YOLO11 ve YOLOv6-3.0: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayar görüşü alanı hızla gelişmektedir ve doğru model mimarisini seçmek, makine öğrenimi uygulayıcıları için kritik bir karardır. Gerçek zamanlı nesne algılama ilerlemesindeki 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 kılavuz, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak amacıyla, modellerin mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını karşılaştıran derinlemesine bir teknik analiz sunmaktadır.

Model Genel Bakışları

Teknik kıyaslamalara dalmadan önce, her modelin kökenlerini ve temel odak noktasını anlamak faydalıdır.

Ultralytics YOLO11

Ultralytics ekosistemi içinde doğal olarak geliştirilen YOLO11, sorunsuz, uçtan uca bir geliştirme deneyimi sağlamak üzere tasarlanmıştır. Sadece ham hıza değil, aynı zamanda çok görevli çok yönlülüğe, kullanım kolaylığına ve modern dağıtım hatlarıyla entegrasyona da vurgu yapar.

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

YOLO11 hakkında daha fazla bilgi edinin

Meituan YOLOv6-3.0

YOLOv6-3.0, özel grafik işlem birimlerinin (GPU'lar) bulunduğu endüstriyel uygulamalar için özel olarak tasarlanmıştır. Kontrollü ortamlarda verimi en üst düzeye çıkarmaya odaklanarak TensorRT dağıtımı için yoğun bir şekilde optimize edilmiştir.

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 edinin.

Mimari Farklılıklar

Temel mimari, bir modelin nasıl öğrendiğini ve ölçeklendiğini belirler. Her iki çerçeve de klasik YOLO formülüne benzersiz geliştirmeler sunar.

YOLO11, inanılmaz derecede parametre açısından verimli bir mimari sunmak için yıllarca süren araştırmalara dayanmaktadır. Büyük yapısal revizyonlar gerektirmeden örnek segmentasyon ve poz tahmini gibi çeşitli bilgisayar görüşü görevlerini yerine getirebilen gelişmiş bir backbone ve genelleştirilmiş bir başlığa sahiptir. Ayrıca, YOLO11 eğitim sırasında olağanüstü düşük CUDA bellek gereksinimlerine sahiptir, bu da onu RT-DETR gibi daha hantal transformer modellerinden ayırır.

Tersine, YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu mekanizmalar, konumlandırma doğruluğunu artırmak için tasarlanmıştır. Mimari, öncelikli olarak ayrıştırılmış ve INT8 model çıkarımını desteklemek üzere yoğun bir şekilde nicelenmiştir, bu da onu eski GPU yığınlarını çalıştıran yüksek hızlı üretim hatları için güçlü bir aday yapar.

Doğru Çerçeveyi Seçmek

Projeniz hızlı prototipleme, çeşitli görev desteği (segmentasyon veya sınıflandırma gibi) ve farklı donanımlar (CPU, Edge TPU, Mobil) üzerinde dağıtım gerektiriyorsa, Ultralytics çerçevesi önemli ölçüde daha sorunsuz bir geliştirici deneyimi sunar.

Performans ve Metrikler

Modelleri değerlendirirken, ortalama Hassasiyet (mAP) ve çıkarım hızı çok önemlidir. Aşağıdaki tablo, YOLO11'in YOLOv6-3.0'a karşı çeşitli model ölçeklerindeki performansını karşılaştırmaktadır. En iyi performans gösteren metrikler kalın olarak vurgulanmıştır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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 daha düşük bellek gereksinimlerine doğrudan dönüşür.

Ultralytics'in Avantajı

Bir model seçmek, sadece ham metriklerden daha fazlasıdır; tüm makine öğrenimi yaşam döngüsüyle ilgilidir. Ultralytics modelleri, hem geliştiriciler hem de araştırmacılar için belirgin bir avantaj sağlar.

Kullanım Kolaylığı: Ultralytics Python API'si, yalnızca birkaç satır kodla modelleri eğitmenize, doğrulamanıza ve dışa aktarmanıza olanak tanır. Karmaşık bağımlılık ağaçlarını manuel olarak yapılandırmaya gerek yoktur.
İyi Yönetilen Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sunar. Ultralytics Platformu'nu kullanarak geliştiriciler, işbirlikçi veri kümesi etiketleme, bulut eğitimi ve kesintisiz model izlemeye erişim sağlar.
Çok Yönlülük: Esas olarak bir sınırlayıcı kutu dedektörü olan YOLOv6-3.0'ın aksine, YOLO11 doğal olarak görüntü sınıflandırmayı ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyerek teknoloji yığınınızı birleştirmenize olanak tanır.
Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik toplu işlemden yararlanan YOLO11, tüketici sınıfı donanımlarda verimli bir şekilde eğitilerek son teknoloji vizyon yapay zekasına erişimi demokratikleştirir.

Kod Örneği: Eğitim ve Çıkarım

Ultralytics modelleriyle çalışmak son derece sezgiseldir. Aşağıda, Ultralytics paketini kullanarak eğitim ve çıkarım yapmanın nasıl olduğunu 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 Senaryoları

Her modelin nerede üstün olduğunu anlamak, iş için doğru aracı seçmenizi sağlar.

YOLOv6-3.0 ne zaman seçilmeli: Belirli TensorRT 7.x/8.x boru hatları etrafında özel olarak inşa edilmiş eski bir endüstriyel sistemi sürdürüyorsanız ve donanımınız yüksek hızlı üretim otomasyonu için tamamen özel NVIDIA T4 veya A100 GPU'lardan oluşuyorsa, YOLOv6 geçerli ve yetenekli bir motor olmaya devam eder.

YOLO11 ne zaman seçilmeli: Neredeyse tüm modern uygulamalar için YOLO11 üstün bir seçimdir. İster akıllı üretim çözümleri geliştiriyor, ister Raspberry Pi cihazlarında uç yapay zeka dağıtıyor, ister tıbbi görüntüleri detect ve segment gibi çok görevli operasyonlar gerçekleştiriyor olun, YOLO11 hız, doğruluk ve dağıtım esnekliğinin en uygun dengesini sağlar.

Geleceğe Bakış: Son Teknoloji YOLO26

YOLO11 büyük bir ilerlemeyi temsil etse de, Ultralytics bilgisayar görüşünün 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 çeşitli çığır açan özellikler sunar:

Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından öncülük edilen konseptler üzerine inşa edilen YOLO26, doğal olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlemeyi tamamen ortadan kaldırarak daha hızlı, drastik olarak daha basit dağıtım boru hatları sağlar.
DFL Kaldırma: Dağıtım Odak Kaybı'nı kaldırarak YOLO26, ağ başlığını 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'nin Kimi K2'si gibi) esinlenerek, YOLO26 hibrit bir Muon-SGD optimize edici kullanır, bu da eşsiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
CPU Çıkarımında %43'e Kadar Daha Hızlı: 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 tanımada dikkate değer iyileştirmeler sağlar.
Göreve Özel İyileştirmeler: YOLO26, segmentasyon için çok ölçekli prototipleme ve poz tahmini için Artık Log-Olasılık Tahmini (RLE) gibi tüm görevlerde özelleştirilmiş iyileştirmeler içerir.

Bugün yeni bir bilgisayar görüşü girişimi başlatıyorsanız, bir YOLO26 modeli eğitmek için Ultralytics Platformu'ndan yararlanmak, uygulamanızın mevcut en verimli, doğru ve geleceğe dönük mimari üzerine inşa edilmesini sağlayacaktır.

Açık kelime algılamayı keşfetmek isteyen geliştiriciler için YOLO-World hakkındaki belgelerimizi de inceleyebilirsiniz.