YOLOv6-3.0 ve YOLOv5#

Gerçek zamanlı nesne tespitinin evrimi, farklı dağıtım senaryoları için optimize edilmiş birden çok mimarinin ortaya çıkmasını sağladı. Bu kapsamlı incelemede, öne çıkan iki modeli karşılaştırıyoruz: endüstri odaklı YOLOv6-3.0 ve temel oluşturan, son derece çok yönlü Ultralytics YOLOv5. Her birinin mimari tercihlerini, performans metriklerini ve ekosistem desteğini anlamak, gerçek dünya uygulamaların için en uygun bilgisayarlı görü çerçevesini seçmene yardımcı olur.

YOLOv6-3.0: Endüstriyel Verimlilik ve Donanım Optimizasyonu#

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek verimli endüstriyel ortamlar için kapsamlı biçimde uyarlanmıştır. Özel NVIDIA GPU'ları gibi donanım hızlandırıcılarında kare hızlarını en üst düzeye çıkarmaya odaklanır.

• 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 Güçlü Yönler#

YOLOv6-3.0, hız için tasarlanmış çeşitli yapısal optimizasyonlar sunar. Model, GPU çıkarımı sırasında donanımla uyumlu olacak şekilde özel olarak tasarlanmış bir EfficientRep omurgası kullanır. Bu da mimariyi özellikle çevrim dışı toplu işleme görevleri için güçlü kılar.

Eğitim aşamasında model, bir Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını çapasız çıkarımın hızıyla birleştirmeyi amaçlar. Ayrıca boyun mimarisi, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için bir Çift Yönlü Birleştirme (BiC) modülü kullanır. TensorRT kullanan üst düzey sunucu GPU'ları için oldukça optimize edilmiş olsa da bu uzmanlaşma, yalnızca CPU kullanan veya düşük güçlü uç cihazlarda bazen gecikmenin artmasına yol açabilir.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Erişilebilir Görsel Yapay Zekânın Öncüsü#

Ultralytics tarafından yayımlanan YOLOv5; kullanım kolaylığı, eğitim verimliliği ve sağlam dağıtım için yeni bir standart belirledi. Modern derin öğrenme iş akışlarıyla derinlemesine bütünleşerek yüksek performanslı nesne tespitini herkes için erişilebilir hâle getirdi.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: ultralytics/yolov5
• Platform: Ultralytics Platform

Ekosistem ve Çok Yönlülük#

YOLOv5'in belirleyici özelliği Kullanım Kolaylığıdır. Yerel olarak PyTorch çerçevesi üzerine kurulan depo, makine öğrenimi yaşam döngüsünü büyük ölçüde basitleştiren birleşik bir Python API'si sunar. Veri kümesi yapılandırmasından son dağıtıma kadar entegre ekosistem, geliştiricilerin ortam hatalarını ayıklamak için daha az, uygulamalar geliştirmek için daha fazla zaman harcamasını sağlar.

YOLOv5 yalnızca nesne tespiti ile sınırlı değildir. Yerel olarak görüntü sınıflandırmayı ve örnek bölümlemeyi destekleyerek olağanüstü Çok Yönlülük sunar. Ayrıca akıllı önbelleğe alma, otomatik veri yükleyiciler ve dağıtık çoklu GPU eğitimi için yerleşik destek içeren eşsiz Eğitim Verimliliği sağlar.

Performans ve Mimari Karşılaştırması#

Aşağıdaki tablo, her iki mimarinin standart COCO veri kümesi üzerinde değerlendirildiğindeki performans metriklerini gösterir. Modellerin farklı ortamlarda ortalama kesinlik ile çıkarım hızı arasındaki dengeyi nasıl kurduğuna dikkat et.

Analiz#

YOLOv6-3.0 etkileyici mAP skorlarına ulaşır ve T4 GPU'larda TensorRT işlem hatları için kapsamlı biçimde optimize edilmiştir. Ancak YOLOv5, ONNX, CoreML ve TFLite dahil olmak üzere birden çok biçime anında dışa aktarmayı destekleyen son derece İyi Bakımı Yapılan Bir Ekosistem ile buna karşılık verir. Bu Performans Dengesi, YOLOv5'in yalnızca özel sunucularda değil, mobil cihazlarda ve Raspberry Pi gibi uç bilişim ortamlarında da güvenilir şekilde çalışmasını sağlar.

