Link to this sectionYOLOv10 ile YOLOv6-3.0 karşılaştırması#
Hızla gelişen bilgisayarlı görü dünyasında, çıkarım hızı, model doğruluğu ve dağıtım yapılabilirliğini dengelemek için en uygun nesne algılama mimarisini seçmek çok kritiktir. Bu kılavuz, iki güçlü model arasında derinlemesine ve teknik bir karşılaştırma sunar: akademik bir güç merkezi olan YOLOv10 ve endüstri odaklı YOLOv6-3.0. Her ikisi de gerçek zamanlı görü sistemlerinin dağıtımındaki farklı zorlukları çözen benzersiz mimari yenilikler sunar.
Link to this sectionYOLOv10'a Genel Bakış: Uçtan Uca Öncü#
2024 ortalarında piyasaya sürülen YOLOv10, işlem sonrası (post-processing) aşamasında Non-Maximum Suppression (NMS) ihtiyacını tamamen ortadan kaldırarak YOLO ailesinde bir paradigma değişimi başlattı. Bu doğal uçtan uca tasarım, çıkarım gecikmesi darboğazlarını en aza indirerek uç yapay zeka ve gömülü dağıtımlar için oldukça çekici bir seçenek haline getirir.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Organizasyon: Tsinghua Üniversitesi
- Tarih: 2024-05-23
- ArXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- Dokümanlar: Ultralytics YOLOv10 Dokümantasyonu
Link to this sectionMimari Yenilikler#
YOLOv10, NMS'siz yeteneğine Tutarlı İkili Atama (Consistent Dual Assignment) stratejisi ile ulaşır. Eğitim sırasında model, hem bire-çok hem de bire-bir etiket atamalarından yararlanarak denetim sinyallerini zenginleştirir. Çıkarım içinse doğrudan bire-bir başlığa (head) güvenir ve geleneksel sınırlayıcı kutu filtreleme ile ilişkili hesaplama yükünü ortadan kaldırır. Ayrıca YOLOv10, evrişimli sinir ağı katmanları gibi dahili bileşenleri iyice optimize ederek hesaplama fazlalığını ve toplam parametre sayısını önemli ölçüde azaltan, verimlilik odaklı bütünsel bir tasarım içerir.
YOLOv10 hakkında daha fazla bilgi edin
Link to this sectionYOLOv6-3.0'a Genel Bakış: Endüstriyel İş Atı#
Özellikle endüstriyel uygulamalar için geliştirilen YOLOv6-3.0, yüksek GPU verimliliğini ön planda tutar. Eski sistemlerin ve özel sunucu sınıfı donanımlarda ağır toplu işlemlerin standart olduğu ortamlarda öne çıkar.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Organizasyon: Meituan
- Tarih: 2023-01-13
- ArXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Dokümantasyon: Ultralytics YOLOv6 Dokümantasyonu
Link to this sectionMimari Yenilikler#
YOLOv6-3.0, NVIDIA GPU'lar gibi donanım hızlandırıcılarında çıkarım hızlarını en üst düzeye çıkarmak için yapılandırılmış, yoğun bir şekilde optimize edilmiş EfficientRep omurgası ile kendini ayırır. Sürüm 3.0, ölçekler arası özellik birleştirmeyi geliştirmek için bir Çift Yönlü Birleştirme (BiC) modülü getirdi. Ayrıca, çapa tabanlı dedektörlerin hızlı yakınsamasını, çapasız paradigmaların genelleme yetenekleri ile birleştiren bir Çapa Destekli Eğitim (AAT) stratejisi uygular.
YOLOv6 hakkında daha fazla bilgi edin
Link to this sectionPerformans ve Metrik Karşılaştırması#
When analyzing raw performance, the generations of architectural refinement in YOLOv10 become apparent. YOLOv10 consistently delivers higher mean Average Precision (mAP) while requiring significantly fewer parameters and FLOPs.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 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 saf TensorRT çalıştırılmasında Nano ve Medium varyantlarında hafif hız avantajları sağlasa da, YOLOv10 üstün doğruluk elde etmek için neredeyse yarı yarıya daha az bellek tüketir ve performans dengesini modern, uçtan uca mimarilerin lehine çevirir.
Ultralytics YOLO modelleri, karmaşık transformer modellerine kıyasla eğitim ve çıkarım sırasında doğal olarak daha düşük bellek gereksinimlerine sahiptir, bu da onları kaynak kısıtlı cihazlarda ölçeklendirmeyi ve dağıtmayı çok daha kolay hale getirir.
