Link to this sectionYOLOv6-3.0 ile RTDETRv2 karşılaştırması#

Bilgisayarlı görü uygulamaları için en uygun mimariyi seçmek; hız, doğruluk ve dağıtım kısıtlamaları arasında bir denge kurmayı gerektirir. Bu kapsamlı teknik incelemede, yüksek verimli GPU ortamları için tasarlanmış endüstriyel sınıf bir Evrişimli Sinir Ağı (CNN) olan YOLOv6-3.0 ile gerçek zamanlı nesne algılamaya dikkat mekanizmalarını getiren son teknoloji ürünü transformatör tabanlı model RTDETRv2'yi analiz ediyoruz.

Her iki model de yapay zeka araştırmalarında önemli dönüm noktalarını temsil etse de, en çok yönlü ve verimli işlem hattını arayan geliştiriciler genellikle güçlü Ultralytics Platform'a yöneliyor.

Link to this sectionYOLOv6-3.0: Endüstriyel İş Hacmi#

Meituan'daki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, NVIDIA GPU'lar gibi donanım hızlandırıcılarında ham işlem hızlarını maksimize etmeye büyük ölçüde odaklanır ve eski endüstriyel uygulamalardaki yerini sağlamlaştırır.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• ArXiv: 2301.05586
• GitHub: meituan/YOLOv6

Link to this sectionMimari Öne Çıkanlar#

YOLOv6-3.0, özellikle yüksek hızlı GPU çıkarımı için uyarlanmış donanım dostu bir EfficientRep omurgasını benimser. Mimari, farklı mekansal çözünürlüklerde özellik füzyonunu zenginleştirmek için boynunda çift yönlü bir birleştirme (BiC) modülü entegre eder. Eğitim sırasında, çapa tabanlı (anchor-based) eğitimin güçlü yönlerinden yararlanırken çapasız (anchor-free) bir çıkarım işlem hattını korumak için Çapa Destekli Eğitim (AAT) stratejisini kullanır.

Link to this sectionGüçlü ve Zayıf Yönler#

Güçlü Yönler:

• T4 ve A100 GPU'lar gibi sunucu sınıfı donanımlarda olağanüstü iş hacmi.
• RepOpt kullanarak INT8 dağıtımı için özel nicemleme eğitimleri sağlar.
• Büyük ölçekli video analitiği için elverişli parametre-hız oranı.

Zayıf Yönler:

• Temel olarak bir sınırlayıcı kutu (bounding box) dedektörüdür; Ultralytics YOLO11 gibi modellerde bulunan kutudan çıktığı haliyle çok görevli (örneğin Pose, OBB) çok yönlülükten yoksundur.
• İşlem sonrası (post-processing) sırasında karmaşık NMS'ye daha fazla bağımlıdır, bu da gecikme varyansını artırır.
• Ana akım çerçevelere kıyasla daha az aktif ekosistem, bu da güncellemeleri ve topluluk desteğini daha az tahmin edilebilir kılar.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionRTDETRv2: Gerçek Zamanlı Transformatörler#

Baidu'daki araştırmacılar tarafından öncülük edilen RTDETRv2, orijinal RT-DETR üzerine inşa edilmiştir ve algılama transformatör çerçevesini "ücretsiz hediyeler çantası" (bag-of-freebies) yaklaşımıyla geliştirerek, gerçek zamanlı uygulanabilirlikten ödün vermeden son teknoloji doğruluk elde eder.

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Organizasyon: Baidu
• Tarih: 2024-07-24
• ArXiv: 2407.17140
• GitHub: lyuwenyu/RT-DETR

Link to this sectionMimari Öne Çıkanlar#

Geleneksel CNN'lerin aksine, RTDETRv2 doğal olarak uçtan uca çalışır. Transformatör dikkat katmanlarından yararlanarak, mimari NMS işlem sonrası ihtiyacını tamamen ortadan kaldırır. Bu, akıcı bir çıkarım işlem hattına olanak tanır. RTDETRv2, standart COCO veri kümelerini olağanüstü hassasiyetle işlemeyi sağlayan, yüksek düzeyde optimize edilmiş ölçekler arası özellik füzyonu ve verimli bir hibrit kodlayıcı sunar.

Link to this sectionGüçlü ve Zayıf Yönler#

Güçlü Yönler:

• Transformatör tabanlı dikkat mekanizmaları, özellikle karmaşık veya yoğun sahnelerde olağanüstü ortalama Hassasiyet (mAP) sağlar.
• NMS içermeyen tasarım, çıkarım gecikmesini standartlaştırır ve üretim ortamlarına entegrasyonu basitleştirir.
• Donanım kısıtlamalarının minimum olduğu durumlarda mutlak maksimum doğruluk gerektiren senaryolar için mükemmeldir.

Zayıf Yönler:

• Transformatör katmanları eğitim sırasında önemli miktarda CUDA belleği gerektirir, bu da üst düzey GPU'lara erişimi olmayan araştırmacıları dışarıda bırakır.
• CPU çıkarım hızları, özel uç nokta CNN'lerine göre belirgin şekilde daha yavaştır, bu da mobil veya IoT cihazlarındaki kullanımını sınırlar.
• Kurulum ve ince ayar, geleneksel makine öğrenimi operasyonlarına (MLOps) alışkın ekipler için karmaşık olabilir.

