim otomasyonu için özel NVIDIA T4 veya A100 GPU'lardan oluşuyorsa, YOLOv6 uygulanabilir ve yetenekli bir motor olmaya devam eder.
Ne zaman YOLO11 seçilmeli: Neredeyse tüm modern uygulamalar için YOLO11 üstün tercihtir. İster akıllı üretim çözümleri inşa ediyor, ister Raspberry Pi cihazlarında uç yapay zekası dağıtıyor veya tıbbi görüntüleri tespit edip bölütleme gibi çok görevli operasyonlar gerçekleştiriyor ol, YOLO11 hız, doğruluk ve dağıtım esnekliğinin en iyi dengesini sunar.
İleriye Bakış: Son Teknoloji YOLO26
YOLO11 büyük bir sıçramayı temsil etse de, Ultralytics bilgisayarlı görü sınırlarını sürekli zorluyor. Ocak 2026'da piyasaya sürülen yeni YOLO26 model serisi, mutlak en son teknolojidir ve tüm yeni projeler için önerilen modeldir.
YOLO26, özellikle modern dağıtım zorlukları için tasarlanmış birkaç çığır açan özellik sunar:
- Uçtan Uca NMS-Olmayan Tasarım: YOLOv10 tarafından öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) sonrası işlemeyi tamamen ortadan kaldırarak daha hızlı ve çok daha basit dağıtım hatları sağlar.
- DFL Kaldırma: Distribution Focal Loss'u kaldırarak YOLO26, ağ başını basitleştirir ve düşük güçlü Nesnelerin İnterneti (IoT) ve uç cihazlarla uyumluluğu büyük ölçüde artırır.
- MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlayan hibrit bir Muon-SGD optimize edici kullanır.
- %43'e Varan 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, drone görüntüleri ve hava gözetimi için kritik olan küçük nesne tanımasında önemli iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, segmentasyon 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 modeli eğitmek için Ultralytics Platformu'ndan yararlanmak, uygulamanın mevcut en verimli, doğru ve geleceğe dönük mimari üzerine kurulmasını sağlayacaktır.
Açık sözcüklü (open-vocabulary) algılamayı keşfetmek isteyen geliştiriciler, YOLO-World hakkındaki dokümantasyonumuzu da inceleyebilirler.