YOLOv6-3.0 ve YOLOv5#

Gerçek zamanlı nesne tespiti evrimi, farklı dağıtım senaryoları için optimize edilmiş birden fazla mimari görmüştür. Bu derinlemesine incelemede, sektör odaklı YOLOv6-3.0 ve temel, son derece çok yönlü Ultralytics YOLOv5 olmak üzere iki öne çıkan modeli karşılaştırıyoruz. Her birinin mimari seçimlerini, performans metriklerini ve ekosistem desteğini anlamak, gerçek dünya uygulamalarınız için en uygun computer vision çerçevesini seçmenize yardımcı olacaktır.

YOLOv6-3.0: Endüstriyel Verimlilik ve Donanım Optimizasyonu#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek veri hacimli endüstriyel ortamlara büyük ölçüde uyarlanmıştır. Özel NVIDIA GPU'lar gibi donanım hızlandırıcılarında kare hızlarını maksimize etmeye 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, özellikle GPU çıkarımı sırasında donanım dostu olması için geliştirilmiş bir EfficientRep omurgası kullanır. Bu, mimariyi çevrim dışı toplu işleme görevleri için özellikle güçlü kılar.

Eğitim aşamasında model, Anchor-Aided Training (AAT) stratejisini içerir. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını çapa içermeyen çıkarımın hızıyla birleştirmeye çalışır. Ek olarak, boyun mimarisi, farklı ölçeklerde özellik füzyonunu iyileştirmek için bir Bi-directional Concatenation (BiC) modülü kullanır. TensorRT kullanan üst düzey sunucu GPU'ları için son derece optimize edilmiş olsa da, bu uzmanlaşma bazen yalnızca CPU çalıştıran veya düşük güç tüketen uç cihazlarda gecikmenin artmasına neden olabilir.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Erişilebilir Bilgisayarlı Görünün Öncüsü#

Ultralytics tarafından yayınlanan YOLOv5, kullanım kolaylığı, eğitim verimliliği ve sağlam dağıtım konusunda yeni bir standart belirledi. Modern derin öğrenme iş akışlarıyla derinlemesine entegre olarak yüksek performanslı nesne algılamayı demokratikleştirdi.

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

Ekosistem ve Çok Yönlülük#

YOLOv5'in belirgin özelliği Kullanım Kolaylığı'dır. Doğrudan PyTorch çerçevesi üzerine inşa edilen depo, machine learning yaşam döngüsünü büyük ölçüde basitleştiren birleşik bir Python API sağlar. Veri kümesi yapılandırmasından nihai dağıtıma kadar, entegre ekosistem geliştiricilerin ortamları hata ayıklamakla daha az, uygulama oluşturmakla daha fazla zaman geçirmesini sağlar.

YOLOv5 yalnızca object detection ile sınırlı değildir. image classification ve instance segmentation desteğini yerel olarak barındıran olağanüstü bir Çok Yönlülük sergiler. Dahası, akıllı önbelleğe alma, otomatik veri yükleyicileri ve dağıtık çoklu GPU eğitimi için yerleşik destek sunarak benzersiz bir Eğitim Verimliliği sunar.

YOLOv5 hakkında daha fazla bilgi edin

Performans ve Mimari Karşılaştırması#

Aşağıdaki tablo, standart COCO dataset üzerinde değerlendirildiğinde her iki mimarinin performans metriklerini özetlemektedir. Modellerin farklı ortamlarda ortalama ortalama kesinlik ile çıkarım hızı arasındaki dengeyi nasıl kurduğuna dikkat edin.

Analiz#

YOLOv6-3.0 etkileyici mAP puanları elde eder ve T4 GPU'lardaki TensorRT işlem hatları için büyük ölçüde optimize edilmiştir. Ancak YOLOv5, ONNX, CoreML ve TFLite dahil olmak üzere birden fazla biçime anında dışarı aktarmayı destekleyen inanılmaz derecede İyi Bakımı Yapılan Bir Ekosistem ile karşılık verir. Bu Performans Dengesi, YOLOv5'in yalnızca özel sunucularda değil, aynı zamanda mobil cihazlarda ve Raspberry Pi gibi uç bilgi işlem ortamlarında da güvenilir bir şekilde performans göstermesini sağlar.

Kod Örneği: Ultralytics ile Kesintisiz Eğitim#

Ultralytics ekosisteminin en büyük avantajlarından biri, kolaylaştırılmış kullanıcı deneyimidir. Bir modeli eğitmek, değerlendirmek ve dışa aktarmak sadece birkaç satır Python kodu gerektirir.

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 Durumları ve Dağıtım Senaryoları#

Bu mimariler arasında seçim yapmak genellikle altyapı kısıtlamalarına bağlıdır:

• YOLOv6-3.0 ne zaman dağıtılmalı: Özel NVIDIA GPU'ların mevcut olduğu ve gecikmenin minimum olması gereken otomatik üretim hatları ve yüksek iş hacimli sunucu analitiği için idealdir. Mimarisi, TensorRT optimizasyonlarından tam olarak yararlanılabilecek ortamlarda başarılı olur.
• YOLOv5 ne zaman dağıtılmalı: Hızlı prototipleme, platformlar arası dağıtım ve birleştirilmiş bir işlem hattı arayan ekipler için mükemmel bir seçimdir. Çeşitli dışarı aktarma yetenekleri onu uç cihazlarda perakende analitiği, tarımsal drone izleme ve fitness uygulamalarında pose estimation için ideal kılar.

Nesne Algılamanın Geleceği: YOLO26 ile Tanış#

YOLOv5 ve YOLOv6 önemli kilometre taşlarını temsil ederken, bilgisayarlı görü alanı hızla ilerlemektedir. Yeni projeler başlatan veya mutlak son teknoloji arayan geliştiriciler için, Ultralytics YOLO26 sürümüne (Ocak 2026'da yayınlandı) yükseltmenizi şiddetle tavsiye ederiz.

YOLO26, çığır açan bir Uçtan Uca NMS-Free Tasarım sunarak uç odaklı görme yapay zekasını yeniden tanımlıyor. NMS (Non-Maximum Suppression) sonrası işlemeye olan ihtiyacı ortadan kaldırarak dağıtım mantığını basitleştirir ve gecikme varyansını önemli ölçüde azaltır.

YOLO26'daki temel yenilikler şunlardır:

• MuSGD Optimize Edici: SGD ve Muon'un bir melezi olup, daha hızlı ve daha güvenilir yakınsama için gelişmiş LLM eğitim kararlılığını bilgisayarlı görüye getirir.
• %43'e kadar Daha Hızlı CPU Çıkarımı: Özel hızlandırıcıları olmayan ortamlar için yoğun şekilde optimize edilmiştir.
• DFL Kaldırma: Dağıtım Odaklı Kaybın (Distribution Focal Loss) 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 artıran gelişmiş kayıp fonksiyonları.

Genel amaçlı görevler için YOLO11 da Ultralytics ailesi içinde mükemmel, tam destekli bir seçenek olmaya devam etmektedir.

YOLO26 hakkında daha fazla bilgi edin

Sonuç#

Hem YOLOv6-3.0 hem de YOLOv5, gerçek zamanlı algılamayı ilerletmede çok önemli roller oynadı. YOLOv6-3.0, GPU hızlandırmalı iş hacmi için oldukça uzmanlaşmış bir mimari sunarken, YOLOv5 kapsamlı dokümantasyonu, kullanım kolaylığı ve çoklu görev yetenekleri ile benzersiz bir geliştirici deneyimi sağlar.

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