YOLOv10 ve YOLOv6-3.0#

Hızla gelişen bilgisayarlı görü alanında; çıkarım hızı, model doğruluğu ve dağıtım fizibilitesi arasında denge kurmak için en uygun nesne algılama mimarisini seçmek kritik önem taşır. Bu kılavuz, iki güçlü model arasında derinlemesine ve teknik bir karşılaştırma sunar: akademik güç merkezi YOLOv10 ve endüstriye odaklanan YOLOv6-3.0. Her ikisi de gerçek zamanlı görü sistemlerinin dağıtımındaki farklı zorlukları çözerek mimariye özgü yenilikler sunar.

YOLOv10'a Genel Bakış: Uçtan Uca Yaklaşımın Öncüsü#

2024'ün ortalarında piyasaya sürülen YOLOv10, işlem sonrası Non-Maximum Suppression (NMS) gereksinimini tamamen ortadan kaldırarak YOLO ailesinde bir paradigma değişikliği başlattı. Bu yerel uçtan uca tasarım, çıkarım gecikmesindeki darboğazları en aza indirerek modeli uç AI ve gömülü dağıtımlar için oldukça cazip bir seçenek haline 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 gerektirmeyen yeteneğini Tutarlı Çiftli Atama stratejisiyle elde eder. Model, eğitim sırasında hem çoktan-bire hem de birden-bire etiket atamalarından yararlanarak denetim sinyallerini zenginleştirir. Çıkarım sırasında ise yalnızca birden-bire başlığına güvenerek geleneksel sınırlayıcı kutu filtrelemeyle ilişkili hesaplama yükünü ortadan kaldırır. Ayrıca YOLOv10, evrişimli sinir ağı katmanları gibi dahili bileşenleri kapsamlı biçimde optimize ederek hesaplama fazlalığını ve toplam parametre sayısını büyük ölçüde azaltan, verimlilik odaklı bütünsel bir tasarım sunar.

YOLOv10 hakkında daha fazla bilgi edin

YOLOv6-3.0'a Genel Bakış: Endüstriyel İş Beygiri#

Özellikle endüstriyel uygulamalar için geliştirilen YOLOv6-3.0, yüksek GPU işlem hacmine öncelik verir. Eski sistemlerin ve özel sunucu sınıfı donanımlarda ağır toplu işlemenin standart olduğu ortamlarda öne çıkar.

• 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'ları gibi donanım hızlandırıcılarında çıkarım hızlarını en üst düzeye çıkarmak üzere yapılandırılmış, yoğun biçimde optimize edilmiş EfficientRep omurgasıyla öne çıkar. 3.0 sürümü, ölçekler arası özellik birleştirmeyi geliştirmek için Çift Yönlü Birleştirme (BiC) modülünü tanıttı. Ayrıca hızlı yakınsamayı çapa tabanlı algılayıcıların genelleme yetenekleriyle birleştiren Çapa Destekli Eğitim (AAT) stratejisini uygular.

YOLOv6 hakkında daha fazla bilgi

Performans ve Metrik Karşılaştırması#

Ham performans analiz edildiğinde, YOLOv10'daki mimari iyileştirme nesilleri belirginleşir. YOLOv10, önemli ölçüde daha az parametre ve FLOPs gerektirirken sürekli olarak daha yüksek Ortalama Kesinlik (mAP) sunar.

YOLOv6-3.0, T4 GPU'larda yalnızca TensorRT kullanılarak gerçekleştirilen çalıştırmalarda Nano ve Medium varyantlarında küçük hız avantajlarını korusa da YOLOv10, daha yüksek doğruluk elde etmek için belleğin neredeyse yarısını kullanır ve performans dengesini modern, uçtan uca mimariler lehine belirgin biçimde değiştirir.

Ultralytics Ekosisteminin Avantajı#

YOLOv10 gibi bir Ultralytics modelini seçmek, ham mimarinin çok ötesine geçer; makine öğrenimi yaşam döngüsünün tamamını basitleştiren, titizlikle sürdürülen bir ekosisteme erişim sağlar. Statik bir araştırma deposunda barındırılan YOLOv6, Ultralytics çerçevesinin kutudan çıktığı haliyle sunduğu güçlü araçlardan ve çok görevli esneklikten yoksundur.

• Kullanım Kolaylığı: Ultralytics Python API'si, geliştiricilerin yalnızca birkaç satır kodla model eğitmesine ve dışa aktarmasına olanak tanıyan kolaylaştırılmış bir kullanıcı deneyimi sunar.
• Çok Yönlülük: Yalnızca algılamaya odaklanan YOLOv6'nın aksine Ultralytics ekosistemi, birleşik bir arayüz kullanarak Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) takibi yapmanı sağlar.
• İyi Sürdürülen Ekosistem: Sık güncellemelerden, güçlü topluluk desteğinden ve OpenVINO ile ONNX gibi endüstri standartlarıyla sorunsuz entegrasyonlardan yararlan.

Kod Örneği: Tutarlı Eğitim İş Akışları#

Ultralytics SDK ile model eğitmek son derece kolaydır. Sistem, karmaşık veri artırma işlemlerini ve cihaz ölçeklendirmesini 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")

Kullanım Alanları ve Öneriler#

YOLOv10 ile YOLOv6 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: 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 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Nihai Öneri: Ultralytics YOLO26#

YOLOv10 devrim niteliğindeki NMS gerektirmeyen yaklaşımı tanıtırken ve YOLOv6-3.0 GPU işlem hacmini optimize ederken, üretim ortamları için gerçek anlamda son teknoloji çözüm Ultralytics YOLO26 modelidir.

Ocak 2026'da piyasaya sürülen YOLO26, kendinden önceki modellerin temel fikirlerini alıp bunları uç öncelikli nihai görü modeline dönüştürür.

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10'un temelleri üzerine inşa edilen YOLO26, işlem sonrasını tamamen ortadan kaldırır, dağıtım işlem hattını standartlaştırır ve çıkarımları son derece öngörülebilir hale getirir.
• DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak mimari dışa aktarma işlemi büyük ölçüde basitleştirilir ve düşük güçlü IoT mimarilerinde uyumluluk ile hız önemli ölçüde iyileştirilir.
• MuSGD Optimizer: Büyük dil modeli yeniliklerinden ilham alan YOLO26, SGD ve Muon'un hibriti olan MuSGD optimizer'ı kullanarak eşi benzeri görülmemiş eğitim kararlılığı ve önemli ölçüde daha hızlı yakınsama oranları elde eder.
• Rakipsiz CPU Hızı: Uç cihazlar için özel olarak uyarlanan optimizasyonlarla YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunarak YOLOv6-3.0'ın GPU merkezli tasarımını geride bırakır.
• ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, küçük nesne algılama konusundaki tarihsel zorlukları çözer ve YOLO26'yı hava görüntüleri ile drone analizleri için vazgeçilmez hale getirir.

Bilgisayarlı görü yığınını yükseltmek isteyen kullanıcılar için geçiş basittir. YOLO11 gibi modeller güçlü kalmaya devam eder, ancak entegre Ultralytics Platformu ile birlikte kullanılan YOLO26, erişilebilir ve yüksek performanslı yapay zekânın kesin geleceğini temsil eder.