Kod Örneği: Ultralytics ile Sorunsuz Eğitim#

Ultralytics ekosisteminin en büyük avantajlarından biri, kolaylaştırılmış kullanıcı deneyimidir. Bir modeli eğitmek, değerlendirmek ve dışa aktarmak için yalnızca birkaç satır Python gerekir.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
# The API automatically handles dataset downloads and hyperparameter configuration
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

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

# Export the model to ONNX format for flexible deployment
model.export(format="onnx")

İdeal Kullanım Alanları ve Dağıtım Senaryoları#

Bu mimariler arasındaki seçim genellikle özel altyapı kısıtlarına bağlıdır:

• YOLOv6-3.0 ne zaman dağıtılmalı: Özel NVIDIA GPU'larının mevcut olduğu ve gecikmenin en düşük düzeyde tutulması gereken otomatik üretim hatları ile yüksek verimli sunucu analitiği için idealdir. Mimarisi, TensorRT optimizasyonlarından tam olarak yararlanılabilen ortamlarda en iyi şekilde çalışır.
• YOLOv5 ne zaman dağıtılmalı: Hızlı prototipleme, platformlar arası dağıtım ve birleşik bir işlem hattı arayan ekipler için mükemmel bir seçimdir. Çeşitli dışa aktarma yetenekleri, onu uç cihazlarda perakende analitiği, tarımsal drone izleme ve fitness uygulamalarında poz tahmini için ideal kılar.

Nesne Tespitinin Geleceği: YOLO26 ile Tanışın#

YOLOv5 ve YOLOv6 önemli dönüm noktalarını temsil etse de bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan veya en ileri teknolojiye ulaşmak isteyen geliştiricilere Ultralytics YOLO26 sürümüne (Ocak 2026'da yayımlandı) yükseltmelerini önemle öneriyoruz.

YOLO26, çığır açan Uçtan Uca NMS'siz Tasarım sunarak uç öncelikli görsel yapay zekâyı yeniden tanımlar. Maksimum Olmayan Bastırma son işleme adımına duyulan ihtiyacı ortadan kaldırarak dağıtım mantığını basitleştirir ve gecikme değişkenliğini büyük ölçüde azaltır.

YOLO26'daki temel yenilikler şunlardır:

• MuSGD Optimize Edicisi: SGD ile Muon'un bir hibriti olan bu optimize edici, daha hızlı ve daha güvenilir yakınsama için gelişmiş LLM eğitim kararlılığını bilgisayarlı görüye taşır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel hızlandırıcıların bulunmadığı ortamlar için kapsamlı biçimde optimize edilmiştir.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç cihazlarla uyumluluğu artırır.
• ProgLoss + STAL: Hava görüntüleri ve akıllı şehir IoT sensörleri için kritik olan küçük nesne tanımayı önemli ölçüde geliştiren gelişmiş kayıp işlevleri.

Genel amaçlı görevler için YOLO11, Ultralytics ailesinde tam olarak desteklenen mükemmel bir seçenek olmaya devam ediyor.

Sonuç#

Hem YOLOv6-3.0 hem de YOLOv5, gerçek zamanlı tespitin ilerlemesinde önemli roller oynadı. YOLOv6-3.0, GPU hızlandırmalı verimlilik için son derece uzmanlaşmış bir mimari sunarken YOLOv5, kapsamlı belgeleri, kullanım kolaylığı ve çoklu görev yetenekleri sayesinde eşsiz bir geliştirici deneyimi sağlar.

Modern uygulamalar için entegre Ultralytics ekosisteminden yararlanmak, geleceğe hazır bir iş akışını garanti eder. YOLO26 gibi en yeni mimarileri benimseyerek dağıtım işlem hatlarının hız, doğruluk ve algoritmik basitlik alanlarındaki en son gelişmelerden yararlanmasını sağlarsın.