YOLO11 ile YOLOv6-3.0 karşılaştırması#

Bilgisayarla görü alanı hızla gelişiyor ve doğru model mimarisini seçmek, makine öğrenimi uygulayıcıları için kritik bir karardır. Gerçek zamanlı nesne tespiti gelişimindeki iki önemli kilometre taşı YOLO11 ve YOLOv6-3.0 modelleridir. Her iki model de görsel verilerden içgörü elde etmek için etkileyici yetenekler sunsa da farklı birincil hedefler ve tasarım felsefeleriyle geliştirilmiştir.

Bu kılavuz, 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 karşılaştırmalara dalmadan önce, her bir modelin kökenlerini ve temel odak noktasını anlamak faydalıdır.

Ultralytics YOLO11#

Doğrudan Ultralytics ekosisteminde geliştirilen YOLO11, kesintisiz, uçtan uca bir geliştirme deneyimi sağlamak üzere tasarlanmıştır. Yalnızca ham hızı değil, aynı zamanda çok görevli çok yönlülüğü, kullanım kolaylığını ve modern dağıtım boru hatlarıyla entegrasyonu da vurgular.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Repository
• Belgeler: YOLO11 Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

Meituan YOLOv6-3.0#

YOLOv6-3.0, özel grafik işlem birimlerinin (GPU) bulunduğu endüstriyel uygulamalar için açıkça uyarlanmıştır. Kontrollü ortamlarda veri akışını maksimize etmeye 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 edin

Mimari Farklılıklar#

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

YOLO11, inanılmaz derecede parametre verimli bir mimari sunmak için yıllara dayanan araştırmaların üzerine inşa edilmiştir. Büyük yapısal değişiklikler gerektirmeden örnek bölütleme ve poz tahmini gibi çeşitli bilgisayarlı görü görevlerini yerine getirebilen gelişmiş bir omurgaya ve genelleştirilmiş bir başlığa sahiptir. Dahası YOLO11, RT-DETR gibi daha hantal transformer modelleri'nden ayıran, eğitim sırasında son derece düşük CUDA bellek gereksinimlerine sahiptir.

Buna karşılık YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu mekanizmalar konumlandırma doğruluğunu iyileştirmek için tasarlanmıştır. Mimari öncelikle ayrıştırılmıştır ve INT8 model çıkarımı lehine yoğun bir şekilde nicelleştirilmiştir; bu da onu eski GPU yığınlarını çalıştıran yüksek hızlı üretim hatları için güçlü bir aday haline getirir.

Performans ve Metrikler#

Modelleri değerlendirirken ortalama Duyarlılık (mAP) ve çıkarım hızı çok önemlidir. Aşağıdaki tablo, YOLO11 ile YOLOv6-3.0'ın çeşitli model ölçeklerindeki performansını karşılaştırmaktadır. En iyi performans gösteren metrikler kalın harflerle vurgulanmıştır.

Gösterildiği gibi, YOLO11 eşdeğer kademelerde çok 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 yansır.

Ultralytics Avantajı#

Bir model seçmek yalnızca ham metriklerden ibaret değildir; tüm makine öğrenimi yaşam döngüsüyle ilgilidir. Ultralytics modelleri hem geliştiriciler hem de araştırmacılar için belirgin bir avantaj sağlar.

1. Kullanım Kolaylığı: Ultralytics Python API, sadece birkaç satır kodla modelleri eğitmenize, doğrulamanıza ve dışa aktarmanıza olanak tanır. Karmaşık bağımlılık ağaçlarını manuel olarak yapılandırmanıza gerek yoktur.
2. İyi Bakımı Yapılan Ekosistem: Ultralytics, sık güncellemeler alan birleşik bir ekosistem sunar. Ultralytics Platform kullanarak geliştiriciler; işbirlikçi veri seti etiketleme, bulut eğitimi ve kesintisiz model izleme özelliklerine erişim kazanı.
3. Çok Yönlülük: Birincil olarak bir sınırlayıcı kutu dedektörü olan YOLOv6-3.0'ın aksine YOLO11, görüntü sınıflandırmayı ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekleyerek teknoloji yığınını birleştirmeni sağlar.
4. Eğitim Verimliliği: Modern optimizasyonlardan ve otomatik toplu işlemeden yararlanan YOLO11, tüketici sınıfı donanımlarda verimli bir şekilde eğitilir ve son teknoloji yapay zekaya erişimi demokratikleştirir.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics modelleriyle çalışmak oldukça 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 Senaryoları#

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

YOLOv6-3.0 ne zaman seçilir: Özel TensorRT 7.x/8.x işlem hatları etrafında açıkça oluşturulmuş eski bir endüstriyel sistemi sürdürüyorsan ve donanımın yüksek hızda üretim otomasyonu için tamamen özel NVIDIA T4 veya A100 GPU'lardan oluşuyorsa, YOLOv6 uygun ve yetenekli bir motor olmaya devam eder.

YOLO11 ne zaman seçilir: Neredeyse tüm modern uygulamalar için YOLO11 üstün seçimdir. İster akıllı üretim çözümleri inşa ediyor, ister Raspberry Pi cihazlarında uç yapay zeka dağıtıyor ya da tıbbi görüntüleri tespit edip bölütleme gibi çok görevli operasyonlar gerçekleştiriyor ol, YOLO11 hız, doğruluk ve dağıtım esnekliğinin optimum dengesini sağlar.

Geleceğe Bakış: Son Teknoloji YOLO26#

YOLO11 büyük bir ileri atılımı temsil ederken, Ultralytics bilgisayarla görünün sınırlarını sürekli olarak zorlamaktadır. Ocak 2026'da yayınlanan yeni YOLO26 model serisi mutlak en son teknolojidir ve tüm yeni projeler için önerilen modeldir.

YOLO26, modern dağıtım zorlukları için özel olarak tasarlanmış birkaç çığır açan özellik sunar:

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından öncülük edilen konseptler üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Maksimum Olmayan Bastırma (NMS) son işlem aşamasını tamamen ortadan kaldırarak daha hızlı, çok daha basit dağıtım boru hatları sağlar.
• DFL Kaldırma: Dağılım Odak Kaybı'nı (DFL) kaldıran YOLO26, ağ başlığını basitleştirerek düşük güç tüketen Nesnelerin İnterneti (IoT) ve uç cihazlarla uyumluluğu büyük ölçüde artırır.
• MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim yeniliklerinden (Moonshot AI'nın Kimi K2'si gibi) ilham alan YOLO26, hibrit bir Muon-SGD optimize edici kullanarak benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
• %43'e kadar 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 havadan gözetim için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26, bölümleme için çok ölçekli prototipleme ve poz tahmini için Kalıntı Log-Olabilirlik Tahmini (RLE) gibi tüm görevlerde özelleştirilmiş iyileştirmeler içerir.

Bugün yeni bir bilgisayarla görü girişimine başlıyorsan, bir YOLO26 modelini eğitmek için Ultralytics Platform kullanmak uygulamanın mevcut en verimli, doğru ve geleceğe dönük mimari üzerine kurulmasını sağlayacaktır.

Açık kelime dağarcığı tespiti keşfetmekle ilgilenen geliştiriciler için YOLO-World hakkındaki belgelerimizi de inceleyebilirsin.