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 karşılaştırmada, mimarilerine, performans ölçütlerine ve eğitim yöntemlerine derinlemesine bakarken üstün çok yönlülük ve kullanım kolaylığı sunan Ultralytics YOLO26 gibi modern alternatifleri de tanıtıyoruz.

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'lar gibi donanım hızlandırıcılarından en yüksek verimi almak üzere özel olarak tasarlanmış bir EfficientRep omurgası kullanır. Mimari, çok ölçekli özelliklerin birleştirilmesini önemli ölçüde iyileştiren çift yönlü bir Birleştirme (BiC) modülünü boyun kısmına ekler. Ayrıca bir Çapa Destekli Eğitim (AAT) stratejisi uygular. Bu hibrit yaklaşım, eğitim aşamasında çapaya dayalı ağların güçlü yakınsama özelliklerinden yararlanırken, çapadan bağımsız yöntemlerin tipik yüksek hızını korumak için çıkarım sırasında çapaları kullanmaz.

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.

• Yazarlar: PaddlePaddle yazarları
• Kurum: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

Mimari Yenilikler#

PP-YOLOE+, TAL (Görev Hizalama Öğrenimi) olarak bilinen dinamik bir etiket atama stratejisi sunan çapasız bir algılayıcıdır. Anlamsal özellikleri verimli bir şekilde yakalarken hesaplama verimliliğini koruyan bir CSPRepResNet omurgası kullanır. Model, TensorRT ve OpenVINO üzerinden dağıtım için yüksek ölçüde optimize edilmiştir ve PaddlePaddle API içinde gezinme konusunda rahatsan uç cihazlarda ve sunucularda dağıtım için güçlü bir adaydır.

PP-YOLOE+ hakkında daha fazla bilgi edin

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.

Her iki model de güçlü performans gösterse de YOLOv6-3.0, daha küçük model boyutlarında genellikle ham TensorRT hızında küçük bir üstünlüğe sahip olduğundan yüksek hızlı otomatik ödeme veya üretim hatası algılama için oldukça etkilidir. PP-YOLOE+ ise maksimum doğruluk için daha yüksek parametre sayılarına iyi ölçeklenir.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOv6-3.0 ve PP-YOLOE+ oldukça 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 mimariler gerektiriyor. Özellikle YOLO11 ve son teknoloji ürünü YOLO26 gibi Ultralytics YOLO modelleri, bu noktada son teknoloji anlayışını yeniden tanımlıyor.

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

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 ile temelleri atılan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), son işleme sırasında Maksimum Olmayan Bastırma (NMS) uygulamaz. Bu, dağıtım mantığını önemli ölçüde basitleştirir ve kalabalık sahnelerde gecikme değişkenliğini azaltır.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'u (DFL) stratejik olarak kaldıran YOLO26, CPU performansını önemli ölçüde hızlandırarak IoT cihazları ve mobil uygulamalarda YOLOv6 veya PP-YOLOE+'dan çok daha iyi performans gösterir.
• MuSGD Optimize Edicisi: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen hibrit MuSGD optimize edicisi, son derece kararlı ve verimli bir eğitim sunarak geleneksel SGD veya AdamW'den daha hızlı yakınsar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone görüntüleri ve hava gözetimi için kritik önem taşıyan küçük nesneleri tanımada belirgin iyileşmeler sağlar.
• Görevler Arasında Çok Yönlülük: Öncelikli olarak algılamaya odaklanan YOLOv6-3.0'ın aksine YOLO26, kutudan çıktığı gibi örnek segmentasyonu, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler.

Basitleştirilmiş Eğitim Ekosistemi#

PP-YOLOE+ dağıtımı PaddlePaddle ortamını yönetmeyi, YOLOv6-3.0 ise araştırma odaklı betiklerle çalışmayı gerektirir. Buna karşılık Ultralytics Platformu, başlangıçtan uzmanlığa uzanan kusursuz bir deneyim sunar.

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

from ultralytics import YOLO

# En yeni 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()

# OpenVINO veya TensorRT'ye sorunsuzca dışa aktar
path = model.export(format="engine")

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

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: Ham GPU veri işleme hızının öncelikli darboğaz olduğu, yoğun birden fazla video akışının işlenmesi.

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 içermeyen çıkarımı ve DFL'nin kaldırılması sayesinde YOLO26, Raspberry Pi, NXP veya mobil CPU'lardaki dağıtımlar için tartışmasız en iyi 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 tıkla model dağıtımı için Ultralytics Platformu'ndan yararlanan ekipler.

Daha geniş algılama modeli yelpazesini incelemek isteyen geliştiriciler, Ultralytics dokümantasyonunda göz atmaya değer özgün mimari yaklaşımlar sunan YOLOX ve DAMO-YOLO gibi çerçeveleri de değerlendirebilir.