RTDETR hakkında daha fazla bilgi edinin

Link to this sectionAyrıntılı Performans Karşılaştırması#

Aşağıdaki tablo, YOLOv6-3.0 ve RTDETRv2'yi temel performans göstergeleri açısından kıyaslamaktadır. YOLOv6'nın parametre verimliliği ile RTDETRv2'nin ham doğruluğu arasındaki keskin zıtlığa dikkat et.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv6 ile RT-DETR arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için güçlü bir tercihtir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionRT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için önerilir:

• Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
• Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
• Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#

YOLOv6-3.0 ve RTDETRv2 kendi nişlerinde mükemmel olsalar da, modern makine öğrenimi ortamı hız, doğruluk ve geliştirici deneyimini harmanlayan modeller talep ediyor. Ultralytics ekosistemi, özellikle YOLO26'nın piyasaya sürülmesiyle bu ihtiyaçları mükemmel bir şekilde karşılar.

Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, YOLOv8 gibi eski modelleri ve YOLO12 gibi topluluk çatallarını büyük ölçüde geride bırakarak bilgisayarlı görü için kesin standardı temsil eder.

Link to this sectionYOLO26 Neden Rakiplerinden Daha İyi Performans Gösteriyor#

1. Uçtan Uca NMS İçermeyen Tasarım: İlk olarak YOLOv10'da öncülük edilen YOLO26, NMS işlem sonrasını doğal olarak ortadan kaldırır. Bu, yüksek düzeyde optimize edilmiş bir CNN'in ışık hızındaki performansını korurken RTDETRv2'nin dağıtım basitliğini sunar.
2. MuSGD Optimize Edici: Büyük dil modeli yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ve Muon hibritini kullanır. Bu, inanılmaz derecede kararlı eğitim dinamikleri ve hızlı yakınsama sağlayarak özel veri kümeleri için gereken süreyi ve hesaplama kaynaklarını azaltır.
3. Benzersiz Uç Nokta Performansı: Tam DFL Kaldırma (Distribution Focal Loss) işlemi gerçekleştirerek, YOLO26 dışa aktarma mimarilerini basitleştirir. Bu optimizasyon, eski modellere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar ve onu uç nokta yapay zekası ve IoT cihazları için tartışmasız şampiyon yapar.
4. Gelişmiş Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının tanıtılması, küçük nesneleri algılamada büyük bir sıçrama sağlar; bu, YOLOv6'nın geçmişte zorlandığı drone analitiği ve hava görüntüleri için kritik bir gerekliliktir.
5. Görev Çok Yönlülüğü: Yalnızca algılamaya odaklanan YOLOv6'nın aksine YOLO26, Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) dahil olmak üzere çok modlu iş akışlarını destekler; hepsi tek ve birleşik bir API üzerinden.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionEğitim Verimliliği ve Kullanım Kolaylığı#

Ultralytics Python API, geliştirici üretkenliğini maksimize etmek için tasarlanmıştır. Bağımsız araştırma depolarının gerektirdiği karmaşık ortam kurulumunu tamamen atlayarak, sadece birkaç satır kodla eğitimden dağıtıma geçebilirsin.

Aşağıda, Ultralytics paketini kullanarak son teknoloji bir YOLO26 modelini nasıl eğiteceğine ve doğrulayacağına dair eksiksiz, çalıştırılabilir bir örnek bulunmaktadır:

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset (e.g., COCO8) for 50 epochs
# The API automatically handles dataset caching and environment config
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's accuracy on the validation split
val_metrics = model.val()
print(f"Validation mAP50-95: {val_metrics.box.map:.4f}")

# Export the trained model to ONNX for production deployment
model.export(format="onnx")

Link to this sectionSonuç#

Hem YOLOv6-3.0 hem de RTDETRv2, yapay zeka topluluğuna etkileyici katkılardır. YOLOv6-3.0, ham GPU endüstriyel otomasyonu için güçlü bir araç olmaya devam ederken, RTDETRv2 transformatör mimarilerinin doğruluğu maksimize ederken gerçek zamanlı gecikme süresine ulaşabileceğini kanıtlıyor.

Bununla birlikte, aktif topluluk desteğine sahip güvenilir, üretime hazır bir çerçeveye ihtiyaç duyan ekipler için Ultralytics YOLO modelleri sürekli olarak daha iyi bir seçimdir. Hugging Face ve TensorRT gibi platformlarla olan kesintisiz entegrasyon, eğitim sırasındaki inanılmaz derecede düşük bellek yükü ile birleştiğinde, üst düzey yapay zekaya erişimi demokratikleştirir. YOLO26'ya yükselterek geliştiriciler, daha hızlı, daha akıllı ve daha ölçeklenebilir bilgisayarlı görü işlem hatları oluşturmak için çığır açan MuSGD optimize edicisinden ve NMS içermeyen mimariden yararlanabilirler.