YOLO11 vs YOLOv6-3.0: Detaylı Bir Model Karşılaştırması
Doğru bilgisayarla görme modelini seçmek, nesne algılama görevlerinde optimum performans elde etmek için çok önemlidir. Ultralytics , her biri benzersiz güçlü yönlere sahip bir dizi YOLO modeli sunar. Bu sayfa, mimarilerine, performans ölçütlerine ve ideal uygulamalarına odaklanarak nesne algılama için iki popüler seçenek olan Ultralytics YOLO11 ve YOLOv6-3.0 arasında teknik bir karşılaştırma sağlar.
Ultralytics YOLO11
Ultralytics YOLO11 , Ultralytics'ten Glenn Jocher ve Jing Qiu tarafından yazılan ve 2024-09-27 tarihinde piyasaya sürülen YOLO serisinin en yeni modelidir. Nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini dahil olmak üzere çeşitli bilgisayarla görme görevlerinde gelişmiş doğruluk ve verimlilik için tasarlanmış son teknoloji nesne algılama yetenekleri sunmak için önceki sürümleri temel alır.
YOLO11 , daha hassas tahminler ve daha fazla verimlilik için mimari iyileştirmeler sunar. Özellikle, YOLO11m, YOLOv8m'ye kıyasla daha az parametre ile COCO veri kümesinde daha yüksek bir Ortalama Hassasiyet (mAP) elde eder. Bu verimlilik, uç cihazlardan bulut sistemlerine kadar çeşitli platformlara uzanmaktadır. Optimize edilmiş tasarım, daha yüksek işlem hızları ve daha düşük hesaplama maliyetleri sağlayarak gerçek zamanlı uygulamalar ve kaynak kısıtlı ortamlar için uygun hale getirir. Daha fazla ayrıntı için resmi YOLO11 belgelerine bakın.
YOLO11 hakkında daha fazla bilgi edinin
YOLO11'in güçlü yönleri:
- Üstün Doğruluk: Daha az parametre ile daha yüksek mAP elde ederek tespit hassasiyetini artırır.
- Geliştirilmiş Verimlilik: Daha yüksek işlem hızları ve daha düşük hesaplama maliyetleri sağlar.
- Çok yönlülük: Algılama, segmentasyon, sınıflandırma ve poz tahmini gibi birden fazla görevi destekler.
- Platformlar Arası Uyumluluk: Hem uç hem de bulut sistemlerinde iyi performans gösterir.
- Kullanım Kolaylığı: Ultralytics HUB ve Python paketi ile sorunsuz entegrasyon.
YOLO11'in zayıf yönleri:
- Yeni Model: En yeni model olduğundan, topluluk desteği ve dokümantasyon, daha köklü modellere kıyasla hala büyümektedir.
YOLO11 için İdeal Kullanım Durumları:
YOLO11'in doğruluk ve hız dengesi, onu yüksek hassasiyet ve gerçek zamanlı performans gerektiren uygulamalar için ideal hale getirir:
- Sürücüsüz araçlarda Gelişmiş Sürücü Destek Sistemleri(ADAS )(kendi kendine sürüşte yapay zeka)
- Üretimde yüksek hassasiyetli robotik(Üretimde yapay zeka)
- Gelişmiş güvenlik için sofistike gözetim sistemleri(hırsızlığı önlemek için bilgisayar görüşü)
- Doğru teşhis için tıbbi görüntü analizi(sağlık hizmetlerinde yapayzeka)
- Gerçek zamanlı spor analitiği(sporda bilgisayarla görme uygulamalarını keşfetmek)
YOLOv6-3.0
YOLOv6-3.0, Meituan tarafından geliştirilen ve Chuyi Li, Lulu Li ve diğerleri tarafından yazılan, 2023-01-13 tarihinde piyasaya sürülen yüksek performanslı bir nesne algılama çerçevesidir. Hız ve doğruluk arasında bir denge gerektiren endüstriyel uygulamalar için tasarlanmıştır. YOLOv6-3.0, hızdan önemli ölçüde ödün vermeden performansı artırmak için Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi gibi mimari yenilikleri içerir.
Verimliliği ve hızıyla bilinen YOLOv6-3.0, farklı hesaplama ihtiyaçlarını karşılamak için çeşitli model boyutları (N, S, M, L) sunar. Optimize edilmiş tasarımı ve niceleme desteği, onu özellikle gerçek zamanlı uygulamalar ve uç cihazlarda dağıtım için uygun hale getirir. Ayrıntılı bilgi YOLOv6 belgelerinde ve YOLOv6 GitHub deposunda bulunabilir.
YOLOv6-3.0 hakkında daha fazla bilgi edinin
YOLOv6-3.0'ın güçlü yönleri:
- Yüksek Çıkarım Hızı: Gerçek zamanlı performans için optimize edilerek yüksek FPS elde edilmiştir.
- Dengeli Doğruluk: Doğruluk ve hız arasında iyi bir denge sağlar.
- Kuantizasyon Desteği: Daha fazla hızlandırma ve verimlilik için INT8 niceleme sunar.
- Mobil Optimizasyon: Mobil ve CPU dağıtımı için özel olarak tasarlanmış YOLOv6Lite modellerini içerir.
- Yerleşik Model: Güçlü bir topluluk ve kod tabanı ile iyi belgelenmiş.
YOLOv6-3.0'ın zayıf yönleri:
- Potansiyel Olarak Daha Düşük Doğruluk: Belirli karmaşık senaryolarda YOLO11 gibi en yeni YOLO11 modellerine kıyasla biraz daha düşük doğruluğa sahip olabilir.
- Geliştirme Menşei: Ultralytics ekosistemine entegre olmasına rağmen Ultralytics dışında geliştirilmiştir.
YOLOv6-3.0 için İdeal Kullanım Durumları:
YOLOv6-3.0, hız ve verimliliğin çok önemli olduğu uygulamalar için çok uygundur:
- Kenar cihazlarda gerçek zamanlı nesne algılama(edgeai)
- Hızlı ve güvenilir algılama gerektiren endüstriyel otomasyon(bilgisayarlı görü ile üretimin iyileştirilmesi)
- Hızlı işlemenin kritik öneme sahip olduğugözetimve güvenlik sistemleri(vision ai ile gözetim statükosunun yıkılması)
- Kaynak kısıtlamaları olan mobil uygulamalar(edge ai cihazlarında bilgisayarla görme uygulamalarının dağıtılması)
- Yüksek verimli video analizi
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (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 |
Diğer modelleri keşfetmek isteyen kullanıcılar, performans ve özellik dengesi için Ultralytics YOLOv8 , gelişmiş mimari iyileştirmeler için YOLOv9, en son gelişmeler için YOLOv10, YOLO ailesinde her biri benzersiz güçlü yönler sunan YOLO ve YOLOv5'i de düşünebilirler.
