YOLOv6-3.0 ve YOLOv5: Kapsamlı Teknik Karşılaştırma

Gerçek zamanlı nesne algılamanın evrimi, farklı dağıtım senaryoları için optimize edilmiş birden fazla mimariye tanık olmuştur. Bu derinlemesine incelemede, iki öne çıkan modeli karşılaştırıyoruz: endüstri odaklı YOLOv6-3.0 ve temel, son derece çok yönlü Ultralytics YOLOv5. Her birinin mimari seçimlerini, performans metriklerini ve ekosistem desteğini anlamak, gerçek dünya uygulamalarınız için en uygun bilgisayar görüşü çerçevesini seçmenize yardımcı olacaktır.

YOLOv6-3.0: Endüstriyel Verim ve Donanım Optimizasyonu

Meituan Görsel Yapay Zeka Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek verimli endüstriyel ortamlar için yoğun bir şekilde tasarlanmıştır. Özel NVIDIA GPU'ları gibi donanım hızlandırıcılarda 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, GPU çıkarımı sırasında donanım dostu olacak şekilde özel olarak tasarlanmış bir EfficientRep backbone kullanır. Bu, mimariyi çevrimdışı toplu işleme görevleri için özellikle güçlü kılar.

Eğitim aşamasında model, bir Anchor Destekli Eğitim (AAT) stratejisi içerir. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını çapa içermeyen çıkarımın hızıyla birleştirmeye çalışır. Ek olarak, boyun mimarisi, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için bir Çift Yönlü Birleştirme (BiC) modülü kullanır. TensorRT kullanan üst düzey sunucu GPU'ları için yüksek oranda optimize edilmiş olsa da, bu uzmanlaşma bazen yalnızca CPU veya düşük güçlü uç cihazlarda artırılmış gecikmeye neden olabilir.

YOLOv6 hakkında daha fazla bilgi edinin.

Ultralytics YOLOv5: Erişilebilir Görsel Yapay Zekanın Öncüsü

Ultralytics tarafından yayınlanan YOLOv5, kullanım kolaylığı, eğitim verimliliği ve sağlam dağıtım için 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 Platformu

Ekosistem ve Çok Yönlülük

YOLOv5'in tanımlayıcı özelliği, Kullanım Kolaylığı'dır. PyTorch çerçevesi üzerine yerel olarak inşa edilen depo, makine öğrenimi yaşam döngüsünü önemli ölçüde basitleştiren birleşik bir Python API'si sunar. Veri kümesi yapılandırmasından nihai dağıtıma kadar, entegre ekosistem, geliştiricilerin ortamları hata ayıklamak için daha az, uygulama geliştirmek için daha fazla zaman harcamasını sağlar.

YOLOv5, sadece nesne algılama ile sınırlı değildir. Çok Yönlülük açısından olağanüstüdür; görüntü sınıflandırma ve örnek segmentasyonu yerel olarak destekler. Dahası, akıllı önbellekleme, otomatik veri yükleyiciler ve dağıtılmış çoklu GPU eğitimi için yerleşik destek sunarak eşsiz bir Eğitim Verimliliği sağlar.

Ultralytics Modellerinde Bellek Verimliliği

Model mimarilerini karşılaştırırken, bellek tüketimi kritik bir faktördür. Ultralytics YOLO modelleri, ağır transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında önemli ölçüde daha düşük VRAM gereksinimleri sürdürür, bu da onları tüketici sınıfı donanım veya Google Colab gibi bulut defterleri kullanan geliştiriciler için son derece erişilebilir kılar.

YOLOv5 hakkında daha fazla bilgi edinin.

