Ultralytics YOLO27:

YOLOv6-3.0 ve PP-YOLOE+#

Gerçek zamanlı nesne algılama için bir çerçeve seçerken makine öğrenimi mühendisleri genellikle çeşitli yüksek performanslı mimarileri değerlendirir. Endüstriyel uygulamalar alanındaki iki dikkate değer model YOLOv6-3.0 ve PP-YOLOE+'dır. Her iki model de doğruluk ve hız sınırlarını ileriye taşımıştır; ancak biraz farklı ekosistemler ve dağıtım donanımları için tasarlanmışlardır.

Bu teknik karşılaştırma, mimarilerine, performans ölçütlerine ve eğitim metodolojilerine derinlemesine bakarken, üstün çok yönlülük ve kullanım kolaylığı sunan Ultralytics YOLO26 gibi modern alternatifleri de tanıtır.

YOLOv6-3.0: Yüksek İşlem Hızlı Endüstriyel Motor#

Meituan'daki Vision AI Department tarafından geliştirilen YOLOv6-3.0, özellikle güçlü sunucu sınıfı GPU'lardan yararlanan endüstriyel ortamlar için büyük ölçüde optimize edilmiştir.

  • Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
  • Kuruluş: Meituan
  • Tarih: 2023-01-13
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

Mimari Yenilikler#

YOLOv6-3.0, NVIDIA GPU'lar gibi donanım hızlandırıcıların kullanımını en üst düzeye çıkarmak üzere özel olarak tasarlanmış bir EfficientRep omurgası kullanır. Mimari, çok ölçekli özelliklerin birleştirilmesini önemli ölçüde iyileştiren bir Bi-directional Concatenation (BiC) modülünü boyun bölümüne dahil eder. Ayrıca bir Anchor-Aided Training (AAT) stratejisi içerir. Bu hibrit yaklaşım, eğitim aşamasında çapa tabanlı ağların güçlü yakınsama özelliklerinden yararlanırken çıkarım sırasında çapaları kaldırarak çapasız paradigmalara özgü yüksek hızı korur.

YOLOv6 hakkında daha fazla bilgi edin

PP-YOLOE+: PaddlePaddle'ın Algılama Şampiyonu#

PP-YOLOE+, Baidu araştırmacıları tarafından tamamen PaddlePaddle çerçevesi içinde geliştirilen PP-YOLO serisinin bir evrimidir. Paddle ekosisteminin hâlihazırda kurulu olduğu ortamlarda üstün performans gösterir.

Mimari Yenilikler#

PP-YOLOE+, TAL (Görev Uyum Öğrenimi) olarak bilinen dinamik bir etiket atama stratejisi kullanan çapasız bir algılayıcıdır. Hesaplama verimliliğini korurken anlamsal özellikleri etkili biçimde yakalayan bir CSPRepResNet omurgası kullanır. Model, TensorRT ve OpenVINO üzerinden dağıtım için büyük ölçüde optimize edilmiştir; bu da PaddlePaddle API'sinde gezinme konusunda rahatsan onu uç ve sunucu dağıtımları için güçlü bir seçenek hâline getirir.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Çerçeveyle İlgili Hususlar

PP-YOLOE+ mükemmel sonuçlar verse de PaddlePaddle'a bağlı olması, PyTorch'a alışkın mühendisler için bir öğrenme eğrisi oluşturabilir. Ultralytics gibi birleşik bir çerçeve kullanmak kurulum süresini önemli ölçüde azaltabilir.

Performans Karşılaştırması#

Bu modelleri değerlendirmek, ortalama kesinlik (mAP) ile çıkarım hızı arasındaki dengeyi incelemeyi gerektirir. Aşağıdaki tablo, COCO doğrulama veri kümesindeki performanslarını öne çıkarır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Her iki model de güçlü performans gösterse de YOLOv6-3.0, küçük model boyutlarında ham TensorRT hızında genellikle hafif bir üstünlük sağlar; bu da onu yüksek hızlı otomatik ödeme veya üretim kusuru algılama için son derece etkili kılar. Buna karşılık PP-YOLOE+, en yüksek doğruluk için daha fazla parametre sayısına iyi ölçeklenir.

Ultralytics Avantajı: YOLO26 ile Tanışın#

YOLOv6-3.0 ve PP-YOLOE+ son derece yetenekli olsa da bilgisayarlı görü alanının hızla gelişmesi, yalnızca ham hız değil, aynı zamanda olağanüstü kullanım kolaylığı, daha düşük bellek gereksinimleri ve birleşik bir ekosistem sunan mimarileri gerekli kılar. İşte Ultralytics YOLO modelleri, özellikle YOLO11 ve son teknoloji YOLO26, en ileri düzeyi yeniden tanımladığı nokta budur.

