Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ve YOLO26#

Gerçek zamanlı nesne algılamanın evrimi, endüstriyel GPU işlem hacmi ile çok yönlü, uç cihazlar için optimize edilmiş mimariler arasındaki odağı sık sık kutuplaştıran etkileyici yenilikler getirdi. Bu kapsamlı karşılaştırmada, endüstriye odaklanan YOLOv6-3.0 ile yeni yayımlanan, yapısı gereği uçtan uca olan Ultralytics YOLO26 arasındaki farkları inceliyoruz.

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 Görsel Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, "endüstriyel uygulamalar için yeni nesil bir nesne algılayıcı" olarak tasarlandı. Yüksek hızlı çevrimdışı video analitiği için güçlü bir araç olmasını sağlayan bu model, ayrılmış GPU'lar gibi donanım hızlandırıcılarında işlem hacmini en üst düzeye çıkarmaya yoğun biçimde odaklanır.

Mimari Odak Noktası#

YOLOv6-3.0, özellik birleştirmeyi iyileştirmek için boyun kısmında bir Çift Yönlü Birleştirme (BiC) modülü ve buna ek olarak bir Anchor Destekli Eğitim (AAT) stratejisi kullanır. Sırt ağı, GPU çıkarımı için donanım dostu olacak şekilde tasarlanmış EfficientRep mimarisine dayanır. Bu, NVIDIA TensorRT kullanıldığında olağanüstü hız sağlasa da yoğun paralel işlem yetenekleri olmayan yalnızca CPU'lu veya uç cihazlarda daha yüksek gecikmeye yol açabilir.

YOLOv6-3.0 hakkında daha fazla bilgi edin

YOLO26: Uç Cihazlar ve Bulut için Yeni Standart#

Ocak 2026'da yayımlanan Ultralytics YOLO26, köklü bir paradigma değişimini temsil eder. Karmaşık son işleme adımlarından uzaklaşarak daha hızlı, daha küçük ve dağıtımı daha kolay olan birleşik, çok görevli bir çerçeveyi benimser.

Temel Mimari Atılımlar#

YOLO26, onu önceki nesillerden ayıran birçok öncü gelişme sunar:

  • Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 ile öncülüğü yapılan kavramlardan yararlanan YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını atlayan isteğe bağlı, uçtan uca bire bir bir başlık (nms=False) sunarak gecikme değişkenliğini büyük ölçüde azaltır ve dağıtım mantığını önemli ölçüde basitleştirir.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: Uç bilişim için özel olarak optimize edilen YOLO26, GPU bulunmayan cihazlarda üstün performans göstererek cep telefonları, IoT sensörleri ve robotik uygulamalar için ideal hâle gelir.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kayıp kaldırılarak modelin dışa aktarım süreci basitleştirilir ve düşük güç tüketimli uç cihazlarla uyumluluk artırılır.
  • MuSGD İyileştiricisi: Moonshot AI'nin Kimi K2'si gibi LLM eğitimi yeniliklerinden ilham alan yeni MuSGD iyileştiricisi (Stokastik Gradyan İnişi ve Muon'un birleşimi), görsel görevlerde büyük ölçekli kararlılık sağlayarak daha hızlı yakınsama sunar.
  • ProgLoss + STAL: Gelişmiş kayıp işlevleri, küçük nesnelerin tanınmasında kayda değer iyileştirmeler sağlar; bu, havadan görüntülerle ve yoğun sahnelerle çalışan uygulamalar için kritik bir gelişmedir.
Çok Görevli Özellikler

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.

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Verilerde görüldüğü gibi YOLO26 sürekli olarak daha üstün bir Performans Dengesi sağlar. Örneğin YOLO26n, parametrelerin ve FLOP'ların yaklaşık yarısını gerektirirken YOLOv6-3.0n modeline kıyasla mAP değerinde +3,4 artış sağlar.

Ultralytics Avantajı#

Model seçerken çevresindeki yazılım ekosistemini değerlendirmek gerekir. Ultralytics paketi, statik araştırma depolarına kıyasla belirgin avantajlar sunar:

  • Kullanım Kolaylığı: Ultralytics, geliştiricilere "sıfırdan uzmana" uzanan bir deneyim sunar. Birleşik Python API'si, kullanıcıların tek bir dize parametresini değiştirerek görevler ve modeller arasında geçiş yapmasını sağlar.
  • Bakımı Düzenli Yapılan Ekosistem: Ultralytics Platformu sayesinde geliştiriciler sürekli veri kümesi yönetimini, bulut eğitimini ve ONNX ile OpenVINO gibi biçimlere sorunsuz model dışa aktarımını destekleyen, düzenli olarak güncellenen bir ortama erişir.
  • Bellek Gereksinimleri: YOLO26, hem eğitim hem de çıkarım sırasında bellek gereksinimlerini önemli ölçüde azaltan son derece verimli bir eğitim yöntemine sahiptir. Bu yönüyle büyük miktarda CUDA belleği gerektiren RT-DETR gibi Transformer tabanlı mimarilere kıyasla avantajlıdır.
  • Çok Yönlülük: Algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB'yi yerel olarak destekleyen YOLO26, karmaşık ve çok görevli görsel uygulamalar için tek noktadan çözüm sunar.
Alternatifleri Keşfetme

Genel amaçlı bir makine öğrenimi işlem hattı oluşturuyor ve ekosistemdeki diğer sağlam seçenekleri keşfetmek istiyorsan Ultralytics YOLO11, kurumsal dağıtım için son derece 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 highly efficient, end-to-end 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,  # Utilizes 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 dağıtılmalı: Modern, ölçeklenebilir uygulamalar için tartışmasız en iyi seçenektir. CPU'da %43 daha hızlı çıkarımı ve NMS'siz mimarisi; drone analitiği, uzaktaki IoT sensörleri, mobil robotik ve katı güç kısıtları altında düşük gecikme ile yüksek doğruluğun birlikte gerektiği her türlü uç bilişim senaryosu için onu ideal kılar.

Sonuç#

YOLOv6-3.0, eski TensorRT yapılandırmalarını çalıştıran belirli, yüksek işlem hacimli endüstriyel işlem hatlarında hâlâ kullanışlı olsa da Ultralytics YOLO26, bilgisayarlı görünün geleceğini temsil eder. LLM'den ilham alan eğitim optimizasyonlarını (MuSGD) kullanıma sunan ve son işleme darboğazlarını ortadan kaldıran YOLO26, benzersiz esneklik, hız ve doğruluk sunar. Sağlam ve kullanımı kolay Ultralytics ekosistemiyle birleştiğinde geliştiricilerin son teknoloji görsel uygulamaları benzersiz bir kolaylıkla oluşturup dağıtmasını sağlar.

Katkıda Bulunanlar
GLglenn-jocher9PDpderrenger1

Yorumlar