Başla

YOLOv6-3.0 ve YOLOv5

Bilgisayarlı görü mimarilerinin gelişimi, farklı dağıtım senaryoları için optimize edilmiş birçok modeli beraberinde getirdi. Bu karşılaştırma, sektör odaklı YOLOv6-3.0 ile temel niteliğindeki, son derece esnek Ultralytics YOLOv5 modellerini ele alıyor. 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 sunar. Model, GPU çıkarımı sırasında donanım dostu olacak şekilde özel olarak tasarlanmış bir EfficientRep omurgası kullanır. Bu sayede mimari, çevrimdışı toplu işleme görevleri için uygundur.

Model, eğitim aşamasında Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını çapasız çıkarımın hızıyla birleştirir. Ayrıca boyun mimarisi, farklı ölçeklerdeki özellik birleştirmeyi iyileştirmek için bir Çift Yönlü Birleştirme (BiC) modülü kullanır. TensorRT kullanan üst düzey sunucu GPU'ları için yüksek düzeyde optimize edilmiş olsa da bu uzmanlaşma, yalnızca CPU kullanan veya düşük güç tüketimli uç cihazlarda bazen gecikmenin artmasına yol açabilir.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Erişilebilir Görü AI'ın Öncüsü#

Ultralytics tarafından 2020'de yayımlanan YOLOv5; kullanım kolaylığı, eğitim verimliliği ve dağıtım seçenekleri sayesinde yaygın biçimde benimsendi. Modern derin öğrenme iş akışlarıyla yakın entegrasyon sağlayarak yüksek performanslı nesne algılamayı erişilebilir hâle getirdi.

Ekosistem ve Çok Yönlülük#

YOLOv5'in belirleyici özelliği Kullanım Kolaylığıdır. Doğrudan PyTorch çerçevesi üzerinde oluşturulan depo, makine öğrenimi yaşam döngüsünü basitleştiren birleşik bir Python API'si sunar. Veri kümesi yapılandırmasından son dağıtıma kadar tümleşik ekosistem, geliştiricilerin ortam sorunlarını ayıklamaya daha az, uygulama geliştirmeye daha çok zaman ayırmasını sağlar.

YOLOv5 yalnızca nesne algılama ile sınırlı değildir. Esneklik sunarak örnek segmentasyonunu ve görüntü sınıflandırmasını yerel olarak destekler; ayrıca akıllı önbelleğe alma, otomatik veri yükleyiciler ve dağıtık çoklu GPU eğitimi için yerleşik destek sayesinde Eğitim Verimliliği sağlar.

Ultralytics Modellerinde Bellek Verimliliği

Model mimarilerini karşılaştırırken bellek tüketimi kritik bir etkendir. Ultralytics YOLO modelleri, eğitim ve çıkarım sırasında ağır Transformer modellerine kıyasla daha az VRAM gerektirir. Böylece tüketici sınıfı donanım veya Google Colab gibi bulut not defterleri kullanan geliştiriciler için erişilebilir hâle gelir.

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.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Analiz#

YOLOv6-3.0, benzer boyutlarda daha yüksek mAP elde eder ve T4 GPU'larda TensorRT işlem hatları için yoğun biçimde optimize edilmiştir. Ancak YOLOv5, ONNX, CoreML ve LiteRT dâhil olmak üzere birden fazla biçime doğrudan dışa aktarmayı destekleyen İyi Bakımı Yapılan Bir Ekosistem sunar. Bu Performans Dengesi, YOLOv5'in yalnızca özel sunucularda değil, mobil cihazlarda ve Raspberry Pi gibi uç bilişim ortamlarında da güvenilir biçimde çalışmasını sağlar.

Kod Örneği: Ultralytics ile Eğitim#

Ultralytics ekosisteminin temel avantajlarından biri, kolaylaştırılmış kullanıcı deneyimidir. Bir modeli eğitmek, değerlendirmek ve dışa aktarmak için yalnızca birkaç satır Python 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 ne zaman dağıtılmalı: Hızlı prototipleme, platformlar arası dağıtım ve birleşik bir işlem hattı arayan ekipler için güçlü bir seçenektir. Çeşitli dışa aktarma özellikleri, modeli uç cihazlardaki perakende analitiği ve tarımsal drone izleme uygulamalarına uygun hâle getirir.

Nesne Algılamanın Geleceği: YOLO26#

YOLOv5 ve YOLOv6 önemli kilometre taşları olsa da bilgisayarlı görü alanı hızla gelişiyor. Yeni projelere başlayan veya son teknoloji ürünü performans arayan geliştiriciler için Ultralytics, Ultralytics YOLO26 modeline yükseltme yapmayı öneriyor (Ocak 2026'da yayımlandı).

YOLO26, önceliği uç cihazlar olan görsel yapay zekâ uygulamaları için tasarlanmıştır ve isteğe bağlı Uçtan Uca, NMS'siz Tasarım sunar. nms=False ile NMS'siz başlığı seçildiğinde Non-Maximum Suppression son işlem adımını atlar; böylece dağıtım mantığını basitleştirir ve gecikme değişkenliğini azaltır.

YOLO26'daki başlıca yenilikler:

  • MuSGD Optimizatörü: SGD ile Muon'un melezi olan bu yöntem, büyük dil modeli (LLM) eğitiminin kararlılığını bilgisayarlı görüye taşıyarak daha hızlı ve güvenilir yakınsama sağlar.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu, özel hızlandırıcı bulunmayan ortamlarda fayda sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç cihazlarla uyumluluğu artırır.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama, hava görüntüleri ve akıllı şehir IoT sensörleri için kritik olan küçük nesnelerin tanınmasını iyileştirir.

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

Sonuç#

YOLOv6-3.0 ve YOLOv5, gerçek zamanlı algılamanın gelişmesinde önemli roller oynadı. YOLOv6-3.0, GPU hızlandırmalı iş hacmi için son derece uzmanlaşmış bir mimari sunarken YOLOv5; kapsamlı belgeleri, kullanım kolaylığı ve çoklu görev özellikleriyle güçlü bir geliştirici deneyimi sağlar.

Modern uygulamalar için tümleşik Ultralytics ekosistemi, etkin biçimde bakımı yapılan bir iş akışı sunar. YOLO26 gibi en yeni mimarileri benimseyerek dağıtım işlem hatlarında hız, doğruluk ve basitlik alanlarındaki güncel iyileştirmelerden yararlanabilirsin.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.