YOLO26 ve YOLOv6-3.0
Dağıtım için doğru mimariyi seçmek, çoğu zaman bir makine öğrenimi projesinin başarısını belirler. Bu teknik karşılaştırma, Ultralytics YOLO26 ile endüstri odaklı YOLOv6-3.0 arasındaki temel farklılıkları ele alarak mimarilerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını değerlendirir.
Modellerin Kökeni ve Ayrıntıları#
Performans ölçütlerini karşılaştırmadan önce, bu iki görüntü modelinin geçmişini ve geliştirilme amaçlarını anlamak yararlı olur.
YOLO26
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: Ultralytics GitHub Deposu
- Belgeler: YOLO26 Resmî Belgeleri
YOLOv6-3.0
- 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: YOLOv6 v3.0 Makalesi
- GitHub: YOLOv6 GitHub Deposu
- Belgeler: YOLOv6 Belgeleri
YOLOv6-3.0 hakkında daha fazla bilgi edin
Mimari Yenilikler ve Farklılıklar#
Her iki model de yüksek hızlı nesne algılama için tasarlanmıştır; ancak performanslarına ulaşmak için farklı yaklaşımlar kullanırlar.
Ultralytics YOLO26: Uç Cihazları Önceliklendiren, Yerel ve Uçtan Uca Model#
Ocak 2026'da yayımlanan YOLO26, model verimliliğine odaklanır. Mimari açıdan en önemli yükseltme, isteğe bağlı Uçtan Uca NMS İçermeyen başlıktır (nms=False). Geleneksel Maksimum Olmayan Bastırma (NMS) son işleme adımını (YOLO modellerine YOLOv10 tarafından kazandırılan bir yaklaşım) ortadan kaldıran YOLO26, gecikme değişkenliğini azaltarak gerçek zamanlı uç dağıtımlarında daha öngörülebilir sonuçlar sunar.
Ayrıca YOLO26, DFL'nin Kaldırılması özelliğine sahiptir. Dağılım Odaklı Kayıp'ın kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç bilişim cihazlarıyla uyumluluğu artırır. Diğer optimizasyonlarla birlikte bu özellik, YOLO26n'yi özel grafik işlem birimleri (GPUs) bulunmayan Raspberry Pi veya mobil cihazlar gibi ortamlar için uygun hâle getirerek CPU'da YOLO11n'den %43'e kadar daha hızlı çalışmasını sağlar.
YOLOv6-3.0: Endüstriyel Uzman#
Meituan'ın görüntü ekibi tarafından geliştirilen YOLOv6-3.0, NVIDIA donanımlarında TensorRT dağıtımı için optimize edilmiş, endüstriyel sınıf bir CNN'dir. Öz damıtma tekniklerinden ve donanım farkındalıklı sinir ağı mimarisi tasarımından yararlanır. T4 veya A100 GPU'larda çok hızlı olsa da geleneksel NMS işlem sonrası adımına dayanır; bu da kısıtlı donanım ortamlarında darboğazlara yol açabilir.
Performans Dengesi ve Kıyaslamalar#
Her modelin gerçek sınaması, ortalama kesinlik (mAP) değerini çıkarım hızı ve parametre sayısıyla nasıl dengelediğidir. Ultralytics modelleri düşük bellek gereksinimleri ve güçlü performans dengeleriyle bilinir; ayrıca Transformer tabanlı modellere kıyasla çoğu zaman çok daha az CUDA belleğine ihtiyaç duyar.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
YOLO26, her boyutta YOLOv6-3.0'dan daha yüksek mAP değerine ulaşır ve yaklaşık yarısı kadar veya daha az parametre kullanır. Örneğin YOLO26s, neredeyse yarı sayıda parametreyle (9,5M'ye karşı 18,5M) YOLOv6-3.0s modelini 3,6 mAP puanıyla geride bırakır. YOLOv6-3.0n, T4 GPU'da daha hızlıdır (1,17 ms'ye karşı 1,7 ms); s ölçeğinden itibaren ise YOLO26 daha hızlıdır.
YOLO26'nın daha az parametre ve FLOP kullanması, YOLOv6'ya kıyasla eğitim ve çıkarım sırasında daha az bellek tüketmesi anlamına gelir; bu da standart tüketici donanımında daha büyük batch boyutlarına olanak tanır.
Eğitim Verimliliği ve Yöntemleri#
İki çerçevenin eğitim yöntemleri farklıdır. YOLO26, SGD ile Muon'un birleşimi olan ve Moonshot AI'ın Kimi K2'sinden ilham alan MuSGD Optimizer'ı sunar. Bu, büyük dil modeli eğitimi yeniliklerini doğrudan bilgisayarlı görüye taşıyarak daha kararlı eğitim ve daha hızlı yakınsama sağlar.