Link to this sectionUltralytics Ekosistemi Avantajı#
YOLOv10 gibi bir Ultralytics modelini seçmek, ham mimarinin çok ötesine geçer; tüm makine öğrenimi yaşam döngüsünü basitleştiren ve titizlikle sürdürülen bir ekosisteme erişim sağlar. Statik bir araştırma deposunda barındırılan YOLOv6, Ultralytics çerçevesinin kutudan çıkar çıkmaz sunduğu güçlü araç setlerinden ve çoklu görev çok yönlülüğünden yoksundur.
- Kullanım Kolaylığı: Ultralytics Python API'si, geliştiricilerin sadece birkaç satır kodla modelleri eğitmesine ve dışa aktarmasına olanak tanıyan akıcı bir kullanıcı deneyimi sağlar.
- Çok Yönlülük: Sadece algılama konusunda uzmanlaşan YOLOv6'nın aksine, Ultralytics ekosistemi, birleşik bir arayüz kullanarak Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) takibi yapmanı sağlar.
- İyi Korunan Ekosistem: Sık güncellemelerin, güçlü topluluk desteğinin ve OpenVINO ile ONNX gibi endüstri standartlarıyla sorunsuz entegrasyonların keyfini çıkar.
Link to this sectionKod Örneği: Tutarlı Eğitim İş Akışları#
Ultralytics SDK ile model eğitimi son derece basittir. Sistem, karmaşık veri artırmalarını ve cihaz ölçeklendirmeyi otomatik olarak yönetir.
from ultralytics import YOLO
# Load an efficient, NMS-free YOLOv10 model
model = YOLO("yolov10n.pt")
# Train the model effortlessly using the Ultralytics pipeline
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Run robust object detection inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for simplified edge deployment
model.export(format="onnx")Link to this sectionKullanım Durumları ve Öneriler#
YOLOv10 ile YOLOv6 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionNe Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için güçlü bir seçimdir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Link to this sectionNe Zaman YOLOv6 Seçilmeli#
YOLOv6 şunlar için önerilir:
- Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
- Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
- Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.
Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionNihai Öneri: Ultralytics YOLO26#
YOLOv10 devrim niteliğindeki NMS'siz kavramını tanıtmış ve YOLOv6-3.0 GPU verimliliğini optimize etmiş olsa da, üretim ortamları için gerçek en gelişmiş çözüm Ultralytics YOLO26'dır.
Ocak 2026'da piyasaya sürülen YOLO26, seleflerinin temel fikirlerini alır ve onları nihai uç öncelikli görü modeli haline getirmek için geliştirir.
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un temelleri üzerine inşa edilen YOLO26, işlem sonrasını tamamen ortadan kaldırır, dağıtım hattını standartlaştırır ve çıkarımları oldukça tahmin edilebilir hale getirir.
- DFL Kaldırma: Dağıtım Odaklı Kaybı (DFL) ortadan kaldırarak mimari, dışa aktarmayı büyük ölçüde basitleştirir, düşük güçlü IoT mimarilerinde uyumluluğu ve hızı ciddi oranda artırır.
- MuSGD Optimize Edici: Büyük dil modeli yeniliklerinden esinlenen YOLO26, benzeri görülmemiş eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları elde etmek için (SGD ve Muon'un bir hibriti olan) MuSGD optimize edicisini kullanır.
- Rakipsiz CPU Hızı: Uç cihazlar için özel olarak tasarlanmış optimizasyonlarla YOLOv26, önceki nesillere göre %43'e kadar daha hızlı CPU çıkarımı hızlarına ulaşarak YOLOv6-3.0'ın GPU merkezli tasarımını geride bırakır.
- ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, küçük nesne algılama ile ilgili tarihi zorlukları çözerek, YOLO26'yı hava görüntüleri ve drone analizleri için vazgeçilmez kılar.
YOLO26 hakkında daha fazla bilgi edin
Bilgisayarlı görü yığınını yükseltmek isteyen kullanıcılar için geçiş basittir. YOLO11 gibi modeller sağlam kalmaya devam eder, ancak entegre Ultralytics Platform ile eşleştirilmiş YOLO26, erişilebilir ve yüksek performanslı yapay zekanın kesin geleceğini temsil eder.