Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ve YOLOv10#

Bilgisayarlı görü alanı giderek karmaşıklaştı ve bu durum, en uygun modeli seçmeyi geliştiriciler ile makine öğrenimi mühendisleri için kritik bir karara dönüştürdü. Nesne tespitinin ve Ultralytics YOLO modellerinin gelişimini değerlendirirken farklı mimari yaklaşımlar arasındaki ödünleşimleri anlamak önemlidir. Bu kılavuz, endüstriyel ve uç dağıtımlar için farklı avantajlar sunan iki model olan YOLOv6-3.0 ile YOLOv10 arasında kapsamlı bir teknik karşılaştırma sunar.

YOLOv6-3.0'ı İnceleyelim: Endüstriyel İşlem Hacmi için Tasarlandı#

Sunucu tarafındaki endüstriyel uygulamalarda işlem hacmini en üst düzeye çıkarmak için geliştirilen YOLOv6-3.0, özellikle GPU'lar olmak üzere donanım hızlandırıcılarında hızlı çıkarıma öncelik verir. Optimize edilmiş bir omurga kullanarak yüksek hızlı video işleme ile rekabetçi doğruluk arasında denge kurmayı amaçlar.

Mimari Öne Çıkanlar#

YOLOv6-3.0'ın temelinde donanım dostu tasarımı yatar. Çok ölçekli özellik füzyonunu iyileştirmek için boyun mimarisinde bir Çift Yönlü Birleştirme (BiC) modülü kullanır. Ayrıca ağ, eğitim sırasında çapa tabanlı algılayıcıların kararlılığını çapasız yaklaşımın çıkarım hızıyla ustaca harmanlayan bir Çapa Destekli Eğitim (AAT) stratejisinden yararlanır.

EfficientRep omurgasıyla güçlendirilen bu model, güçlü NVIDIA donanımlarında (T4 veya A100 GPU'lar gibi) toplu işlemenin standart olduğu zorlu üretim otomasyonu görevlerinde öne çıkar. Sunucu kümelerinde etkileyici performans gösterse de belirli donanım optimizasyonlarına dayanması, düşük güçlü uç CPU'larda verimliliğini azaltabilir.

YOLOv6 hakkında daha fazla bilgi edin

YOLOv10'u İnceleyelim: NMS'siz Öncü#

Bir yıldan uzun süre sonra tanıtılan YOLOv10, geleneksel tespit işlem hatlarındaki en kalıcı darboğazlardan biri olan maksimum olmayanların bastırılması (NMS) son işlem sorununu ele alarak yaklaşımı değiştirdi.

Mimari Öne Çıkanlar#

YOLOv10'un alana en önemli katkısı, uçtan uca NMS'siz tasarımıdır. Eğitim sırasında tutarlı çift atamalar kullanan ağ, her nesne için tam olarak bir yüksek kaliteli sınırlayıcı kutu üretmeye zorlanır ve çıkarım sırasında sezgisel yöntemlere dayalı NMS işlemlerine gerek kalmaz. Bu yenilik, uçtan uca çıkarım gecikmesini önemli ölçüde azaltır ve Nöral İşlem Birimleri (NPU) gibi uç cihazlardaki dağıtım mantığını büyük ölçüde basitleştirir.

Ayrıca model, verimlilik ve doğruluk odaklı bütüncül bir tasarıma sahiptir. YOLOv10, çeşitli katmanları kapsamlı biçimde optimize ederek hesaplama fazlalığını büyük ölçüde azaltır. Bu sayede otonom araçlar ve uç robotik sistemleri dâhil olmak üzere kaynakların kısıtlı olduğu ortamlar için son derece uygundur.

YOLOv10 hakkında daha fazla bilgi edin

Ayrıntılı Performans Karşılaştırması#

Bu modelleri kıyaslarken performans genellikle doğruluk, hız ve parametre verimliliği açısından ölçülür. Aşağıdaki tablo, bu mimarilerin farklı ölçeklerinin 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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Analiz#

YOLOv10, eşdeğer boyut kategorilerinde YOLOv6-3.0'a kıyasla tutarlı biçimde daha yüksek ortalama hassasiyet (mAP) elde eder. Örneğin YOLOv10n, yalnızca 2,3 milyon parametreyle %38,5 mAP değerine ulaşırken YOLOv6-3.0n, parametre sayısının iki katından fazlasını kullanarak %37,5 puan alır. Ancak YOLOv6-3.0n, T4 GPU'da (1,17 ms) daha düşük saf TensorRT çıkarım gecikmesi elde ederek paralel işleme donanımı için derinlemesine optimize edildiğini gösterir.

