YOLOv6-3.0 ve YOLOv5#

Gerçek zamanlı nesne algılamanın gelişimi, farklı dağıtım senaryoları için optimize edilmiş birçok mimarinin ortaya çıkmasını sağladı. Bu derinlemesine incelemede, endüstri odaklı YOLOv6-3.0 ile temel niteliğindeki, son derece çok yönlü Ultralytics YOLOv5 modellerini karşılaştırıyoruz. Her modelin mimari tercihlerini, performans ölçütlerini ve ekosistem desteğini anlamak, gerçek dünya uygulamaların için en uygun bilgisayarlı görü çerçevesini seçmene yardımcı olur.

YOLOv6-3.0: Endüstriyel İşlem Hacmi ve Donanım Optimizasyonu#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek işlem hacimli endüstriyel ortamlar için özel olarak tasarlandı. Özel NVIDIA GPU'ları gibi donanım hızlandırıcılarında kare hızını en üst düzeye çıkarmaya odaklanıyor.

• 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 sunuyor. Model, GPU çıkarımı sırasında donanım dostu olacak şekilde özel olarak tasarlanan EfficientRep omurgasını kullanıyor. Bu özellik, mimariyi çevrim dışı toplu işleme görevlerinde özellikle güçlü kılıyor.

Eğitim aşamasında model, Ankraj Destekli Eğitim (AAT) stratejisini kullanıyor. Bu yaklaşım, ankraj tabanlı eğitimin kararlılığını ankrajsız çıkarımın hızıyla birleştirmeye çalışıyor. Ayrıca boyun mimarisi, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için çift yönlü birleştirme (BiC) modülünü kullanıyor. TensorRT ile üst düzey sunucu GPU'ları için yüksek düzeyde optimize edilmiş olsa da bu uzmanlaşma, yalnızca CPU kullanan veya düşük güç tüketimli uç cihazlarda bazen gecikmeyi artırabiliyor.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Erişilebilir Görü AI'ın Öncüsü#

Ultralytics tarafından piyasaya sürülen YOLOv5; kullanım kolaylığı, eğitim verimliliği ve güvenilir dağıtım için yeni bir standart belirledi. Modern derin öğrenme iş akışlarıyla derin entegrasyon sağlayarak yüksek performanslı nesne algılamayı herkes için erişilebilir kıldı.

• 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 üzerinde geliştirilen 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 ayıklamaya daha az, uygulama geliştirmeye daha çok zaman ayırmasını sağlar.

YOLOv5 yalnızca nesne algılamayla sınırlı değildir. Görüntü sınıflandırmayı ve örnek segmentasyonunu yerel olarak destekleyerek olağanüstü Çok Yönlülük sunar. Ayrıca akıllı önbelleğe alma, otomatik veri yükleyiciler ve dağıtık çok GPU'lu eğitim için yerleşik destek içeren benzersiz Eğitim Verimliliği sağlar.

Performans ve Mimari Karşılaştırması#

Aşağıdaki tablo, standart COCO veri kümesinde değerlendirilen her iki mimarinin performans ölçütlerini gösteriyor. Modellerin farklı ortamlarda ortalama kesinlik ile çıkarım hızı arasındaki ödünleşimi nasıl dengelediğine dikkat et.

Analiz#

YOLOv6-3.0 etkileyici mAP puanlarına ulaşıyor ve T4 GPU'larında TensorRT işlem hatları için yoğun biçimde optimize ediliyor. Ancak YOLOv5, ONNX, CoreML ve LiteRT dâhil çeşitli biçimlere anında dışa aktarmayı destekleyen Bakımı İyi Yapılan Ekosistemi ile öne çıkıyor. Bu Performans Dengesi, YOLOv5'in yalnızca özel sunucularda değil, mobil cihazlarda ve Raspberry Pi gibi uç bilişim ortamlarında da güvenilir biçimde çalışmasını sağlıyor.

Kod Örneği: Ultralytics ile Sorunsuz Eğitim#

Ultralytics ekosisteminin en büyük avantajlarından biri, kullanıcı deneyimini basitleştirmesidir. Bir modeli eğitmek, değerlendirmek ve dışa aktarmak için yalnızca birkaç satır Python kodu yeterlidir.

from ultralytics import YOLO

# Önceden eğitilmiş küçük YOLOv5 modelini yükle
model = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Modeli COCO8 veri kümesinde eğit
# API, veri kümesi indirmelerini ve hiperparametre yapılandırmasını otomatik olarak yönetir
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir görüntü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")

# Esnek dağıtım için modeli ONNX biçimine aktar
model.export(format="onnx")

İdeal Kullanım Alanları ve Dağıtım Senaryoları#

Bu mimariler arasındaki seçim genellikle altyapına özgü kısıtlamalara bağlıdır:

• YOLOv6-3.0'ı ne zaman dağıtmalı: Özel NVIDIA GPU'larının bulunduğu ve gecikmenin en düşük düzeyde olması gereken otomatik üretim hatları ile yüksek işlem hacimli sunucu analitiği için idealdir. Mimarisi, TensorRT optimizasyonlarından tam anlamıyla yararlanılabilen ortamlarda üstün performans gösterir.
• YOLOv5'i ne zaman dağıtmalı: Hızlı prototipleme, platformlar arası dağıtım ve birleşik bir işlem hattı arayan ekipler için mükemmel seçimdir. Çeşitli dışa aktarma özellikleri, uç cihazlardaki perakende analitiği ve tarımsal drone izleme için modeli ideal kılar.

Nesne Algılamanın Geleceği: YOLO26#

YOLOv5 ve YOLOv6 önemli kilometre taşlarını temsil etse de bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan veya en gelişmiş çözümü arayan geliştiricilere Ultralytics YOLO26 (Ocak 2026'da yayımlandı) modeline yükseltmelerini önemle öneriyoruz.

YOLO26, çığır açan Uçtan Uca, NMS'siz Tasarım ile uç öncelikli görü AI yaklaşımını yeniden tanımlıyor. NMS'siz başlığı nms=False ile seçildiğinde Maksimum Olmayan Bastırma son işlemesini ortadan kaldırıyor; bu, dağıtım mantığını basitleştiriyor ve gecikme değişkenliğini önemli ölçüde azaltıyor.

YOLO26'daki başlıca yenilikler:

• MuSGD Optimizasyon Algoritması: SGD ile Muon'un bir hibriti; gelişmiş LLM eğitim kararlılığını daha hızlı ve güvenilir yakınsama için bilgisayarlı görüye taşıyor.
• %43'e Varan 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: Özellikle hava görüntüleri ve akıllı şehir IoT sensörleri için kritik olan küçük nesne tanımayı önemli ölçüde geliştiren gelişmiş kayıp fonksiyonları.

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

Sonuç#

Hem YOLOv6-3.0 hem de YOLOv5, gerçek zamanlı tespitin gelişmesinde önemli rol oynadı. YOLOv6-3.0, GPU hızlandırmalı yüksek veri işleme hızı için son derece özelleşmiş bir mimari sunarken YOLOv5; kapsamlı dokümantasyonu, kullanım kolaylığı ve çoklu görev yetenekleriyle benzersiz bir geliştirici deneyimi sunuyor.

Modern uygulamalarda, entegre Ultralytics ekosisteminden yararlanmak geleceğe hazır bir iş akışını garanti eder. YOLO26 gibi en yeni mimarileri benimseyerek dağıtım hatlarının hız, doğruluk ve algoritmik basitlik alanındaki en yeni atılımlardan yararlanmasını sağlarsın.