YOLOv10 YOLOv6.0: Yeni Nesil Gerçek Zamanlı Nesne Algılama Karşılaştırması
Hızla gelişen bilgisayar görme alanında, doğru nesne algılama modelini seçmek başarı için çok önemlidir. İki öne çıkan mimari, YOLOv10 ve YOLOv6.YOLOv6, hız ve doğruluk arasında denge kurma konusunda önemli adımlar atmıştır. Bu ayrıntılı karşılaştırma, mimari yeniliklerini, performans ölçütlerini ve ideal kullanım örneklerini inceleyerek, dağıtım ihtiyaçlarınıza en uygun modeli seçmenize yardımcı olur.
Her iki model de endüstriyel ve araştırma uygulamaları için sağlam çözümler sunarken, Ultralytics bu mimarileri kolaylıkla eğitmek, doğrulamak ve uygulamak için birleşik bir platform sağlar. Akıllı şehir altyapısı kuruyor veya üretim hatlarını optimize ediyor olun, bu modellerin nüanslarını anlamak çok önemlidir.
Performans Metrikleri Karşılaştırması
Aşağıdaki tablo, çeşitli model ölçeklerinde YOLOv10 YOLOv6. YOLOv6'ın performansını göstermektedir. Her iki model de COCO üzerinde değerlendirilmiş olup, standart donanım üzerinde ortalama hassasiyet (mAP) ve çıkarım gecikmesi odak noktası alınmıştır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (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 |
YOLOv10: Uçtan Uca Yenilikçi
YOLOv10, Tsinghua Üniversitesi araştırmacıları tarafından tanıtılan, YOLO bir paradigma değişikliğini temsil ediyor. En belirgin özelliği, tutarlı bir ikili atama stratejisiyle elde edilen, son işlem sırasında Non-Maximum Suppression (NMS) uygulamasının ortadan kaldırılmasıdır. Bu tasarım, gerçek uçtan uca eğitim ve dağıtım imkanı sunarak, gerçek dünya uygulamalarında gecikme değişkenliğini önemli ölçüde azaltır.
Temel Mimari Özellikler
- NMS Eğitim: Zengin denetim için bir-çok ve verimli çıkarım için bir-bir olmak üzere çift etiket atamalarını kullanarakYOLOv10 , NMS hesaplama darboğazınıYOLOv10 .
- Bütünsel Verimlilik Tasarımı: Mimari, hafif bir sınıflandırma başlığı ve uzamsal kanal ayrıştırılmış aşağı örnekleme özelliğine sahiptir, hem parametre sayısını hem de FLOP'ları optimize eder.
- Sıra Kılavuzlu Blok Tasarımı: YOLOv10 , gereksizliği azaltmak için ağın aşamasına göre karmaşıklığı uyarlayan sıra kılavuzlu blok tasarımı YOLOv10 .
Yazar: Ao Wang, Hui Chen, Lihao Liu, et al.
Kuruluş:Tsinghua Üniversitesi
Tarih: 23 Mayıs 2024
Bağlantılar:arXiv | GitHub | Dokümanlar
YOLOv10 hakkında daha fazla bilgi edinin.
YOLOv6.0: Endüstriyel Ağır Sıklet
Meituan tarafından geliştirilen YOLOv6.YOLOv6, özel donanımlarda (GPU gibi) verimliliğin çok önemli olduğu endüstriyel uygulama senaryolarına odaklanmaktadır. Daha iyi doğruluk ve niceleme performansı için ağı iyileştiren "Yeniden Yükleme" güncellemesini sunmaktadır.
Temel Mimari Özellikler
- Çift Yönlü Birleştirme (BiC): Farklı ölçeklerden gelen özellikleri daha iyi birleştirerek yerelleştirme doğruluğunu artıran, boyunda bulunan yeni bir modül.
- Anchor-Aided Training (AAT): Bu strateji, modelin çıkarım için çapa içermeyen bir mimariyi korurken çapa tabanlı optimizasyon kararlılığından yararlanmasını sağlar.
- Kuantizasyona Uygun: Mimari, INT8'e kuantize edildiğinde doğruluk kaybını en aza indirecek şekilde özel olarak tasarlanmıştır, bu da onu TensorRT kullanan uç cihazlar için ideal hale getirir.
Yazar: Chuyi Li, Lulu Li, Yifei Geng, et al.
Kuruluş:Meituan
Tarih: 13 Ocak 2023
Bağlantılar:arXiv | GitHub | Dokümanlar
YOLOv6 hakkında daha fazla bilgi edinin.
Karşılaştırma Analizi
1. Gecikme ve Verimlilik
YOLOv10 , parametre verimliliği ve FLOP açısından YOLOv10 YOLOv6. YOLOv6 daha iyi performans gösterir. Örneğin, YOLOv10s modeli, YOLOv6.YOLOv6'ye kıyasla önemli ölçüde daha az parametre (7,2 milyon karşı 18,5 milyon) ile daha yüksek mAP 46,3% karşı 45,0%) elde eder. YOLOv10 NMS kaldırılması, özellikle post-processing yükünün önemli olduğu CPU'larda daha düşük ve daha öngörülebilir gecikme süresine YOLOv10 . Tersine, YOLOv6. YOLOv6 GPU için yüksek düzeyde optimize edilmiştir ve genellikle T4 GPU'larda yüksek parti senaryolarında ham hız avantajları gösterir.