Dağıtımda Dikkat Edilmesi Gerekenler

GPU'daki ham gecikme ölçümleri mikro kıyaslamalarda YOLOv6'yı az farkla öne çıkarabilse de YOLOv10'un NMS'siz yapısı, özellikle son işlemenin CPU'yu darboğaza sokabildiği uç donanımlarda, gerçek dünyadaki uçtan uca işlem hattı hızlarını çoğu zaman artırır.

Kullanım Alanları ve Öneriler#

YOLOv6 ve YOLOv10 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.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

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.

Ultralytics'in Avantajı: YOLO26 Neden Daha Üstün Bir Seçenek?#

YOLOv6-3.0 ve YOLOv10 sağlam temel mimariler sunsa da modern üretim ortamları, en yüksek doğruluğu olağanüstü kullanılabilirlikle birleştiren modeller gerektirir. Ultralytics YOLO26 model çerçevesi, bağımsız akademik sürümlerden temelde bu noktada daha iyi performans gösterir.

Ocak 2026'da yayımlanan YOLO26, önceki yılların en iyi yeniliklerini titizlikle sürdürülen bir ekosistemde bir araya getirir.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramı temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), NMS son işlemesini atlayarak daha akıcı ve öngörülebilir çıkarım süreleri sağlar ve üretime geçişi büyük ölçüde kolaylaştırır.
  • MuSGD Optimize Edici: Moonshot AI'nin Kimi K2 modeli gibi büyük dil modeli optimizasyonlarından esinlenen SGD ve Muon hibriti, son derece kararlı eğitim ve çok daha hızlı yakınsama sağlar.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç cihazlar için YOLO26, mimariyi özel olarak sadeleştirerek IoT çiplerine ve tüketici CPU'larına dağıtımda çok daha üstün performans sunar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, başlığın dışa aktarımını kolaylaştırır ve OpenVINO veya NCNN gibi düşük güçlü dağıtım motorlarıyla uyumluluğu büyük ölçüde artırır.
  • ProgLoss + STAL: Gelişmiş kayıp formülasyonları, drone İHA operasyonları ve uzaktaki nesnelerin takibi için kritik olan küçük nesne tanıma hassasiyetini belirgin biçimde artırır.

Tek görevli depoların aksine Ultralytics ekosistemi, sınırlayıcı kutu tespiti, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini dâhil çok çeşitli görsel görevleri kutudan çıktığı gibi destekler.

Eğitim Verimliliği ve Bellek Optimizasyonu#

Ultralytics YOLO modellerinin karmaşık RT-DETR gibi Transformer tabanlı mimarilere kıyasla önemli bir avantajı, eğitim sırasında CUDA belleğini son derece az kullanmalarıdır. Geliştiriciler YOLO26'da tüketici sınıfı bir GPU'da veya ücretsiz bulut kaynakları üzerinden rahatlıkla ince ayar yapabilir ve böylece yapay zekâ geliştirmeyi önemli ölçüde demokratikleştirebilir.

Kod Örneği: YOLO26 ile Başlangıç#

Ultralytics Python API'sinin sunduğu kullanım kolaylığı, modelleri yalnızca birkaç satır kodla yüklemene, eğitmene ve test etmene olanak tanır.

from ultralytics import YOLO

# En yeni YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Doğrulama verilerinde model performansını değerlendir
metrics = model.val()

# Hedef görüntüde gerçek zamanlı, NMS'siz çıkarım yap
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Platformlar arası dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Sonuç ve Alternatif Seçenekler#

YOLOv6-3.0 ile YOLOv10 arasında seçim yaparken karar, dağıtım ortamına bağlıdır. YOLOv6-3.0, video toplu işlemeye odaklanan ve yüksek işlem hacmi sunan, GPU açısından zengin sunucu arka uçları için hâlâ geçerlidir. YOLOv10 ise dengeli hassasiyet ve karmaşık uç entegrasyonu için daha uygun, daha akıllı ve NMS'siz bir mimari sunar.

Ancak kapsamlı belgeler, Ultralytics Platform üzerinden bulut günlük kaydı ve çoklu görev esnekliğiyle ödün vermeyen performans arayan geliştiriciler için kesin önerimiz YOLO26'dır.

Eski altyapı gereksinimleri olan ekipler, önceki nesil Ultralytics YOLO11 modelini de değerlendirebilir veya özgün açık kelime dağarcıklı tespit yetenekleri için YOLO-World modelini inceleyebilir.

Katkıda Bulunanlar
GLglenn-jocher20PDpderrenger1

Yorumlar