YOLOv10 ve YOLOv6-3.0
Bilgisayarlı görüde doğru nesne algılama mimarisini seçmek, çıkarım hızı, model doğruluğu ve dağıtım uygulanabilirliği arasında denge kurmak için kritik önem taşır. Bu kılavuz, akademik YOLOv10 ile endüstriye odaklanan YOLOv6-3.0 olmak üzere iki model arasında ayrıntılı bir teknik karşılaştırma sunar. Her ikisi de gerçek zamanlı görü sistemlerinin dağıtımındaki farklı zorlukları çözmek için kendine özgü mimari yenilikler getirir.
YOLOv10'a Genel Bakış: NMS İçermeyen Gerçek Zamanlı Tespit#
Mayıs 2024'te yayımlanan YOLOv10, son işleme sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini ortadan kaldırarak YOLO ailesine NMS'siz eğitimi getirdi. Uçtan uca tasarım, çıkarım gecikmesi darboğazlarını en aza indirerek modeli uç yapay zekâ ve gömülü sistem dağıtımları için cazip bir seçenek hâline getirir.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Tarih: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- Belgeler: Ultralytics YOLOv10 Belgeleri
Mimari Yenilikler#
YOLOv10, NMS'siz yeteneğini Tutarlı Çift Atama stratejisiyle elde eder. Model, eğitim sırasında hem bire çok hem de bire bir etiket atamalarından yararlanarak gözetim sinyallerini zenginleştirir. Çıkarım için geleneksel sınırlayıcı kutu filtrelemesiyle ilişkili hesaplama yükünü ortadan kaldıran teke tek başlığı kullanır (Ultralytics paketinde nms=False ile seçilir). Ayrıca YOLOv10, hesaplama tekrarlarını ve toplam parametre sayısını azaltmak için evrişimli sinir ağı katmanları gibi dahili bileşenleri optimize eden, bütünsel ve verimlilik odaklı bir tasarım izler.
YOLOv10 hakkında daha fazla bilgi edin
YOLOv6-3.0'a Genel Bakış: Endüstrinin Güçlü İşçisi#
Endüstriyel uygulamalar için özel olarak geliştirilen YOLOv6-3.0, yüksek GPU verimliliğine öncelik verir. Özel sunucu sınıfı GPU'larda yoğun toplu işlemenin standart olduğu ortamlarda en iyi performansı gösterir.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Kuruluş: Meituan
- Tarih: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Belgeler: Ultralytics YOLOv6 Belgeleri
Mimari Yenilikler#
YOLOv6-3.0, NVIDIA GPU'lar gibi donanım hızlandırıcılarında çıkarım hızını en üst düzeye çıkarmak üzere tasarlanmış, yoğun biçimde optimize edilmiş EfficientRep omurgasıyla öne çıkar. 3.0 sürümü, ölçekler arası özellik birleştirmeyi iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü tanıttı. Ayrıca, çapa tabanlı dedektörlerin hızlı yakınsamasını çapasız yaklaşımların genelleme yetenekleriyle birleştiren Çapa Destekli Eğitim (AAT) stratejisini uygular.
YOLOv6 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Ham performans incelendiğinde YOLOv10'un mimari iyileştirmeleri belirginleşir. YOLOv10, önemli ölçüde daha az parametre ve FLOPs gerektirirken daha yüksek ortalama Hassasiyet (mAP) sunar.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| 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 |
YOLOv6-3.0, T4 GPU'larda yalnızca TensorRT kullanıldığında Nano sürümünde hız avantajını korusa da YOLOv10, her boyutta parametre sayısını yaklaşık yarıya veya daha aza indirirken daha yüksek doğruluk sağlar; bu da genel performans dengesini kendi lehine değiştirir.
Ultralytics YOLO modelleri, eğitim ve çıkarım sırasında genellikle karmaşık transformer modellerine göre daha az bellek gerektirir; bu da modellerin ölçeklendirilmesini ve kaynakları kısıtlı cihazlarda dağıtılmasını kolaylaştırır.