YOLO26 ayrıca aşamalı kayıp dengeleme şeması ve küçük hedef farkındalıklı etiket atama stratejisi olan ProgLoss + STAL'ı kullanır. Bu ikisi, tarımda yapay zekâ ve yüksek irtifa drone görüntüleri için önem taşıyan küçük nesnelerin tanınmasını iyileştirir.
YOLOv6-3.0 ise öz damıtma stratejisi kullanır. Etkili olsa da en iyi doğruluğa ulaşmak için genellikle daha uzun eğitim programları ve daha fazla hesaplama yükü gerektirir.
Ekosistem ve Kullanım Kolaylığı#
YOLO26'yı seçmenin en büyük avantajlarından biri Ultralytics Platform ekosisteminin bakımının iyi yapılmasıdır. Geliştiriciler Python paketini yükleyip birkaç dakika içinde eğitime başlayabilir.
Buna karşılık YOLOv6, araştırma deposunu klonlamayı, bağımlılıkları elle yönetmeyi ve karmaşık başlatma betiklerini kullanmayı gerektirir; bu da mühendislik ekiplerinin dağıtımını yavaşlatabilir.
Kod Örneği: YOLO26 ile Başlangıç#
Ultralytics modelleriyle eğitim ve çıkarım çalıştırmak, Python API'si kullanılarak birkaç satırda yapılabilir:
from ultralytics import YOLO
# Yüksek verimli YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde 100 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir görüntü üzerinde uçtan uca, NMS gerektirmeyen çıkarımı çalıştır
results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# CPU dağıtımı için ONNX'e dışa aktar
model.export(format="onnx")Görü Görevlerinde Çok Yönlülük#
YOLOv6-3.0 yalnızca sınırlayıcı kutu nesne algılamaya odaklanırken YOLO26 çok daha fazla görevi destekler. Geliştiriciler aynı API ile örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama gerçekleştirebilir.
YOLO26, daha iyi maskeler için anlamsal segmentasyon kaybı, daha doğru anahtar noktalar için Artık Log-Olasılık Tahmini (RLE) ve OBB sınır sorunlarını çözmek için özel açı kaybı gibi göreve özel iyileştirmeleri kapsamlı biçimde sunar.
İdeal Kullanım Alanları#
YOLO26 Ne Zaman Kullanılmalı?#
YOLO26; uç cihazlar, Nesnelerin İnterneti (IoT) ve robotik için daha iyi bir seçenektir. Daha hızlı CPU çıkarımı ve isteğe bağlı NMS'siz başlığı, standart CPU'larda veya düşük güçlü ARM yongalarında çalışan gerçek zamanlı güvenlik alarm sistemleri için uygundur. ProgLoss + STAL sayesinde iyileşen küçük nesne algılama özelliği, havadan yaban hayatı algılama ve uydu görüntüsü analizine uygundur.
YOLOv6-3.0 Ne Zaman Kullanılmalı?#
YOLOv6-3.0, sunucuların optimize edilmiş TensorRT işlem hatları çalıştıran üst düzey NVIDIA GPU'larla (T4 veya A100 gibi) donatıldığı, sıkı biçimde denetlenen endüstriyel ortamlarda öne çıkar. Donanım ortamının sabit olduğu ve NMS gecikme değişimlerinin kabul edilebildiği yüksek hızlı üretim hattı kusur tespiti için son derece uygundur.
Diğer Modelleri Keşfet#
Ultralytics ekosisteminin desteklediği diğer modeller de ilgini çekebilir. Örneğin YOLO11, geniş topluluk benimsenmesiyle güçlü bir genel amaçlı model olmayı sürdürüyor. Transformer mimarilerine ilgi duyuyorsan RT-DETR, dikkat tabanlı algılama sunar; ancak eğitim için YOLO26'dan daha fazla bellek gerektirir. Eğitim yapmadan sıfır atış yetenekleri için YOLO-World, komutla yönlendirilebilen açık söz varlıklı algılamayı kullanıma hazır olarak sunar.
Özet#
YOLOv6-3.0 ve YOLO26, mühendislik açısından kayda değer başarılardır. Hızlı geliştirme, düşük bellek yükü ve farklı uç cihazlara dağıtım gerektiren uygulamalar için Ultralytics YOLO26 daha iyi bir seçenektir. İsteğe bağlı uçtan uca NMS'siz başlığı, MuSGD optimizer'ı ve Ultralytics ekosistemi ile entegrasyonu, ekiplerin görüntü yapay zekâsını hızla üretime taşımasına yardımcı olur.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.