2. Dağıtım ve Kullanım Kolaylığı
Her iki model de Ultralytics tarafından desteklenir ve geliştiricilerin tek bir API üzerinden bu modellere erişebilmesini sağlar. Ancak, YOLOv10 yerel uçtan uca yapısı, dışa aktarım sürecini ONNX ve CoreML gibi formatlara aktarım sürecini basitleştirir, çünkü model grafiğine karmaşık NMS eklemeye gerek kalmaz.
Dağıtım İpucu
Raspberry Pi veya NVIDIA gibi uç cihazlara dağıtım yaparken, YOLOv10 daha düşük parametre sayısı ve NMS tasarımı, eski mimarilere kıyasla genellikle daha düşük bellek tüketimi ve daha hızlı başlatma süreleri sağlar.
3. Eğitim Metodolojisi
YOLOv6.YOLOv6, performansı artırmak için kendi kendine damıtma ve çapa destekli eğitim gibi tekniklere dayanır, bu da eğitim süresini ve bellek kullanımını artırabilir. YOLOv10 , kayıp hesaplamasını kolaylaştıran ve verimli bir şekilde yakınsayan tutarlı çift atamalar YOLOv10 . Bu özelliği kullanan kullanıcılar Ultralytics Platform soyutlanmış model.train() arayüzü.
Ultralytics'in Avantajı
Ultralytics bir model seçmek, "sıfırdan kahramana" bir deneyim garanti eder. Belgeleme veya bakımdan yoksun olabilen bağımsız depoların aksine, Ultralytics şu avantajlara sahiptir:
- Birleştirilmiş API: Kodunuzdaki tek bir dizeyi değiştirerek YOLOv10, YOLOv6 ve diğerleri arasında geçiş yapın.
- Görev Çok Yönlülüğü: YOLOv10 YOLOv6 öncelikle algılayıcılar YOLOv6 da, Ultralytics temel modellerinde poz tahmini, örnek segmentasyonu ve sınıflandırmayı Ultralytics .
- Güçlü Dışa Aktarım: Üretim dağıtımı TFLite modelleri TensorRT, OpenVINO ve TFLite sorunsuz bir şekilde dışa aktarın.
from ultralytics import YOLO
# Load a pre-trained YOLOv10 model
model = YOLO("yolov10n.pt")
# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate performance
metrics = model.val()
YOLO26 ile Geleceğe Hazırlık
YOLOv10 YOLOv6.0 mükemmel seçenekler olsa da, bu alanda gelişmeler devam etmektedir. En son teknolojiyi arayan geliştiriciler için YOLO26 , YOLOv10 NMS çığır açan özelliğini temel alır, YOLOv10 2026 donanımı için önemli iyileştirmeler sunar.
Neden YOLO26'ya yükseltmelisiniz?
- Uçtan Uca Yerel: YOLOv10 gibi, YOLO26 da NMS ve en basit dağıtım sürecini garanti eder.
- MuSGD Optimizer: LLM eğitiminden esinlenen bu hibrit optimizer, istikrarlı bir yakınsama sağlar ve kapsamlı hiperparametre ayarlaması ihtiyacını azaltır.
- Edge-First Tasarım: Dağıtım Odak Kaybı (DFL) ve optimize edilmiş blokların kaldırılmasıyla YOLO26, %43'e kadar daha hızlı CPU sunarak mobil ve IoT uygulamaları için üstün bir seçim haline geliyor.
- Görev Özgüllüğü: Önceki sürümlerinden farklı olarak, YOLO26, ProgLoss ve STAL gibi özel kayıp fonksiyonları içerir, küçük nesne algılamayı geliştirir ve OBB ve Pose görevleri için yerel destek sağlar.
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
YOLOv10 , parametre verimliliğini ve basit, uçtan uca dağıtım süreçlerini önceliklendiren kullanıcılar için önerilen seçimdir. Daha az FLOP ile yüksek doğruluk sunma özelliği, onu çeşitli donanımlarda gerçek zamanlı uygulamalar için ideal hale getirir.
YOLOv6.0, TensorRT için özel optimizasyonlarının tam olarak yararlanılabileceği, özel GPU sahip endüstriyel ortamlar için güçlü bir rakip olmaya devam ediyor.
En üst düzey performans, görevler arasında çok yönlülük (Segmentasyon, Poz, OBB) ve geleceğe dönük destek isteyenler için YOLO26, Ultralyticsin kesin tavsiyesidir.
Daha Fazla Okuma
- YOLO11'in yeteneklerini keşfedin YOLO11'nin yeteneklerini keşfedin.
- Gerçek Zamanlı Nesne Algılama temelleri hakkında bilgi edinin.
- mAP IoU gibi YOLO Metriklerini anlayın.
- En iyi uygulamalar için Model Eğitimi Kılavuzuna göz atın.