Ultralytics Ekosisteminin Avantajı#
YOLOv10'u Ultralytics paketiyle kullanmak, ham mimarinin ötesine geçer: tüm makine öğrenimi yaşam döngüsünü basitleştiren, etkin biçimde bakımı yapılan bir ekosistem sunar. Orijinal YOLOv6 deposu araştırma odaklıdır ve Ultralytics, YOLOv6'yı yalnızca YAML ile tanımlanan algılama modelleri olarak, önceden eğitilmiş ağırlıklar olmadan destekler.
- Kullanım Kolaylığı: Ultralytics Python API'si, geliştiricilerin yalnızca birkaç satır kodla model eğitip dışa aktarmasını sağlayan akıcı bir kullanıcı deneyimi sunar.
- Çok Yönlülük: Algılamaya odaklanan YOLOv6'nın aksine Ultralytics ekosistemi, birleşik bir arayüz üzerinden Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılaması yapmanı sağlar.
- Bakımı İyi Yapılan Ekosistem: Sık güncellemeler, güçlü topluluk desteği ve OpenVINO ile ONNX gibi sektör standartlarıyla entegrasyonlar.
Kod Örneği: Tutarlı Eğitim İş Akışları#
Ultralytics Python paketiyle model eğitmek kolaydır. Sistem, karmaşık veri artırma işlemlerini ve cihaz ölçeklendirmesini otomatik olarak yönetir.
from ultralytics import YOLO
# Verimli bir YOLOv10 modeli yükle (nms=False ile NMS gerektirmeyen başlığı seç)
model = YOLO("yolov10n.pt")
# Ultralytics işlem hattını kullanarak modeli eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Nesne algılama çıkarımını çalıştır
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Uç dağıtımını kolaylaştırmak için ONNX biçimine aktar
model.export(format="onnx")Kullanım Alanları ve Öneriler#
YOLOv10 ve YOLOv6 arasında seçim yapmak, projene özel gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv10'u Ne Zaman Seçmeli?#
YOLOv10 şu durumlar için güçlü bir seçenektir:
- NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
YOLOv6'yı Ne Zaman Seçmeli?#
YOLOv6 şu durumlarda önerilir:
- Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
- Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
- Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Önerilen Model: Ultralytics YOLO26#
YOLOv10, YOLO modellerine NMS içermeyen eğitimi kazandırırken YOLOv6-3.0 GPU verimini optimize etti; ancak üretim ortamları için önerilen seçenek Ultralytics YOLO26'dır.
Ocak 2026'da yayımlanan YOLO26, önceki modellerinin temel fikirlerini alıp bunları uçtan başlayan bir görme modeli ailesi hâline getirerek geliştirir.
- Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10'un temellerini geliştiren YOLO26'nın isteğe bağlı NMS içermeyen başlığı (
nms=False), NMS son işlemeyi atlayarak dağıtım işlem hattını basitleştirir ve gecikmeyi daha öngörülebilir kılar. - DFL'nin Kaldırılması: Dağılımsal Odak Kaybı'nın (DFL) kaldırılması dışa aktarmayı basitleştirir, düşük güçlü IoT donanımlarındaki uyumluluğu ve hızı artırır.
- MuSGD Optimizatörü: Büyük dil modeli yeniliklerinden esinlenen YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için MuSGD optimizatörünü (SGD ve Muon'un hibriti) kullanır.
- Daha Hızlı CPU Çıkarımı: Uç cihazlara göre uyarlanan optimizasyonlarla YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı gerçekleştirirken YOLOv6-3.0 öncelikle GPU verimliliği için tasarlanmıştır.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, küçük nesne algılamayı iyileştirerek YOLO26'yı hava görüntüleri ve drone analitiği için çok uygun hâle getirir.
Bilgisayarlı görü sistemlerini yükseltmek isteyen kullanıcılar için geçiş basittir. YOLO11 gibi modeller tam olarak desteklenmeye devam eder; ancak yeni projeler için Ultralytics Platform ile birlikte YOLO26 önerilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.