YOLOv6.0 ve YOLO26: Gerçek Zamanlı Nesne Algılamanın Evrimi

Bilgisayar görüşünün manzarası, mimari atılımların hem uç cihazlarda hem de bulut sunucularında mümkün olanları sürekli olarak yeniden tanımladığı hızlı bir evrimle şekillenmektedir. Bu karşılaştırma, bu yolculuktaki iki önemli dönüm noktasını incelemektedir: Meituan'ın sağlam endüstriyel dedektörü YOLOv6.YOLOv6 ve uçtan uca verimlilik için Ultralytics en son teknoloji ürünü modeli YOLO26.

YOLOv6.0: Endüstriyel Çalışma Atı

2023 yılının başında piyasaya sürülen YOLOv6. YOLOv6, tek bir odak noktası ile tasarlandı: endüstriyel uygulama. Meituan'daki araştırmacılar, bu modeli özellikle GPU için optimize ederek, NVIDIA T4 gibi donanımlarda çalışan yüksek hızlı üretim ve otomatik denetim sistemleri için popüler bir seçim haline getirdi.

YOLOv6.YOLOv6 Genel Bakış
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: YOLOv6 .0: Tam Ölçekli Yeniden Yükleme
GitHub: YOLOv6

Temel Özellikler ve Güçlü Yönler

YOLOv6'ın mimarisi, Çift Yönlü Birleştirme (BiC) modülünü ve bağlantı noktası destekli eğitim (AAT) stratejisini kullanır. Temel gücü, RepVGG tarzı backbone yatmaktadır. Bu backbone, modelin eğitim sırasında karmaşık dallanmalara sahip olmasını, ancak çıkarım sırasında basit ve hızlı bir yapıya dönüşmesini sağlar.

GPU : Model, TensorRT için büyük ölçüde ayarlanmıştır. TensorRT dağıtımı için büyük ölçüde ayarlanmıştır ve özel GPU sahip senaryolarda üstün performans gösterir.
Kuantizasyona Uyumlu: INT8 hassasiyetine sıkıştırıldığında bile yüksek doğruluğu korumak için kuantizasyona duyarlı eğitim (QAT) teknikleri getirmiştir.
Endüstriyel Odak: Gecikme sürelerinin sıkı olduğu, ancak donanımın güçlü olduğu pratik ortamlar için özel olarak tasarlanmıştır.

Ancak, GPU odaklanılması, YOLOv6. YOLOv6 daha geniş kenar uyumluluğu için tasarlanmış yeni modellere kıyasla, CPU cihazlarda daha az verimli olabileceği anlamına gelir.

YOLOv6 hakkında daha fazla bilgi edinin.

YOLO26: Uçtan Uca Kenar Devrimi

2026 yılının Ocak ayında piyasaya sürülen Ultralytics , algılama mimarisinde bir paradigma değişikliğini temsil ediyor. Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak, YOLO26 tüm dağıtım sürecini kolaylaştırıyor ve gecikme varyansını azaltan ve entegrasyonu basitleştiren yerel bir uçtan uca deneyim sunuyor.

YOLO26 Genel Bakış
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
Belgeler: Ultralytics Belgeleri
GitHub: ultralytics

Çığır Açan Özellikler

YOLO26, üstün performans elde etmek için hem bilgisayar görüşü hem de Büyük Dil Modeli (LLM) eğitiminden yenilikleri bir araya getirir:

Uçtan Uca NMS Tasarım: YOLOv10'un mirasını temel alarak YOLOv10YOLO26, NMS ortadan kaldırır. Bu, daha hızlı, deterministik çıkarım hızları sağlar ve dağıtım mantığını basitleştirir.
MuSGD Optimizer: Moonshot AI'nın Kimi K2'sinden esinlenilen bu SGD Muon melezi, LLM eğitiminin istikrarını görme görevlerine taşıyarak daha hızlı yakınsama sağlar.
CPU Hızı: Dağıtım Odak Kaybı (DFL) özelliğinin kaldırılması ve optimize edilmiş mimari seçimleri sayesinde YOLO26, CPU'larda %43'e varan hız artışı sağlayarak IoT, mobil ve robotik alanları için ideal bir seçim haline gelmiştir.
ProgLoss + STAL: Gelişmiş kayıp fonksiyonları (Programatik Kayıp ve Yumuşak Hedef Bağlantı Kayıp), hava görüntüleme ve güvenlik için kritik bir gereklilik olan küçük nesne algılamasını önemli ölçüde iyileştirir.

YOLO26 hakkında daha fazla bilgi edinin

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, iki mimari arasındaki performans farklarını göstermektedir. YOLOv6. YOLOv6, GPU'larda rekabet gücünü korurken, YOLO26 özellikle CPU ve parametre kullanımında üstün verimlilik sergilemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

Verileri Analiz Etme

YOLO26, eşdeğer YOLOv6 yaklaşık yarısı kadar parametre ve FLOP ile önemli ölçüde daha yüksek doğruluk (mAP) elde eder. Örneğin, YOLO26s sadece 9,5 milyon parametre mAP 48,6 mAP ulaşırken, YOLOv6. YOLOv6 45,0 mAP ulaşmak için 18,5 milyon parametre gerektirir.

Mimari Derinlemesine İnceleme

Bu iki model arasındaki temel fark, tahmin ve optimizasyona yaklaşımlarında yatmaktadır.

