YOLO11 ve YOLOv6-3.0
Bilgisayarlı görü alanı hızla gelişiyor ve doğru model mimarisini seçmek, makine öğrenimi uygulayıcıları için önemli bir karar. Gerçek zamanlı nesne tespitinde öne çıkan iki dönüm noktası YOLO11 ve YOLOv6-3.0. Her ikisi de görsel verilerden yararlı bilgiler çıkarıyor, ancak farklı temel amaçlar ve tasarım felsefeleriyle geliştirildiler.
Bu kılavuz, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak üzere mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını karşılaştırıyor.
Modellere Genel Bakış#
Teknik kıyaslamalara geçmeden önce her modelin kökenlerini ve temel odağını anlamak faydalı olacaktır.
Ultralytics YOLO11#
Ultralytics ekosistemi içinde doğrudan geliştirilen YOLO11, eğitimden dağıtıma kadar eksiksiz bir geliştirme deneyimi sunmak üzere tasarlandı. Yalnızca ham hıza değil, aynı zamanda çok görevli esnekliğe, kullanım kolaylığına ve modern dağıtım iş akışlarıyla 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) bulunduğu endüstriyel uygulamalara özel olarak tasarlandı. TensorRT dağıtımı için 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
- 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, verimli parametre kullanımına sahip bir mimari sunmak için yıllar süren araştırmalardan yararlanır. Geliştirilmiş bir omurgaya ve örnek segmentasyonu ile poz tahmini gibi çeşitli bilgisayarlı görü görevlerini büyük yapısal değişiklikler olmadan gerçekleştiren genelleştirilmiş bir başlığa sahiptir. YOLO11'in eğitim sırasında CUDA bellek gereksinimi de düşüktür; bu yönüyle RT-DETR gibi daha büyük Transformer modellerinden ayrılır.
Buna karşılık YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu mekanizmalar, konumlandırma doğruluğunu iyileştirmek üzere tasarlanmıştır. Ayrıştırılmış bir başlık ve INT8 çıkarımı için niceleme dostu bir tasarım kullanması, onu yerleşik GPU yığınlarında çalışan yüksek hızlı üretim hatları için güçlü bir seçenek hâline getirir.
Projen hızlı prototipleme, çeşitli görev desteği (segmentasyon veya sınıflandırma gibi) ve farklı donanımlara (CPU, Edge TPU, Mobil) dağıtım gerektiriyorsa Ultralytics çerçevesi daha akıcı bir geliştirici deneyimi sunar.
Performans ve Metrikler#
Modelleri değerlendirirken Ortalama Hassasiyet (mAP) ve çıkarım hızı temel ölçütlerdir. Aşağıdaki tablo, YOLO11'in farklı model ölçeklerindeki performansını YOLOv6-3.0 ile karşılaştırıyor. En iyi performans gösteren ölçütler kalın olarak vurgulanmıştır.
| Model | boyut (piksel) | mAPval50-95 | 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
YOLO11, karşılaştırılabilir her ölçekte daha az parametre ve FLOPs ile daha yüksek mAP elde eder. Örneğin YOLO11s, 9.4M parametreyle 47.0 mAP'e ulaşırken YOLOv6-3.0s, 18.5M parametreyle 45.0 mAP elde eder. YOLOv6-3.0n, T4 TensorRT'de en hızlı modeldir (1.17 ms); YOLO11 ise s ölçeğinden itibaren daha hızlıdır. Bu parametre verimliliği, hem model eğitimi hem de çıkarım sırasında daha düşük bellek gereksinimi sağlar.
Ultralytics Avantajı#
Model seçimi yalnızca ham ölçütlerle ilgili değildir; tüm makine öğrenimi yaşam döngüsünü kapsar. Ultralytics modelleri, geliştiricilere ve araştırmacılara çeşitli avantajlar sunar.
