Link to this sectionYOLOv6-3.0 ile YOLOv7 karşılaştırması#

Gerçek zamanlı bilgisayarlı görü dünyasının evrimi, mimari verimlilik ve eğitim metodolojilerindeki hızlı ilerlemelerle şekillendi. Bu alanda önemli bir etki yaratan iki öne çıkan model YOLOv6-3.0 ve YOLOv7'dir. Her iki çerçeve de yüksek seviyeli sunucu GPU'larından uç cihazlara kadar uzanan dağıtımlar hedefleyerek, çıkarım hızı ile tespit doğruluğunu dengelemek için yenilikçi teknikler sunmuştur.

Bu kapsamlı teknik karşılaştırma, mimarilerini, performans metriklerini ve ideal kullanım senaryolarını incelerken, modern Ultralytics Platform'un ve en yeni YOLO26 modelinin, rakipsiz geliştirici deneyimleri sunmak için bu temel kavramları nasıl geliştirdiğini vurguluyor.

Link to this sectionYOLOv6-3.0: Endüstriyel Verimlilik Optimizasyonu#

Meituan'daki Vizyon Yapay Zeka Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek verimli endüstriyel uygulamalar için özel olarak tasarlanmıştır. Donanım hızlandırıcılarında performansı en üst düzeye çıkarmaya odaklandığından, özel GPU'larda toplu işlemenin uygulanabilir olduğu ortamlar için güçlü bir adaydır.

• 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

Link to this sectionMimari Yenilikler#

YOLOv6-3.0, GPU'lardaki bellek erişim maliyetlerini optimize etmek için tasarlanmış donanım dostu bir mimari olan EfficientRep omurgasına dayanır. Model, farklı ölçeklerde özellik füzyonunu artırmak için boyun kısmına Çift Yönlü Birleştirme (BiC) modülü ekler. Bu, ağın karmaşık uzamsal hiyerarşileri önceki yinelemelerden daha etkili bir şekilde yakalamasını sağlar.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini uygular. Bu yaklaşım, çapa tabanlı eğitimin zengin gradyan sinyallerini, çapa içermeyen çıkarımın kolay dağıtım avantajlarıyla birleştirerek modelin işlem sonrası hızından ödün vermeden daha kararlı bir şekilde yakınsamasına yardımcı olur.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionYOLOv7: Bag-of-Freebies'in Öncüsü#

Academia Sinica araştırmacıları tarafından yayınlanan YOLOv7, çıkarım maliyetini artırmayan gradyan yolu analizi ve eğitim zamanı optimizasyonlarına odaklanarak farklı bir yaklaşım benimsemiştir; yazarların "eğitilebilir ücretsiz özellikler çantası" olarak adlandırdığı bir kavram.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Bilgi Bilimi Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7

Link to this sectionMimari Yenilikler#

YOLOv7'nin merkezinde Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) yer alır. E-ELAN, farklı katmanların orijinal ağ topolojisini bozmadan daha çeşitli özellikleri öğrenmesine izin vererek gradyan yolunu optimize eder. Bu, en üst düzey ortalama hassasiyete (mAP) ulaşabilen son derece etkileyici bir modelle sonuçlanır.

YOLOv7 ayrıca model yeniden parametrelendirmesini yoğun bir şekilde kullanır; çıkarım sırasında evrişimli katmanları toplu normalleştirme ile birleştirir. Bu, NVIDIA TensorRT veya ONNX gibi çerçeveler kullanılarak dağıtıldığında parametre sayısını azaltır ve ileri geçişi hızlandırır.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionPerformans Karşılaştırması#

Bu modelleri MS COCO veri kümesi üzerinde değerlendirdiğimizde, YOLOv6'nın ultra hafif varyantları ile ağır parametreli, doğruluk odaklı YOLOv7 mimarileri arasında belirgin bir denge gözlemliyoruz.

Veriler, YOLOv6-3.0n'in olağanüstü çıkarım hızı sunduğunu ve bunu yüksek frekanslı video analitiği için uygun hale getirdiğini ortaya koyuyor. Buna karşılık, YOLOv7x en yüksek mAP değerine ulaşarak, tespit doğruluğunun ham kare hızlarından daha önemli olduğu görevlerde üstünlük sağlıyor.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv6 ile YOLOv7 arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için güçlü bir tercihtir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

YOLOv7 şunlar için önerilir:

• Akademik Kıyaslama: 2022 dönemi en son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ve eğitilebilir ücretsizler çantası tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel Boru Hatları: YOLOv7'nin belirli mimarisi etrafında inşa edilmiş, kolayca yeniden düzenlenemeyen, yoğun şekilde özelleştirilmiş boru hatlarına sahip projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionUltralytics Avantajı: Geleceğe Adım Atın#

YOLOv6-3.0 ve YOLOv7 önemli kilometre taşlarını temsil etse de, farklı depoları üretim hatlarına entegre etmek genellikle model dağıtımı ve hiperparametre ayarlarında zorluklar ortaya çıkarır. Ultralytics ekosistemi, akıcı ve birleşik bir arayüz sunarak bu sorunları çözer.

