Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ve YOLO11#

Yüksek performanslı uygulamalar için bilgisayarlı görü modellerini değerlendirirken doğru mimariyi seçmek kritik önem taşır. Görsel yapay zekânın gelişimi, farklı ortamlar için özel olarak tasarlanmış modellerin ortaya çıkmasını sağladı. Bu kapsamlı kılavuz, ekosistemin öne çıkan iki modelini karşılaştırır: endüstriye odaklanan YOLOv6-3.0 ve son derece çok yönlü Ultralytics YOLO11.

Her iki model de makine öğrenimi uygulayıcılarına güçlü çözümler sunar ancak farklı dağıtım yaklaşımlarına hitap eder. Bilinçli bir karar vermene yardımcı olmak için mimarilerini, eğitim yöntemlerini ve gerçek dünyadaki ideal dağıtım senaryolarını aşağıda ayrıntılı biçimde ele alıyoruz.

YOLOv6-3.0: Endüstriyel İşlem Hacminde Uzmanlaşma#

Meituan Görsel Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, endüstriyel uygulamalar için özel olarak optimize edilmiş yeni nesil bir nesne algılama çerçevesi olarak konumlandırılır.

Mimari Öne Çıkanlar#

YOLOv6-3.0, NVIDIA GPU'ları gibi donanım hızlandırıcılarında işlem hacmini en üst düzeye çıkarmaya yoğun biçimde odaklanır. Sırt ağı, TensorRT gibi platformları kullanan GPU çıkarım işlemleri için donanım dostu olan EfficientRep tasarımına dayanır.

Önemli bir mimari özellik, boynunda bulunan ve farklı ölçeklerde özellik füzyonunu iyileştiren Çift Yönlü Birleştirme (BiC) modülüdür. Eğitim aşamasında yakınsamayı iyileştirmek için YOLOv6, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu strateji, çapa tabanlı yaklaşımların avantajlarından yararlanmak için eğitim sırasında geçici olarak çapa kutularından yararlanırken çıkarım temelde çapasız kalır.

YOLOv6-3.0, güçlü sunucu sınıfı donanımlarda çevrimdışı video analizi gibi yüksek hızlı toplu işleme ortamlarında üstün performans gösterse de bu derin uzmanlaşma, daha geniş kapsamlı genel amaçlı hesaplama için tasarlanmış modellere kıyasla yalnızca CPU kullanan uç cihazlarda zaman zaman optimumun altında gecikmeye neden olabilir.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLO11: Çok Yönlü Çok Görevli Standart#

Ultralytics tarafından yayımlanan YOLO11, aynı anda çok çeşitli görsel görevleri yerine getirebilen birleşik ve son derece verimli bir çerçeveye doğru önemli bir değişimi temsil eder.

Ultralytics Avantajı#

Özelleşmiş endüstriyel modeller değerli olsa da modern geliştiricilerin çoğu performans, kullanım kolaylığı, bellek verimliliği ve çeşitli görev desteği arasında denge kurmaya öncelik verir. YOLO11, kapsamlı bir çözüm sunarak öne çıkar.

Yalnızca sınırlayıcı kutu tespitine odaklanan YOLOv6'nın aksine, Ultralytics YOLO11 yerel olarak örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) çıkarımı için donatılmıştır. Bunu son derece erişilebilir bir ekosistemi korurken başarır.

Kolaylaştırılmış Makine Öğrenimi İş Akışları

Ultralytics, "sıfırdan kahramana" bir deneyim sunar. Araştırma depolarında sıkça karşılaşılan karmaşık ortam kurulumları yerine, birleşik bir Python API'si veya komut satırı arayüzü üzerinden modelleri eğitebilir, doğrulayabilir ve dışa aktarabilirsin. Ultralytics Platform, veri kümesi etiketleme ve bulutta eğitimi daha da kolaylaştırır.

Performans ve Teknik Karşılaştırma#

Aşağıdaki tablo, bu modellerin farklı boyutlardaki performansını ayrıntılı olarak gösterir. YOLO11 modellerinin parametre sayısında ve FLOP değerlerinde YOLOv6 karşılıklarına kıyasla kayda değer düşüşe dikkat et; bu da YOLO11'e üstün bir performans dengesi sağlar.

