YOLOv6-3.0 ve YOLO26
Gerçek zamanlı nesne tespitinin evrimi, endüstriyel GPU verimini veya çok yönlü, uçta dağıtıma göre optimize edilmiş modelleri önceliklendiren modeller ortaya çıkardı. Bu karşılaştırmada, endüstriye odaklı YOLOv6-3.0 ile isteğe bağlı uçtan uca NMS'siz çıkarım sunan Ultralytics YOLO26 inceleniyor.
İster üst düzey sunucu GPU'larına ister düşük güç tüketimli uç cihazlara dağıtım yapıyor ol, bilgisayarlı görü işlem hatlarını optimize etmek için bu modellerin mimari açıdan güçlü yönlerini ve ideal kullanım alanlarını anlamak kritik önem taşır.
YOLOv6-3.0: Endüstriyel İşlem Hacmi#
Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, "endüstriyel uygulamalar için yeni nesil bir nesne algılayıcı" olarak tasarlandı. Özel GPU'lar gibi donanım hızlandırıcılarında verimi en üst düzeye çıkarmaya yoğun biçimde odaklanır ve bu özelliğiyle yüksek hızlı çevrim dışı video analizi için güçlü bir araçtır.
- 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
- Belgeler: YOLOv6 Belgeleri
Mimari Odak Noktası#
YOLOv6-3.0, özellik birleştirmeyi iyileştirmek için boyun kısmında Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Omurgası, GPU çıkarımına son derece uygun olacak şekilde tasarlanmış EfficientRep topolojisine dayanır. Bu, NVIDIA TensorRT kullanıldığında modeli çok hızlı kılarken büyük ölçekli paralel işlemeye sahip olmayan yalnızca CPU'lu veya uç cihazlarda gecikmeyi artırabilir.
YOLOv6-3.0 hakkında daha fazla bilgi edin
YOLO26: Uç Cihazlar ve Bulut için Yeni Standart#
Ocak 2026'da yayımlanan Ultralytics YOLO26, karmaşık son işlemeyi isteğe bağlı hâle getirir ve daha hızlı, daha küçük, dağıtımı daha kolay olacak şekilde tasarlanmış, birleşik ve çok görevli bir çerçeve sunar.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: ultralytics/ultralytics
- Belgeler: YOLO26 Belgeleri
Temel Mimari Özellikler#
YOLO26, önceki nesillere kıyasla çeşitli yenilikler sunar:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan isteğe bağlı uçtan uca bire bir başlık (
nms=False) sunarak gecikme değişkenliğini azaltır ve dağıtım mantığını basitleştirir. - CPU Çıkarımında %43'e Varan Hız Artışı: Uç bilişim için optimize edilen YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da YOLO26'yı cep telefonları, IoT sensörleri ve robotik sistemler gibi GPU'su olmayan cihazlar için çok uygun hâle getirir.
- DFL'nin Kaldırılması: Dağılımsal Odak Kayıp kaldırılarak modelin dışa aktarım süreci basitleştirilir ve düşük güç tüketimli uç cihazlarla uyumluluk artırılır.
- MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli (LLM) eğitim yeniliklerinden ilham alan yeni MuSGD optimizasyonu, Stokastik Gradyan İnişi ile Muon'un hibritidir; LLM tarzı eğitim kararlılığını görü görevlerine taşır ve yakınsamayı hızlandırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, hava görüntüleri ve kalabalık sahnelerle ilgili uygulamalar için kritik önem taşıyan küçük nesne tanımayı iyileştirir.
Sınırlayıcı kutuları ele almakla yetinen YOLOv6-3.0'ın aksine YOLO26, genelinde göreve özgü iyileştirmeler sunar. Bunlar arasında örnek segmentasyonu için anlamsal segmentasyon kaybı ve çok ölçekli proto, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) sınır sorunlarını çözmeye yönelik özel açı kaybı bulunur.
Ayrıntılı Performans Karşılaştırması#
Modelleri değerlendirirken hız, doğruluk ve parametre verimliliğini dengelemek büyük önem taşır. Aşağıdaki tablo, bu modellerin COCO veri kümesindeki performansını gösterir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Verilerde görüldüğü gibi YOLO26, her boyutta daha yüksek doğruluk sağlar. Örneğin YOLO26n, yaklaşık yarı sayıda parametre ve FLOP kullanmasına rağmen YOLOv6-3.0n'den 3,4 mAP daha yüksek puan alır; ancak YOLOv6-3.0n, T4 TensorRT üzerinde daha hızlı çalışmaya devam eder (1,17 ms'ye karşı 1,7 ms).
