Başla

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 uygulayıcıları için güçlü çözümler sunar, ancak farklı dağıtım yaklaşımlarına hitap eder. Aşağıdaki bölümlerde, bilinçli bir karar vermene yardımcı olmak için modellerin mimarileri, eğitim yöntemleri ve gerçek dünyadaki ideal dağıtım senaryoları ele alınıyor.

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, farklı ölçeklerde özellik birleştirmeyi güçlendiren boyun kısmındaki Çift Yönlü Birleştirme (BiC) modülüdür. YOLOv6, eğitim aşamasındaki yakınsamayı iyileştirmek için Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu strateji, eğitim sırasında çapa tabanlı yaklaşımların avantajlarından yararlanmak için çapa kutularını geçici olarak kullanırken çıkarımın çapasız kalmasını sağlar.

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, çok çeşitli görü görevlerini tek bir çerçevede yerine getiren, birleşik ve verimli bir model ailesidir.

Ultralytics Avantajı#

Uzmanlaşmış endüstriyel modeller değerli olsa da günümüz geliştiricilerinin çoğu performans, kullanım kolaylığı, bellek verimliliği ve çeşitli görev desteği arasında denge arar. YOLO11 tüm bu gereksinimleri karşılayacak şekilde tasarlanmıştır.

Yalnızca sınırlayıcı kutu tespitine odaklanan YOLOv6'nın aksine Ultralytics YOLO11, kolay erişilebilir bir ekosistemde örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini yerel olarak destekler.

Kolaylaştırılmış Makine Öğrenimi İş Akışları

Ultralytics uçtan uca bir iş akışı sunar. Araştırma depolarında sık görülen karmaşık ortam kurulumları yerine modelleri birleşik bir Python API'si veya komut satırı arayüzü üzerinden eğitebilir, doğrulayabilir ve dışa aktarabilirsin. Ultralytics Platform da veri kümesi etiketleme ve bulutta eğitim süreçlerini basitleştirir.

Performans ve Teknik Karşılaştırma#

Aşağıdaki tabloda bu modellerin farklı boyutlarda nasıl performans gösterdiği ayrıntılı biçimde açıklanıyor. Her boyutta daha yüksek mAP elde eden YOLO11 modellerinin, YOLOv6 muadillerine kıyasla daha az parametreye ve FLOP'a sahip olduğuna dikkat et.

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
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, eğitim sırasında genellikle birçok endüstriyel ağdan veya büyük Transformer tabanlı mimariden daha az VRAM kullanır; böylece araştırmacılar yüksek doğruluklu modelleri tüketici sınıfı GPU'larda ince ayardan geçirebilir. Hiperparametre ayarı ve Weights & Biases veya Comet gibi günlük kaydı entegrasyonları da etkin biçimde bakımı yapılan araçlardır.

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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

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, önceki YOLO modellerine kıyasla önemli bir ilerleme olsa da günümüzdeki en iyi performansı arayan geliştiriciler Ultralytics YOLO26'ya yükseltmeyi değerlendirmelidir.

Ocak 2026'da yayımlanan YOLO26, verimlilik ve doğruluk açısından çeşitli iyileştirmeler sunar:

  • Uçtan Uca NMS'siz Tasarım: Bire bir başlıkla Non-Maximum Suppression (NMS) işlemini isteğe bağlı olarak atlamak, son işlem gecikmesini azaltır; bu yaklaşım ilk olarak YOLOv10 ile kullanıma sunulmuştur (nms=False).
  • MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitim tekniklerini görüye taşıyan bu optimizasyon, kararlı ve daha hızlı yakınsama için SGD ile Muon'u birleştirir.
  • CPU İçin Optimize Edildi: Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapar; bu da YOLO26'yı mobil, IoT ve uç yapay zekâ uygulamaları için güçlü bir seçenek hâline getirir.
  • Gelişmiş Eğitim İyileştirmeleri: ProgLoss ve STAL, hava görüntüleri ve robotik için önemli olan küçük nesne tanımayı iyileştirir.

Sonuç ve Öneriler#

Dağıtım ortamın, yığın çıkarımı gerektiren ve yoğun biçimde tasarlanmış endüstriyel GPU ardışık düzenleriyle sınırlıysa YOLOv6-3.0 uygun bir seçenek olmaya devam eder. Ancak ölçeklenebilir, kolay eğitilebilir ve yüksek doğruluklu modeller gerektiren gerçek dünya senaryolarının büyük çoğunluğu için Ultralytics YOLO11 ve daha yeni YOLO26 önerilir.

Ultralytics ekosistemi, kapsamlı belgeler ve topluluk desteğiyle veri kümesi toplamadan uç dağıtımına hızla geçmeni sağlar. Verimli başka mimarileri değerlendirenler için YOLOv8, mevcut dağıtımlarda kendini kanıtlamış bir seçenek olmaya devam ederken yeni projelere doğrudan YOLO26 ile başlanabilir.

Katkıda Bulunanlar

Yorumlar

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