Link to this sectionYOLOv6-3.0 ve YOLO11#
Yüksek performanslı uygulamalar için bilgisayarlı görü modellerini değerlendirirken doğru mimariyi seçmek kritiktir. Görüntüleme yapay zekasının evrimi, farklı ortamlar için özel olarak tasarlanmış özelleşmiş modellere yol açmıştır. Bu kapsamlı rehber, ekosistemdeki iki önde gelen modeli karşılaştırıyor: endüstri odaklı YOLOv6-3.0 ve oldukça çok yönlü Ultralytics YOLO11.
Her iki model de makine öğrenimi uygulayıcıları için güçlü çözümler sunar, ancak farklı dağıtım paradigmalarına hitap ederler. Aşağıda, bilinçli bir karar vermene yardımcı olmak için mimarilerini, eğitim metodolojilerini ve ideal gerçek dünya dağıtım senaryolarını inceledik.
Link to this sectionYOLOv6-3.0: Endüstriyel İşlem Hacmi Uzmanlığı#
Meituan'daki Vizyon Yapay Zeka Departmanı tarafından geliştirilen YOLOv6-3.0, endüstriyel uygulamalar için özel olarak optimize edilmiş yeni nesil bir nesne algılama çerçevesi olarak konumlandırılmıştır.
- 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
- Dokümantasyon: YOLOv6 Dokümantasyonu
Link to this sectionMimari Öne Çıkanlar#
YOLOv6-3.0, NVIDIA GPU'lar gibi donanım hızlandırıcılarında işlem hacmini maksimize etmeye yoğun bir şekilde odaklanır. Omurgası, TensorRT gibi platformlar kullanan GPU çıkarım işlemleri için donanım dostu olan bir EfficientRep tasarımına dayanır.
Önemli bir mimari özellik, boyun kısmındaki, farklı ölçeklerde özellik füzyonunu geliştiren Çift Yönlü Birleştirme (BiC) modülüdür. Eğitim aşamasında yakınsamayı iyileştirmek için YOLOv6, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu strateji, çıkarım temelde çapasız kalsa da, çapa tabanlı paradigmaların avantajlarından yararlanmak için eğitim sırasında çapa kutularından geçici olarak yararlanır.
YOLOv6-3.0, güçlü sunucu sınıfı donanımlarda çevrimdışı video analitiği gibi yüksek hızlı, yığın işleme ortamlarında mükemmel olsa da, bu derin uzmanlaşma bazen daha geniş genel amaçlı bilgi işlem için tasarlanmış modellere kıyasla yalnızca CPU kullanan uç cihazlarda suboptimal gecikmeye neden olabilir.
YOLOv6 hakkında daha fazla bilgi edin
Link to this sectionUltralytics YOLO11: Çok Yönlü Çok Görevli Standart#
Ultralytics tarafından yayınlanan YOLO11, aynı anda çok sayıda görü görevini yerine getirebilen birleşik ve oldukça verimli bir çerçeveye doğru büyük bir geçişi temsil eder.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Dokümantasyon: YOLO11 Dokümantasyonu
Link to this sectionUltralytics Avantajı#
Özelleşmiş endüstriyel modeller değerli olsa da, çoğu modern geliştirici performans, kullanım kolaylığı, bellek verimliliği ve çeşitli görev desteği dengesine öncelik verir. YOLO11 kapsamlı bir çözüm sunarak öne çıkar.
Sadece sınırlayıcı kutu algılamaya odaklanan YOLOv6'nın aksine, Ultralytics YOLO11 doğal olarak örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarımı için donatılmıştır. Bunu, inanılmaz derecede erişilebilir bir ekosistemi koruyarak başarır.
Ultralytics "sıfırdan profesyonelliğe" bir deneyim yaratır. Araştırma depolarında yaygın olan karmaşık ortam kurulumları yerine, modelleri birleşik bir Python API'si veya komut satırı arayüzü aracılığıyla eğitebilir, doğrulayabilir ve dışa aktarabilirsin. Ultralytics Platform, veri kümesi etiketlemeyi ve bulut eğitimini daha da basitleştirir.