Ocak 2026'da yayımlanan YOLO26, uç öncelikli ve buluta hazır yapay zekâ için yeni bir ölçüt belirleyerek eski modellere kıyasla önemli avantajlar sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından oluşturulan temeller üzerine inşa edilen YOLO26, son işleme sırasında Maksimum Olmayan Bastırmayı (NMS) yerel olarak ortadan kaldırır. Bu, dağıtım mantığını önemli ölçüde basitleştirir ve kalabalık sahnelerde gecikme değişkenliğini azaltır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, Dağılımsal Odak Kayıbını (DFL) stratejik olarak kaldırarak CPU performansını büyük ölçüde hızlandırır; bu da onu IoT cihazları ve mobil uygulamalar için YOLOv6 veya PP-YOLOE+'dan çok daha üstün kılar.
  • MuSGD Optimizer: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan hibrit MuSGD optimizer, son derece kararlı ve verimli bir eğitim sunarak geleneksel SGD veya AdamW'dan daha hızlı yakınsar.
  • ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve hava gözetimi için kritik bir faktör olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
  • Görevler Arasında Çok Yönlülük: Büyük ölçüde algılamaya odaklanan YOLOv6-3.0'ın aksine YOLO26, kullanıma hazır olarak örnek bölütlemeyi, poz tahminini, sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler.

Kolaylaştırılmış Eğitim Ekosistemi#

PP-YOLOE+'ı dağıtmak PaddlePaddle ortamını yönetmeyi gerektirirken YOLOv6-3.0, araştırma odaklı betiklerde gezinmeyi gerektirir. Buna karşılık Ultralytics Platformu, sorunsuz ve sıfırdan uzmanlığa uzanan bir deneyim sunar.

Son teknoloji bir YOLO26 modelini eğitmek için yalnızca birkaç satır Python gerekir:

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Export seamlessly to OpenVINO or TensorRT
path = model.export(format="engine")

Bu basit API, RT-DETR gibi Transformer ağırlıklı modellere kıyasla eğitim sırasında daha düşük bellek kullanımıyla birleşerek yüksek performanslı yapay zekâyı herkes için erişilebilir hâle getirir.

İdeal Kullanım Alanları ve Dağıtım Stratejileri#

Doğru modeli seçmek, dağıtım işlem hattının başarısını belirler.

YOLOv6-3.0 ne zaman kullanılmalı?#

  • Yüksek Hızlı Üretim: Endüstriyel kameraların doğrudan özel NVIDIA T4 veya A100 GPU'larına bağlandığı ve 5 ms'nin altında tutarlı çıkarım gerektiren ortamlar.
  • Sunucu Taraflı Video Analitiği: Saf GPU iş hacminin temel darboğaz olduğu birden fazla yoğun video akışının işlenmesi.

PP-YOLOE+ Ne Zaman Kullanılmalı#

  • Baidu/Paddle Ekosistemleri: PaddlePaddle teknoloji yığınına büyük ölçüde yatırım yapmış veya özellikle Baidu'nun araç zinciri için optimize edilmiş donanımlara dağıtım yapan kurumsal ortamlar.
  • Yüksek Doğruluklu Statik Görüntüler: Extra-Large (PP-YOLOE+x) modelinin yüksek mAP değerinin uç dağıtım hızından daha kritik olduğu senaryolar.

Ultralytics YOLO26 Ne Zaman Seçilmeli#

  • Uç ve IoT Cihazları: NMS'siz tasarımı ve DFL'nin kaldırılması sayesinde YOLO26, Raspberry Pi, NXP veya mobil CPU'lar üzerindeki dağıtımlar için tartışmasız tercihtir.
  • Çok Görevli Uygulamalar: Birleşik bir API kullanarak eş zamanlı nesne takibi, poz tahmini veya bölütleme gerektiren projeler.
  • Hızlı Prototiplemeden Üretime: Kolaylaştırılmış veri kümesi etiketleme, hiperparametre ayarı ve tek tıklamayla model dağıtımı için Ultralytics Platformu'ndan yararlanan ekipler.

Daha geniş algılama modelleri alanını keşfetmek isteyen geliştiriciler için YOLOX ve DAMO-YOLO gibi çerçeveler de Ultralytics belgelerinde incelenmeye değer benzersiz mimari yaklaşımlar sunar.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1

Yorumlar