- Kullanım Kolaylığı: Ultralytics Python API'si, modelleri yalnızca birkaç satır kodla eğitmene, doğrulamaya ve dışa aktarmana olanak tanır. Karmaşık bağımlılık ağaçlarını elle yapılandırman gerekmez.
- Bakımı İyi Yapılan Ekosistem: Ultralytics, sık güncellenen birleşik bir ekosistem sunar. Ultralytics Platform ile geliştiriciler ortaklaşa veri kümesi etiketleme, bulutta eğitim ve model izleme özelliklerine erişir.
- Çok Yönlülük: Temel olarak sınırlayıcı kutu tespiti yapan YOLOv6-3.0'ın aksine YOLO11, görüntü sınıflandırmasını ve yönlendirilmiş sınırlayıcı kutuları (OBB) da destekleyerek teknoloji yığınını birleştirmene olanak tanır.
- Eğitim Verimliliği: Modern optimizasyonlar ve otomatik toplu iş boyutlandırma sayesinde YOLO11, tüketici sınıfı donanımlarda verimli şekilde eğitilir.
Kod Örneği: Eğitim ve Çıkarım#
Aşağıda Ultralytics paketini kullanarak bir modeli eğiten, modelle çıkarım yapan ve modeli dışa aktaran çalıştırılabilir bir örnek bulunuyor.
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 seçmeli: Sistemin belirli TensorRT 7.x/8.x işlem hatları üzerine kurulmuş eski bir endüstriyel sistemse ve donanımın tamamen yüksek hızlı üretim otomasyonu için ayrılmış NVIDIA T4 veya A100 GPU'lardan oluşuyorsa YOLOv6 hâlâ yetenekli bir seçenektir.
YOLO11'i ne zaman seçmeli: Çoğu modern uygulama için YOLO11 daha iyi bir seçenektir. İster akıllı üretim çözümleri geliştiriyor, ister Raspberry Pi cihazlarında uç yapay zekâ dağıtıyor, ister tıbbi görüntüleri tespit edip segmentlere ayırma gibi çok görevli işlemler gerçekleştiriyor ol; YOLO11 hız, doğruluk ve dağıtım esnekliği arasında güçlü bir denge sunar.
Geleceğe Bakış: YOLO26#
Ultralytics, YOLO11'den sonra da yeni modeller geliştirmeye devam ediyor. Ocak 2026'da yayımlanan YOLO26 model serisi, Ultralytics YOLO'nun en yeni neslidir ve yeni projeler için önerilen modeldir.
YOLO26, modern dağıtım zorlukları için tasarlanmış çeşitli özellikler sunuyor:
- Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS içermeyen eğitim yaklaşımını temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldıran isteğe bağlı bir uçtan uca başlık (
nms=False) sunarak daha hızlı ve basit dağıtım işlem hatları sağlar. - DFL'nin Kaldırılması: Distribution Focal Loss'u kaldırarak YOLO26, ağ başlığını basitleştirir ve düşük güçlü Nesnelerin İnterneti (IoT) ile uç cihazlarla uyumluluğu artırır.
- MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli (LLM) eğitim yöntemlerinden esinlenen YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için hibrit Muon-SGD optimizasyonunu kullanır.
- CPU'da %43'e Varan Hız Artışı: Özel GPU hızlandırıcıları olmadan çalışan uygulamalarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlıdır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), drone görüntüleri ve havadan gözetim için kritik olan küçük nesnelerin tanınmasını iyileştirir.
- Göreve Özel İyileştirmeler: YOLO26, segmentasyon için çok ölçekli bir proto modülü ve poz tahmini için Artık Log-Olasılık Tahmini (RLE) gibi göreve özel geliştirmeler içerir.
Bugün yeni bir bilgisayarlı görü projesine başlıyorsan Ultralytics Platform'da YOLO26 modelini eğitmek, şu anda kullanılabilen en doğru ve verimli Ultralytics mimarisini sunar.
Açık söz dağarcıklı nesne tespitini keşfetmek isteyen geliştiriciler, YOLO-World hakkındaki belgelerimizi de inceleyebilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.