Ultralytics YOLO27:
Get Started

YOLOv10 ve YOLOv6-3.0#

Hızla gelişen bilgisayarlı görü alanında çıkarım hızını, model doğruluğunu ve dağıtım uygulanabilirliğini dengelemek için en uygun nesne algılama mimarisini seçmek kritik önem taşır. Bu kılavuz, iki güçlü model arasında derinlemesine ve teknik bir karşılaştırma sunuyor: akademik alandaki güçlü model YOLOv10 ve endüstriye odaklanan YOLOv6-3.0. Her ikisi de gerçek zamanlı görsel sistemlerin dağıtımındaki farklı zorlukları çözen özgün mimari yenilikler sunuyor.

YOLOv10'a Genel Bakış: Uçtan Uca Algılamanın Öncüsü#

2024'ün ortasında yayımlanan YOLOv10, son işleme sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini tamamen ortadan kaldırarak YOLO ailesinde paradigma değişikliği başlattı. Yerel uçtan uca tasarımı, çıkarımdaki gecikme darboğazlarını en aza indirerek uç yapay zekâ ve gömülü sistem dağıtımları için son derece cazip bir seçenek hâline getiriyor.

Mimari Yenilikler#

YOLOv10, Tutarlı Çift Atama stratejisiyle NMS gerektirmeyen özelliğe ulaşır. Eğitim sırasında model, denetim sinyallerini zenginleştirmek için hem bire-çok hem de bire-bir etiket atamalarından yararlanır. Çıkarım sırasında ise yalnızca bire-bir başlığı kullanır ve geleneksel sınırlayıcı kutu filtrelemesinin hesaplama yükünü ortadan kaldırır. Ayrıca YOLOv10, bütüncül ve verimlilik odaklı bir tasarımı benimseyerek hesaplama tekrarını ve toplam parametre sayısını önemli ölçüde azaltmak için evrişimli sinir ağı katmanları gibi dahili bileşenleri kapsamlı biçimde optimize eder.

YOLOv10 hakkında daha fazla bilgi edin

YOLOv6-3.0'a Genel Bakış: Endüstrinin Güçlü İşçisi#

Özellikle endüstriyel uygulamalar için geliştirilen YOLOv6-3.0, yüksek GPU verimini önceliklendirir. Eski sistemlerin ve özel sunucu sınıfı donanımlarda yoğun toplu işlemenin yaygın olduğu ortamlarda öne çıkar.

Mimari Yenilikler#

YOLOv6-3.0, NVIDIA GPU'ları gibi donanım hızlandırıcılarında çıkarım hızını en üst düzeye çıkarmak üzere tasarlanmış, yoğun biçimde optimize edilmiş EfficientRep omurgasıyla öne çıkar. 3.0 sürümünde, farklı ölçeklerdeki özellik birleştirmeyi geliştirmek için Çift Yönlü Birleştirme (BiC) modülü kullanıma sunuldu. Ayrıca çapa tabanlı algılayıcıların hızlı yakınsamasını çapasız yaklaşımların genelleme yetenekleriyle birleştiren Çapa Destekli Eğitim (AAT) stratejisini uygular.

YOLOv6 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Ham performansı incelerken YOLOv10'un mimarisindeki iyileştirme nesilleri belirgin hâle gelir. YOLOv10, önemli ölçüde daha az parametre ve FLOP gerektirirken sürekli olarak daha yüksek ortalama Ortalama Hassasiyet (mAP) sunar.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLOv6-3.0, T4 GPU'larda yalnızca TensorRT kullanılarak çalıştırıldığında Nano sürümünde hız avantajını korusa da YOLOv10, daha yüksek doğruluk elde etmek için neredeyse yarı yarıya daha az bellek kullanır; bu da performans dengesini modern, uçtan uca mimariler lehine önemli ölçüde değiştirir.

Bellek Verimliliği

Ultralytics YOLO modelleri, karmaşık Transformer modellerine kıyasla eğitim ve çıkarım sırasında doğal olarak daha az bellek gerektirir; bu da bu modellerin kaynakları kısıtlı cihazlarda ölçeklendirilmesini ve dağıtımını çok daha kolay hâle getirir.

Ultralytics Ekosisteminin Avantajı#

YOLOv10 gibi bir Ultralytics modeli seçmek, ham mimarinin çok ötesine geçer; tüm makine öğrenimi yaşam döngüsünü kolaylaştıran, titizlikle sürdürülen bir ekosisteme erişim sağlar. Statik bir araştırma deposunda bulunan YOLOv6, Ultralytics çatısının kutudan çıktığı hâliyle sunduğu güçlü araçlardan ve çoklu görev esnekliğinden yoksundur.

  • Kullanım Kolaylığı: Ultralytics Python API'si, geliştiricilerin yalnızca birkaç satır kodla model eğitip dışa aktarmasını sağlayan akıcı bir kullanıcı deneyimi sunar.
  • Çok Yönlülük: Yalnızca algılamaya odaklanan YOLOv6'nın aksine Ultralytics ekosistemi, birleşik bir arayüz kullanarak Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırması ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılaması yapmanı sağlar.
  • İyi Bakılan Ekosistem: OpenVINO ve ONNX gibi endüstri standartlarıyla sorunsuz entegrasyonların yanı sıra sık güncellemelerden ve güçlü topluluk desteğinden 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

# Verimli bir YOLOv10 modeli yükle (nms=False ile NMS gerektirmeyen başlığı seç)
model = YOLO("yolov10n.pt")

# Ultralytics işlem hattını kullanarak modeli kolayca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Güçlü 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

En İyi Öneri: Ultralytics YOLO26#

YOLOv10 çığır açan NMS gerektirmeyen yaklaşımı sunarken YOLOv6-3.0 GPU verimini optimize etti; ancak üretim ortamları için gerçek anlamda son teknoloji çözüm Ultralytics YOLO26 modelidir.

Ocak 2026'da yayımlanan YOLO26, önceki modellerin temel fikirlerini alıp uçta çalışmayı önceleyen en gelişmiş görüntü modeline dönüştürür.

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10'un temelleri üzerine kurulan YOLO26'nın isteğe bağlı, NMS gerektirmeyen başlığı (nms=False), NMS son işlemeyi ortadan kaldırarak dağıtım işlem hattını standartlaştırır ve çıkarım sonuçlarını son derece öngörülebilir hâle getirir.
  • DFL'nin Kaldırılması: Distribution Focal Loss (DFL) kaldırılarak mimari dışa aktarma açısından büyük ölçüde basitleştirilir; düşük güçlü IoT mimarilerinde uyumluluk ve hız önemli ölçüde artırılır.
  • MuSGD Optimizasyonu: Büyük dil modeli yeniliklerinden ilham alan YOLO26, SGD ve Muon'un birleşimi olan MuSGD optimizasyonunu kullanarak benzeri görülmemiş bir eğitim kararlılığı ve çok daha hızlı yakınsama elde eder.
  • Eşsiz CPU Hızı: Uç cihazlara özel optimizasyonlarla YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunarak YOLOv6-3.0'ın GPU odaklı tasarımını geride bırakır.
  • ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, küçük nesne algılamada geçmişte yaşanan zorlukları çözer ve YOLO26'yı hava görüntüleri ile drone analizleri için vazgeçilmez kılar.

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

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger2

Yorumlar