Link to this sectionYOLOv6-3.0 ve YOLOv5#

Gerçek zamanlı nesne algılamanın evrimi, farklı dağıtım senaryoları için optimize edilmiş birçok mimariyi beraberinde getirdi. Bu derinlemesine incelemede, iki önde gelen modeli karşılaştırıyoruz: endüstri odaklı YOLOv6-3.0 ve temel, oldukça çok yönlü Ultralytics YOLOv5. Her birinin mimari tercihlerini, performans ölçümlerini ve ekosistem desteğini anlamak, gerçek dünya uygulamaların için en uygun bilgisayarlı görü çerçevesini seçmene yardımcı olacaktır.

Link to this sectionYOLOv6-3.0: Endüstriyel Verimlilik ve Donanım Optimizasyonu#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek iş hacimli endüstriyel ortamlar için özel olarak tasarlanmıştır. Özel NVIDIA GPU'lar 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
• Dokümantasyon: YOLOv6 Dokümantasyonu

Link to this sectionMimari 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, bir Çapa Destekli Eğitim (AAT) stratejisi içerir. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını çapasız çıkarımın hızıyla birleştirmeye çalışır. Ayrıca boyun mimarisi, farklı ölçeklerde özellik füzyonunu iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü kullanır. TensorRT kullanan üst düzey sunucu GPU'ları için yüksek düzeyde optimize edilmiş olsa da, bu özelleşme bazen yalnızca CPU veya düşük güçlü uç cihazlarda gecikmenin artmasına neden olabilir.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionUltralytics 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

Link to this sectionEkosistem ve Çok Yönlülük#

YOLOv5'in belirleyici özelliği Kullanım Kolaylığıdır. PyTorch çerçevesi üzerine yerel olarak inşa edilen depo, makine öğrenimi yaşam döngüsünü ciddi şekilde basitleştiren birleşik bir Python API sağlar. Veri kümesi yapılandırmasından nihai dağıtıma kadar, entegre ekosistem geliştiricilerin ortam hatalarını ayıklamak için daha az, uygulama oluşturmak için daha fazla zaman harcamasını sağlar.

YOLOv5 sadece nesne algılama ile sınırlı değildir. Görüntü sınıflandırma ve örnek bölümleme desteği ile olağanüstü bir Çok Yönlülük sunar. Ayrıca, akıllı önbelleğe alma, otomatik veri yükleyiciler ve dağıtılmış çoklu GPU eğitimi için yerleşik destek ile benzersiz bir Eğitim Verimliliği sağlar.

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionPerformans ve Mimari Karşılaştırması#

Aşağıdaki tablo, standart COCO veri kümesi üzerinde değerlendirildiğinde her iki mimarinin performans ölçümlerini özetlemektedir. Modellerin farklı ortamlarda ortalama hassasiyet ve çıkarım hızı arasındaki dengeyi nasıl kurduğuna dikkat et.

Link to this sectionAnaliz#

YOLOv6-3.0 etkileyici mAP puanlarına ulaşır ve T4 GPU'larda TensorRT hatları için yoğun şekilde optimize edilmiştir. Ancak YOLOv5, ONNX, CoreML ve TFLite dahil olmak üzere birden fazla formata anında dışa aktarmayı destekleyen inanılmaz derecede İyi Bakılan Bir Ekosistem ile karşılık verir. Bu Performans Dengesi, YOLOv5'in yalnızca özel sunucularda değil, aynı zamanda mobil cihazlarda ve Raspberry Pi gibi uç bilişim ortamlarında da güvenilir bir şekilde çalışmasını sağlar.

Link to this sectionKod 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")

Link to this sectionİdeal 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 birleşik bir hat 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.

Link to this sectionNesne Algılamanın Geleceği: YOLO26 ile Tanış#

YOLOv5 ve YOLOv6 önemli dönüm noktalarını temsil etse de, bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan veya mutlak en son teknolojiyi arayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da piyasaya sürüldü) sürümüne yükseltmeni 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 de Ultralytics ailesi içinde mükemmel, tam destekli bir seçenek olmaya devam ediyor.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionSonuç#

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.