Başla

YOLOv6-3.0 ile PP-YOLOE+

Gerçek zamanlı nesne algılama için bir çerçeve seçerken makine öğrenimi mühendisleri sıklıkla çeşitli yüksek performanslı mimarileri değerlendirir. Endüstriyel uygulamalar alanında öne çıkan iki model YOLOv6-3.0 ve PP-YOLOE+'tır. Her iki model de doğruluk ve hızın sınırlarını zorlasa da biraz farklı ekosistemlere ve dağıtım donanımlarına göre tasarlanmıştır.

Bu teknik karşılaştırma, mimarileri, performans ölçütlerini ve eğitim yöntemlerini ayrıntılı olarak incelerken daha geniş görev desteği ve daha kolay bir iş akışı sunan Ultralytics YOLO26 gibi modern alternatifleri de tanıtıyor.

YOLOv6-3.0: Yüksek Veri İşleme Hızlı Endüstriyel Motor#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle güçlü sunucu sınıfı GPU'lardan yararlanan endüstriyel ortamlar için yoğun biçimde 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'ları gibi donanım hızlandırıcılarından en iyi şekilde yararlanmak için özel olarak tasarlanmış bir EfficientRep omurgası kullanır. Mimaride, çok ölçekli özelliklerin birleştirilmesini iyileştiren bir Çift Yönlü Birleştirme (BiC) modülü bulunur. Ayrıca Çapa Destekli Eğitim (AAT) stratejisi kullanılır. Bu hibrit yaklaşım, eğitim aşamasında çapa tabanlı ağların kararlı yakınsamasından yararlanırken, çapasız algılayıcılara özgü hızı korumak için çıkarım sırasında çapaları devre dışı bırakır.

YOLOv6 hakkında daha fazla bilgi edin

PP-YOLOE+: PaddlePaddle'ın Algılama Şampiyonu#

PP-YOLOE+, Baidu araştırmacıları tarafından tamamen PaddlePaddle çerçevesinde geliştirilen PP-YOLO serisinin evrimleşmiş hâlidir. Paddle ekosisteminin zaten yerleşik olduğu ortamlarda öne çıkar.

Mimari Yenilikler#

PP-YOLOE+, TAL (Görev Hizalama Öğrenimi) adı verilen dinamik bir etiket atama stratejisi sunan çapasız bir algılayıcıdır. Hesaplama verimliliğini korurken anlamsal özellikleri etkili biçimde yakalayan CSPRepResNet omurgasını kullanır. Model, TensorRT ve OpenVINO üzerinden dağıtım için optimize edilmiştir; bu da PaddlePaddle çerçevesini kullanmakta sakınca görmeyenler için onu uç cihaz ve sunucu dağıtımlarında güçlü bir rakip hâline getirir. Proje gerektirdiğinde Ultralytics modelleri PaddlePaddle biçimine de dışa aktarılabilir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Çerçeveyle İlgili Hususlar

PP-YOLOE+ mükemmel sonuçlar sunsa da PaddlePaddle'a bağlı olması, PyTorch'a alışkın mühendisler için bir öğrenme süreci gerektirebilir. Ultralytics gibi birleşik bir çerçeve kullanmak kurulum süresini kısaltabilir.

Performans Karşılaştırması#

Bu modelleri değerlendirmek için ortalama hassasiyet (mAP) ile çıkarım hızı arasındaki dengeye bakmak gerekir. Aşağıdaki tabloda modellerin COCO doğrulama veri kümesindeki performansı vurgulanıyor.

Modelboyut
(piksel)
mAPval50-95Hız
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 hızı bakımından genellikle az farkla öndedir. Bu da onu yüksek hızlı otomatik ödeme veya üretim hatalarında kusur algılama için etkili kılar. Buna karşılık PP-YOLOE+, en yüksek doğruluğa ulaşmak için daha yüksek parametre sayılarına ölçeklenebilir.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOv6-3.0 ve PP-YOLOE+ son derece yetenekli olsa da bilgisayarlı görü alanının hızlı gelişimi, yalnızca ham hız değil, aynı zamanda kullanım kolaylığı, düşük bellek gereksinimleri ve birleşik bir ekosistem sunan mimarileri de gerekli kılıyor. Ultralytics YOLO modelleri, özellikle YOLO11 ve en yeni YOLO26, bu gereksinimleri karşılayacak şekilde tasarlanmıştır.