YOLOv6.0: GPU'lar için geliştirildi

YOLOv6 , GPU'larda yüksek düzeyde paralelleştirilebilir olan EfficientRep BackboneYOLOv6 . Eğitimi stabilize etmek için çapa tabanlı ve çapa içermeyen paradigmaları birleştiren çapa destekli bir eğitim stratejisi kullanır. 3x3 konvolüsyonlara yoğun bir şekilde dayanması, NVIDIA gibi bu işlemleri hızlandıran donanımlarda inanılmaz derecede hızlı olmasını sağlar, ancak bu yapı, belirli optimizasyonlara sahip olmayan CPU'larda veya NPU'larda hesaplama açısından maliyetli olabilir.

YOLO26: Her Platform için Optimize Edilmiştir

YOLO26 daha evrensel bir yaklaşım benimser. Dağıtım Odak Kaybı (DFL) modülünü kaldırarak, çıktı katmanı basitleştirilir ve bu da aşağıdaki formatlara aktarımda yardımcı olur CoreML ve TFLitegibi formatlara aktarılmasına yardımcı olur.

Uçtan uca NMS tasarım, öne çıkan özelliktir. Geleneksel nesne algılayıcıları, NMS tarafından filtrelenmesi gereken binlerce üst üste binen kutu üretir. Bu işlem, gömülü hızlandırıcılar üzerinde yavaş ve optimize edilmesi zor bir işlemdir. YOLO26, eğitim sırasında modeli nesne başına tek bir doğru kutu tahmin etmeye zorlayan çift atama stratejisi kullanır ve bu sayede çıkarım sırasında NMS gerek kalmaz.

Ultralytics'in Avantajı

YOLOv6. YOLOv6, etkileyici bir açık kaynak deposu olsa da, Ultralytics tercih etmek, tüm AI yaşam döngüsünü basitleştiren kapsamlı bir ekosisteme erişim sağlar.

1. Kesintisiz Kullanıcı Deneyimi

Ultralytics , geliştirici deneyimini Ultralytics . CLI Python kullanıyor olsanız da, SOTA modelini eğitmek sadece birkaç satır kod gerektirir. Bu "sıfırdan kahramana" iş akışı, genellikle karmaşık ortam kurulumları ve manuel veri biçimlendirme gerektiren araştırma depolarıyla tezat oluşturur.

from ultralytics import YOLO

# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer automatically engaged
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

2. Eşsiz Çok Yönlülük

YOLOv6.YOLOv6 öncelikle bir nesne algılama modelidir. Buna karşılık, Ultralytics çok çeşitli görme görevlerini destekler. Proje gereksinimleriniz algılamadan örnek segmentasyonuna veya poz tahminine kayarsa, iş akışınızı veya kitaplığınızı değiştirmeden görevler arasında geçiş yapabilirsiniz.

3. Eğitim Verimliliği ve Hafıza

Ultralytics , donanım kısıtlamalarına uygun olarak optimize edilmiştir. YOLO26, eski mimarilere veya RT-DETR gibi transformatör tabanlı hibritlere kıyasla, eğitim sırasında genellikle daha az CUDA gerektirir. RT-DETRgibi dönüştürücü tabanlı hibritlere kıyasla daha az CUDA belleği gerektirir. Bu, geliştiricilerin tüketici sınıfı GPU'larda daha büyük parti boyutlarını eğitmelerine olanak tanıyarak araştırma döngüsünü hızlandırır.

4. Sağlam Ekosistem

Ultralytics (eski adıyla HUB), veri kümelerini yönetmek, bulutta modeller eğitmek ve uç cihazlara dağıtmak için web tabanlı bir arayüz sunar. Aşağıdakilerle entegrasyonlarla birleştirildiğinde Weights & Biases, MLflow ve diğerleriyle entegrasyonlarla birleştiğinde, YOLO26 modern MLOps boru hatlarına doğal bir şekilde uyum sağlar.

Sonuç: Hangi Modeli Seçmelisiniz?

Aşağıdaki durumlarda YOLOv6.0'ı seçin:

Yalnızca NVIDIA veya V100 GPU'larda dağıtım yapıyorsunuz.
RepVGG mimarisi etrafında özel olarak oluşturulmuş bir miras boru hattınız var.
Uygulamanız, CPU önemsiz olduğu kontrollü bir endüstriyel ortamda tamamen nesne algılama ile ilgilidir.

YOLO26'yı seçin eğer:

Çeşitli donanımlarda (CPU, GPU, NPU, Mobil) hız ve doğruluk arasında en iyi dengeye ihtiyacınız var.
Daha basit dağıtım mantığı için uçtan uca NMS çıkarım gerektirirsiniz.
Raspberry Pi, Jetson Nano veya CPU kritik öneme sahip olduğu cep telefonları gibi uç cihazlar üzerinde çalışıyorsunuz.
Aktif bakım, dokümantasyon ve gelişen bir topluluk tarafından desteklenen, geleceğe dönük bir çözüme ihtiyacınız var.
Projeniz, algılama ile birlikte OBB veya segmentasyon gibi karmaşık görevleri içermektedir.

Günümüzde yeni projelere başlayan çoğu geliştirici ve işletme için YOLO26, üstün çok yönlülük, kullanım kolaylığı ve performans sunarak yeni nesil bilgisayar görme uygulamaları için önerilen seçimdir.