Link to this sectionNeden Ultralytics Seçmelisin?#

• Kullanım Kolaylığı: Ultralytics Python API, geliştiricilerin modelleri sadece birkaç satır kodla yüklemesine, eğitmesine ve dışa aktarmasına olanak tanır. Eski bir modelden en son mimariye geçmek için yalnızca tek bir dizgiyi değiştirmen yeterlidir.
• İyi Korunan Ekosistem: Ultralytics, sık güncellemeler, aktif topluluk desteği ve sağlam dokümantasyon sağlar.
• Çok Yönlülük: Öncelikle sınırlayıcı kutulara odaklanan önceki modellerden farklı olarak, Ultralytics modelleri örnek bölümleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere çok görevli öğrenmeyi yerel olarak destekler.
• Bellek Gereksinimleri: Ultralytics YOLO modelleri, RT-DETR gibi Transformer tabanlı mimarilere kıyasla eğitim sırasında daha düşük bellek kullanımı sağlayarak araştırmacıların tüketici sınıfı donanımlarda etkin bir şekilde eğitim yapmasına olanak tanır.

Link to this sectionYOLO26'ya Yükseltme#

Performansın zirvesini arayan geliştiriciler için, YOLO26 (Ocak 2026'da yayınlandı) nesne tespiti paradigmasını temelden değiştirir. Karmaşık işlem sonrası mantığını ortadan kaldıran ve uç cihazlardaki gecikme varyansını önemli ölçüde azaltan, tamamen Uçtan Uca NMS-İçermeyen Tasarım sunar.

YOLO26'daki temel yenilikler şunlardır:

• MuSGD İyileştirici: İnanılmaz derecede kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlayan gelişmiş bir SGD ve Muon melezi.
• DFL Kaldırma: Distribution Focal Loss'u çıkararak, YOLO26 dışa aktarma uyumluluğunu basitleştirir ve düşük güç tüketen cihazlarda performansı artırır.
• ProgLoss + STAL: Küçük nesne tanımada kayda değer iyileştirmeler sağlayan gelişmiş kayıp fonksiyonları.
• Rakipsiz Hız: Önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar; bu da onu Raspberry Pi veya Apple CoreML dağıtımları gibi gömülü sistemler için mükemmel hale getirir.

Ekosistemdeki diğer yüksek kapasiteli modeller arasında, her ikisi de eski donanım entegrasyonları için mükemmel performans dengesi sunan YOLO11 ve YOLOv8 yer alır.

Link to this sectionKod Örneği: Kolaylaştırılmış Eğitim#

Aşağıdaki kod parçası, Ultralytics API kullanarak son teknoloji bir YOLO26 modelini ne kadar zahmetsizce eğitebileceğini gösterir. Bu tam iş akışı, eski depoların genellikle gerektirdiği karmaşık kodları ortadan kaldırarak YOLO11 veya YOLOv8 için de sorunsuz bir şekilde geçerlidir.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model for rapid training
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The API handles dataset downloading, augmentation, and hyperparameter configuration
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # Automatically utilizes PyTorch GPU acceleration
)

# Run an end-to-end, NMS-free inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for cross-platform deployment
model.export(format="onnx")

Link to this sectionSonuç#

YOLOv6-3.0 ve YOLOv7, gerçek zamanlı tespit zorluğunun farklı yönlerini başarıyla ele aldı. YOLOv6-3.0 uzman endüstriyel GPU ortamları için bir güç merkezidir; YOLOv7 ise titiz gradyan yolu optimizasyonu ile yüksek doğruluk sağlar.

Ancak, rakipsiz çok yönlülük, minimum dağıtım sürtünmesi ve son teknoloji performans gerektiren modern uygulamalar için Ultralytics YOLO26 kesin tercihtir. NMS-içermeyen mimarisi, gelişmiş MuSGD iyileştiricisi ve Ultralytics Platform ile derin entegrasyonu, geliştiricilerin güçlü ve ölçeklenebilir yapay zeka vizyon çözümlerini her zamankinden daha hızlı dağıtabilmelerini sağlar.