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Bellek Gereksinimleri ve Eğitim Verimliliği#

Özel veriler hazırlarken eğitim verimliliği çok önemlidir. Ultralytics YOLO modelleri, yoğun biçimde özelleştirilmiş endüstriyel ağlara veya büyük Transformer tabanlı mimarilere kıyasla eğitim sırasında çok daha az VRAM kullanır. Bu, yapay zekâyı demokratikleştirerek araştırmacıların tüketici sınıfı GPU'larda yüksek doğruluklu modellerde ince ayar yapmasına olanak tanır. Ayrıca aktif Ultralytics topluluğu, hiperparametre ayarlama ve günlük kaydı entegrasyonları (Weights & Biases veya Comet ML gibi) araçlarının daima güncel olmasını sağlar.

Kullanım Alanları ve Öneriler#

YOLOv6 ve YOLO11 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlar için güçlü bir seçenektir:

  • Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
  • Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
  • Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için önerilir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Kod Örneği: Birleşik Python API'si#

Ultralytics ile son teknoloji bir modeli eğitmek yalnızca birkaç satır kod gerektirir. Aynı API; tahminleri, doğrulamaları ve ONNX ya da OpenVINO gibi biçimlere dışa aktarmayı da yönetir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 Nano modelini yükle
model = YOLO("yolo11n.pt")

# Modeli COCO8 veri kümesinde 50 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Örnek bir görüntü üzerinde hızlı çıkarım yap
prediction = model("https://ultralytics.com/images/bus.jpg")

# Uç dağıtım için dışa aktar
model.export(format="onnx")

İleriye Bakış: YOLO26'nın Gelişi#

YOLO11, eski mimarilere kıyasla büyük bir sıçrama niteliğinde olsa da performansın mutlak sınırlarını zorlamak isteyen geliştiriciler çığır açan Ultralytics YOLO26 modeline geçmeyi değerlendirmelidir.

Ocak 2026'da yayımlanan YOLO26, yapay zekâ modeli verimliliğinde yeni bir standart belirleyerek bilgisayarlı görü alanında daha önce görülmemiş yenilikler sunar:

  • Uçtan Uca NMS'siz Tasarım: Maksimum Olmayanların Bastırılması (NMS) gereksinimini isteğe bağlı olarak atlamak (nms=False), dağıtım gecikmesini büyük ölçüde azaltır. Bu yöntem ilk olarak YOLOv10 ile tanıtılmıştır.
  • MuSGD Optimize Edici: LLM eğitimindeki kararlılığı görsel görevlere taşıyan bu optimize edici, son derece kararlı ve hızlı yakınsama için SGD ile Muon'u birleştirir.
  • CPU için Optimize Edildi: Distribution Focal Loss'u (DFL) kaldıran YOLO26, CPU çıkarımını %43'e kadar hızlandırır; bu da onu mobil, IoT ve uç yapay zekâ uygulamaları için ideal bir seçenek hâline getirir.
  • Gelişmiş Kayıp Fonksiyonları: ProgLoss ve STAL uygulamaları, hava görüntüleri ve robotik için hayati önem taşıyan küçük nesne tanımayı büyük ölçüde iyileştirir.

Sonuç ve Öneriler#

Dağıtım ortamın toplu çıkarım gerektiren, yoğun mühendislik çalışmasıyla oluşturulmuş endüstriyel GPU işlem hatlarıyla sınırlıysa YOLOv6-3.0 hâlâ ilgi çekici bir araçtır. Ancak ölçeklenebilir, eğitimi kolay ve son derece hassas modellerin gerekli olduğu gerçek dünya senaryolarının büyük çoğunluğu için Ultralytics YOLO11 ve son teknoloji YOLO26 tartışmasız önerilerimizdir.

Ultralytics ekosistemi, projelerinin geleceğe hazır olmasını ve kapsamlı belgelerle topluluk desteğinden yararlanmasını sağlayarak veri kümesi toplamadan uç dağıtımına hızla geçmene olanak tanır. Verimli diğer mimarileri araştırıyorsan, güçlü ve kanıtlanmış eski sürüm desteği için YOLOv8 modeline göz atmanı veya yeni nesle doğrudan YOLO26 ile geçmeni öneririz.

Katkıda Bulunanlar
GLglenn-jocher18PDpderrenger1

Yorumlar