Performans ve Mimari Karşılaştırması

Aşağıdaki tablo, her iki mimarinin standart COCO veri kümesi üzerinde değerlendirildiğinde elde edilen performans metriklerini özetlemektedir. Modellerin ortalama hassasiyet ile çıkarım hızı arasındaki dengeyi farklı ortamlarda nasıl sağladığına dikkat edin.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Analiz

YOLOv6-3.0, etkileyici mAP skorları elde eder ve T4 GPU'lardaki TensorRT boru hatları için yoğun bir şekilde optimize edilmiştir. Ancak, YOLOv5, ONNX, CoreML ve TFLite dahil olmak üzere birden fazla formata anında dışa aktarımı destekleyen inanılmaz İyi Yönetilen Ekosistem ile karşılık verir. Bu Performans Dengesi, YOLOv5'in sadece özel sunucularda değil, aynı zamanda mobil cihazlarda ve Raspberry Pi gibi uç bilişim ortamlarında da güvenilir bir şekilde performans göstermesini sağlar.

Kod Örneği: Ultralytics ile Sorunsuz Eğitim

Ultralytics ekosisteminin en büyük avantajlarından biri, kolaylaştırılmış kullanıcı deneyimidir. Bir modeli eğitmek, değerlendirmek ve dışa aktarmak yalnızca 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 belirli altyapı kısıtlamalarınıza bağlıdır:

YOLOv6-3.0 ne zaman dağıtılmalı: Özel NVIDIA GPU'larının mevcut olduğu ve gecikmenin minimum olması gereken otomatik üretim hatları ve yüksek verimli sunucu analizi için idealdir. Mimarisi, TensorRT optimizasyonlarının tam olarak kullanılabildiği ortamlarda gelişir.
YOLOv5 ne zaman dağıtılmalı: Hızlı prototipleme, platformlar arası dağıtım ve birleşik bir iş akışı arayan ekipler için mükemmel bir seçimdir. Çeşitli dışa aktarma yetenekleri, onu kenar cihazlarda perakende analizi, tarımsal drone izleme ve fitness uygulamalarında duruş tahmini için ideal kılar.

Nesne Algılamanın Geleceği: YOLO26 Sahneye Çıkıyor

YOLOv5 ve YOLOv6 önemli kilometre taşlarını temsil etse de, bilgisayar görüşü alanı hızla ilerlemektedir. Yeni projelere başlayan veya en son teknolojiyi arayan geliştiriciler için, Ultralytics YOLO26'ya (Ocak 2026'da yayınlandı) yükseltmenizi şiddetle tavsiye ederiz.

YOLO26, çığır açan bir Uçtan Uca NMS-Serbest Tasarım sunarak kenar öncelikli yapay zeka görüşünü yeniden tanımlıyor. Maksimum Olmayan Bastırma (NMS) sonrası işlem ihtiyacını ortadan kaldırarak dağıtım mantığını basitleştirir ve gecikme varyansını önemli ölçüde azaltır.

YOLO26'daki temel yenilikler şunlardır:

MuSGD Optimizatörü: SGD ve Muon'un bir hibriti olup, daha hızlı ve güvenilir yakınsama için gelişmiş LLM eğitim kararlılığını bilgisayar görüşüne getirir.
%43'e Kadar Daha Hızlı CPU Çıkarımı: Özel hızlandırıcıları olmayan ortamlar için yoğun bir şekilde optimize edilmiştir.
DFL Kaldırma: Distribution Focal Loss'un kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü kenar 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 etmektedir.

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

Hem YOLOv6-3.0 hem de YOLOv5, gerçek zamanlı detect geliştirmede önemli roller oynamıştır. YOLOv6-3.0, GPU hızlandırmalı verim için oldukça özelleşmiş bir mimari sunarken, YOLOv5 kapsamlı belgeleri, kullanım kolaylığı ve çok görevli yetenekleri aracılığıyla eşsiz bir geliştirici deneyimi sağlar.

Modern uygulamalar için, entegre Ultralytics ekosisteminden yararlanmak geleceğe dönük bir iş akışı garanti eder. YOLO26 gibi en son mimarileri benimseyerek, dağıtım hatlarınızın hız, doğruluk ve algoritmik basitlikteki en son gelişmelerden faydalanmasını sağlarsınız.