YOLOv6-3.0 ve YOLOv10
Bilgisayarlı görü olgunlaştıkça en uygun modeli seçmek, geliştiriciler ve makine öğrenimi mühendisleri için kritik bir karara dönüştü. Nesne tespitinin ve Ultralytics YOLO modellerinin evrimini değerlendirirken farklı mimari yaklaşımlar arasındaki ödünleşimleri anlamak önemlidir. Bu kılavuz, endüstriyel ve uç dağıtımlar için farklı avantajlar sunan 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.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Kuruluş: Meituan
- Tarih: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Mimari Öne Çıkanlar#
YOLOv6-3.0'ın temelini donanım dostu tasarımı oluşturur. Çok ölçekli özellik birleştirmeyi güçlendirmek için boyun mimarisinde Çift Yönlü Birleştirme (BiC) modülü kullanır. Ayrıca ağ, eğitim sırasında çapa tabanlı algılayıcıların kararlılığını çapasız yaklaşımın çıkarım hızıyla birleştiren Çapa Destekli Eğitim (AAT) stratejisinden yararlanır.
EfficientRep omurgasıyla desteklenen bu model, T4 veya A100 GPU'lar gibi güçlü NVIDIA donanımlarında toplu işlemenin yaygın olduğu ağır üretim otomasyonu görevleri için uygundur. Sunucu kümelerinde iyi 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 Gerçek Zamanlı Tespit#
Bir yıldan uzun süre sonra kullanıma sunulan YOLOv10, geleneksel tespit ardışık düzenlerindeki en kalıcı darboğazlardan birini ele aldı: Non-Maximum Suppression (NMS) son işlemesi.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Tarih: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
Mimari Öne Çıkanlar#
YOLOv10'un alana en önemli katkısı uçtan uca NMS'siz tasarımıdır. Eğitim sırasında tutarlı çift atamalar kullanan bire bir başlık, her nesne için tek bir yüksek kaliteli sınırlayıcı kutu üretmeyi öğrenerek çıkarım sırasında sezgisel kurallara dayalı NMS işlemlerine duyulan ihtiyacı ortadan kaldırır (Ultralytics'te bu başlığı kullanmak için nms=False değerini ayarla). Bu, uç cihazlardaki uçtan uca çıkarım gecikmesini azaltır ve Neural Processing Units (NPUs) gibi cihazlarda dağıtım mantığını basitleştirir.
Ayrıca model, verimlilik ve doğruluğu bütünsel biçimde gözeten bir tasarım kullanır. Çeşitli bileşenleri optimize ederek hesaplama tekrarlarını azaltır. Bu, otonom araçlar ve uç robotik dâhil kaynakları kısıtlı ortamlar için modeli çok uygun hâle getirir.
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.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Analiz#
YOLOv10, karşılaştırılabilir her boyutta YOLOv6-3.0'dan daha yüksek ortalama hassasiyet (mAP) elde eder. Örneğin YOLOv10n, yalnızca 2,3 milyon parametreyle %38,5 mAP değerine ulaşırken YOLOv6-3.0n iki kattan fazla parametre kullanarak %37,5 puan alır. Ancak YOLOv6-3.0n, T4 GPU üzerinde yalnızca TensorRT çıkarım gecikmesini daha hızlı yönetir (1,17 ms); bu da paralel işlem donanımına göre optimize edildiğini gösterir.
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: 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.
Ultralytics'in Avantajı: Neden YOLO26'yı Seçmelisin#
YOLOv6-3.0 ve YOLOv10 sağlam temel mimariler sunsa da modern üretim ortamları yüksek doğruluğu kullanılabilirlikle birleştiren modeller gerektirir. Ultralytics YOLO26, bağımsız akademik sürümlerin eksik kaldığı noktaları bu şekilde geliştirir.
Ocak 2026'da yayımlanan YOLO26, etkin biçimde bakımı yapılan bir ekosistem içinde önceki modellerin yeniliklerini temel alır.
YOLO26'nın Temel Yenilikleri#
- Uçtan Uca NMS'siz Tasarım: YOLO modellerine YOLOv10 tarafından kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), NMS son işlemesini atlayarak üretime geçişi kolaylaştıran daha akıcı ve öngörülebilir çıkarım süreleri sunar. - MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli (LLM) optimizasyonlarından ilham alan bu SGD ve Muon hibriti, kararlı eğitim ve daha hızlı yakınsama sağlar.
- CPU Çıkarımında %43'e Varan Hız Artışı: Mimari sadeleştirmeler, YOLO26n modelinin CPU'da YOLO11n'den %43'e kadar daha hızlı çalışmasını sağlar; bu da IoT yongalarına ve tüketici sınıfı CPU'lara dağıtımı kolaylaştırır.
- DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, başlığın dışa aktarımını basitleştirerek OpenVINO veya NCNN gibi düşük güçlü dağıtım motorlarıyla uyumluluğu artırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, drone İHA operasyonları ve uzaktaki öznelerin izlenmesi için kritik önem taşıyan küçük nesne tanımayı iyileştirir.
Tek görevli depoların aksine Ultralytics ekosistemi; tespit, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti dâhil çok çeşitli görü görevlerini 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 daha az CUDA belleği kullanmalarıdır. Geliştiriciler YOLO26'ya tüketici sınıfı bir GPU'da veya ücretsiz bulut kaynakları aracılığıyla ince ayar yapabilir.
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
# YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde 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, toplu video işlemeye odaklanan ve yüksek verimli, GPU bakımından zengin sunucu arka uçları için uygun olmaya devam eder. YOLOv10 ise dengeli hassasiyet ve karmaşık uç entegrasyonu için daha elverişli, NMS'siz bir mimari sunar.
Ancak kapsamlı belgeler, Ultralytics Platform üzerinden bulut günlük kaydı ve çok görevli esneklikle güçlü performans arayan geliştiriciler için YOLO26 önerilen seçenektir.
Eski altyapı gereksinimleri için ekipler önceki nesil Ultralytics YOLO11 modelini inceleyebilir veya açık kelime dağarcıklı tespit için YOLO-World modelini değerlendirebilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.