Ocak 2026'da yayımlanan YOLO26, uç cihazları önceliklendiren ve bulutta dağıtım için tasarlanmıştır; eski modellere kıyasla çeşitli avantajlar sunar:

  • Uçtan Uca, NMS'siz Tasarım: YOLOv10 ile temelleri atılan yaklaşımı geliştiren YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), son işlem sırasında Non-Maximum Suppression (NMS) adımını atlar. Bu, dağıtım mantığını basitleştirir ve yoğun sahnelerdeki gecikme değişkenliğini azaltır.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Distribution Focal Loss (DFL) kaldırıldığı için YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da IoT cihazları ve mobil uygulamalar için uygundur.
  • MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitim tekniklerinden (Moonshot AI'nin Kimi K2'si gibi) ilham alan hibrit MuSGD optimizatörü, SGD ile Muon'u birleştirerek kararlı ve verimli eğitim sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama, drone görüntüleri ve hava gözetimi için kritik olan küçük nesnelerin tanınmasını iyileştirir.
  • Görevler Arasında Esneklik: Algılamaya yoğun biçimde odaklanan YOLOv6-3.0'ın aksine YOLO26; örnek segmentasyonu, anlamsal segmentasyonu, derinlik tahminini, sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı kutudan çıktığı gibi destekler.

Basitleştirilmiş Eğitim Ekosistemi#

PP-YOLOE+ dağıtımı PaddlePaddle ortamını yönetmeyi, YOLOv6-3.0 ise araştırma odaklı betiklerle uğraşmayı gerektirir. Buna karşılık ultralytics Python paketi ve Ultralytics Platform, eğitim, doğrulama ve dışa aktarma işlemlerini tek bir iş akışında sunar.

Son teknoloji ürünü bir YOLO26 modelini eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

from ultralytics import YOLO

# YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")

# Modeli özel veri kümenle eğit (optimizer='auto', uzun eğitim çalıştırmaları için MuSGD'yi seçer)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin doğruluğunu doğrula
metrics = model.val()

# TensorRT'ye dışa aktar (OpenVINO için format="openvino" kullan)
path = model.export(format="engine")

Bu basit API, RT-DETR gibi Transformer ağırlıklı modellere kıyasla eğitim sırasında daha az bellek kullanılmasıyla birleştiğinde, yüksek performanslı algılamayı daha fazla ekibin erişimine açar.

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

Doğru modeli seçmek, dağıtım 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: Temel darboğazın GPU'nun ham iş hacmi olduğu, yoğun birden fazla video akışının işlendiği senaryolar.

PP-YOLOE+ Ne Zaman Kullanılmalı#

  • Baidu/Paddle Ekosistemleri: PaddlePaddle teknoloji yığınına yoğun yatırım yapan veya özellikle Baidu'nun araç zinciri için optimize edilmiş donanımlarda dağıtım yapan kurumsal ortamlar.
  • Yüksek Doğruluklu Durağan Görüntüler: Ekstra Büyük (PP-YOLOE+x) modelinin yüksek mAP değerinin uç dağıtım hızından daha önemli olduğu senaryolar.

Ultralytics YOLO26 Ne Zaman Seçilmeli#

  • Uç ve IoT Cihazları: İsteğe bağlı NMS'siz çıkarımı ve DFL'nin kaldırılmasıyla YOLO26, Raspberry Pi, NXP veya mobil CPU'lara dağıtım için güçlü bir seçenektir.
  • Çoklu Görev Uygulamaları: Birleşik bir API kullanarak nesne takibi, poz tahmini veya segmentasyonun eş zamanlı olarak yapılmasını gerektiren projeler.
  • Hızlı Prototiplemeden Üretime: Kolaylaştırılmış veri kümesi etiketleme, hiperparametre ayarlama ve tek tıklamayla model dağıtımı için Ultralytics Platform'dan yararlanan ekipler.

Nesne algılama modellerinin daha geniş dünyasını keşfetmek isteyen geliştiriciler, Ultralytics belgelerinde incelemeye değer farklı mimari yaklaşımlar sunan YOLOX ve DAMO-YOLO gibi çerçevelere de göz atabilir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.