Ultralytics Avantajı#
Model seçerken çevresindeki yazılım ekosistemini değerlendirmek gerekir. Ultralytics paketi, araştırma depolarına kıyasla pratik avantajlar sunar:
- Kullanım Kolaylığı: Ultralytics, geliştiriciler için basitleştirilmiş bir deneyim sunar. Birleşik Python API'si, kullanıcıların tek bir dize parametresini değiştirerek görevler ve modeller arasında geçiş yapmasını sağlar.
- İyi Bakımı Yapılan Ekosistem: Geliştiriciler Ultralytics Platform aracılığıyla veri kümesi yönetimi, bulutta eğitim ve model dışa aktarımı özelliklerinin yanı sıra ONNX ve OpenVINO gibi biçimlere erişir.
- Bellek Gereksinimleri: YOLO26, eğitim ve çıkarım sırasında RT-DETR gibi çok daha büyük CUDA bellek ayırmaları gerektiren Transformer tabanlı mimarilere göre daha az bellek kullanır.
- Çok Yönlülük: Tespit, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'yi yerel olarak destekleyen YOLO26, karmaşık ve çok görevli görü uygulamaları için tek bir çerçeve sunar.
Genel amaçlı bir makine öğrenimi ardışık düzeni kuruyorsan ve ekosistemdeki diğer seçenekleri değerlendirmek istiyorsan Ultralytics YOLO11, kurumsal dağıtımlar için kararlı ve yaygın biçimde benimsenmiş bir temel olmaya devam ediyor.
Kod Örneği: Kolay Eğitim#
Ultralytics kütüphanesiyle dağıtım ve eğitim için gereken kod miktarı çok azdır; kütüphane, doğrudan ham PyTorch tabanlı çerçevelerin gerektirdiği karmaşık tekrar eden kodları soyutlar. Aşağıdaki kod parçası, YOLO26 modelinin nasıl yükleneceğini, eğitileceğini ve doğrulanacağını gösterir.
from ultralytics import YOLO
# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset; optimizer="auto" selects MuSGD for longer runs (>10k iterations)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Uses GPU for accelerated training
)
# Validate the trained model's performance
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Run NMS-free inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)İdeal Kullanım Alanları#
Doğru mimariyi seçmek, modelin güçlü yönlerini gerçek dünya kısıtlarıyla eşleştirmeyi gerektirir:
- YOLOv6-3.0 ne zaman dağıtılmalı: Toplu işlemenin büyük önem taşıdığı statik, sunucu taraflı dağıtımlar için idealdir. Yüksek hızlı üretim hatları veya ayrılmış A100 ya da T4 GPU'larına sahip merkezi akıllı şehir video merkezleri gibi ortamlar, EfficientRep sırt ağından yarar sağlar.
- YOLO26 ne zaman dağıtıma alınmalı: Modern ve ölçeklenebilir uygulamalar için önerilen seçenektir. Daha hızlı CPU çıkarımı (YOLO26n için YOLO11n'e kıyasla %43'e kadar) ve isteğe bağlı NMS'siz başlığı; düşük gecikme ile yüksek doğruluğun katı güç kısıtları dahilinde bir arada olması gereken drone analitiği, uzaktaki IoT sensörleri, mobil robotik ve tüm uç bilişim senaryoları için onu çok uygun kılar.
Sonuç#
YOLOv6-3.0, eski TensorRT yapılandırmalarını çalıştıran ve yüksek verim gerektiren belirli endüstriyel ardışık düzenlerde yararlı olmaya devam etse de yeni projeler için Ultralytics YOLO26 önerilir. LLM'den ilham alan eğitim optimizasyonlarını (MuSGD) kullanıma sunan ve NMS son işlemesini isteğe bağlı hâle getiren YOLO26; esneklik, hız ve doğruluğu güçlü biçimde bir araya getirir. Kullanımı kolay Ultralytics ekosistemiyle birlikte geliştiricilerin en yeni görü uygulamalarını daha az çabayla oluşturup dağıtmasına yardımcı olur.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.