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionPerformans ve Teknik Karşılaştırma#
Aşağıdaki tablo, bu modellerin farklı boyutlarda nasıl performans gösterdiğine dair detaylı bir bakış sunar. YOLO11 modellerindeki parametre sayısındaki ve FLOP'lardaki ciddi düşüşe dikkat et; bu, YOLO11'e üstün bir performans dengesi sağlar.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Link to this sectionBellek Gereksinimleri ve Eğitim Verimliliği#
Özel veriler hazırlarken eğitim verimliliği çok önemlidir. Ultralytics YOLO modelleri, ağır özelleştirilmiş endüstriyel ağlara veya devasa Transformer tabanlı mimarilere kıyasla eğitim sırasında önemli ölçüde daha düşük VRAM kullanımı gerektirir. Bu durum yapay zekayı demokratikleştirerek araştırmacıların tüketici sınıfı GPU'larda yüksek doğruluklu modelleri ince ayar yapmalarına olanak tanır. Ayrıca, aktif Ultralytics topluluğu, hiperparametre ayarlama ve günlük kaydı entegrasyonları (Weights & Biases veya Comet ML gibi) gibi araçların her zaman güncel kalmasını sağlar.
Link to this sectionKullanım Durumları ve Öneriler#
YOLOv6 ile YOLO11 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 sectionYOLO11 Ne Zaman Seçilmeli#
YOLO11 şunlar için önerilir:
- Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.
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 sectionKod Örneği: Birleşik Python API#
Ultralytics ile son teknoloji bir modeli eğitmek sadece birkaç satır kod alır. Aynı API, tahminleri, doğrulamaları ve ONNX veya OpenVINO gibi formatlara dışa aktarımları yönetir.
from ultralytics import YOLO
# Load a pretrained YOLO11 Nano model
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run fast inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")
# Export for edge deployment
model.export(format="onnx")Link to this sectionGeleceğe Bakış: YOLO26'nın Gelişi#
YOLO11 eski mimarilere göre devasa bir sıçrama olarak öne çıksa da, performansın mutlak sınırlarını arayan geliştiriciler çığır açan Ultralytics YOLO26 modeline yükseltmeyi düşünmelidir.
Ocak 2026'da yayınlanan YOLO26, yapay zeka modeli verimliliği için yeni bir standart belirleyerek bilgisayarlı görü alanında daha önce görülmemiş yenilikleri beraberinde getiriyor:
- Uçtan Uca NMS-Sız Tasarım: Maksimum Olmayan Baskılama (NMS) ihtiyacını ortadan kaldırmak, dağıtım gecikmesini önemli ölçüde azaltır; bu yöntem ilk kez YOLOv10 içinde tanıtılmıştır.
- MuSGD Optimize Edici: LLM eğitim kararlılığını görü görevlerine entegre eden bu optimize edici, inanılmaz derecede kararlı ve hızlı bir yakınsama için SGD ve Muon'u birleştirir.
- CPU Optimize Edilmiş: Dağıtım Odaklı Kayıp (DFL) işlevini kaldırarak, YOLO26 %43'e kadar daha hızlı CPU çıkarımı sağlar ve bu da onu mobil, IoT ve uç yapay zeka uygulamaları için mükemmel bir seçim haline getirir.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL uygulamaları, hava görüntüleri ve robotik için hayati önem taşıyan küçük nesne tanımayı önemli ölçüde iyileştirir.
YOLO26 hakkında daha fazla bilgi edin
Link to this sectionSonuç ve Öneriler#
Dağıtım ortamın yığın çıkarım gerektiren, ağır mühendislik ürünü endüstriyel GPU hatlarıyla sınırlıysa, YOLOv6-3.0 ilginç bir araç olmaya devam ediyor. Ancak, ölçeklenebilir, eğitilmesi kolay ve yüksek doğruluklu modeller gerektiren gerçek dünya senaryolarının büyük çoğunluğu için Ultralytics YOLO11 ve çığır açan YOLO26 tartışmasız önerilerdir.
Ultralytics ekosistemi, veri kümesi toplamadan uç dağıtıma hızla geçmeni sağlayarak projelerinin geleceğe hazır olmasını ve kapsamlı dokümantasyon ve topluluk desteğiyle desteklenmesini sağlar. Diğer verimli mimarileri keşfedenler için, sağlam ve kanıtlanmış eski sürüm desteği için YOLOv8 modeline göz atmalarını veya doğrudan YOLO26 ile yeni nesle dalmalarını öneririz.