YOLOv6-3.0 ve YOLOv7#

Gerçek zamanlı bilgisayarlı görü alanındaki gelişim, mimari verimlilik ve eğitim metodolojilerindeki hızlı ilerlemelerle şekillenmiştir. Bu alanı önemli ölçüde etkileyen iki öne çıkan model YOLOv6-3.0 ve YOLOv7 olmuştur. Her iki çerçeve de çıkarım hızını algılama doğruluğuyla dengelemek için yeni teknikler sunarak üst düzey sunucu GPU'larından uç cihazlara kadar çeşitli dağıtımları hedeflemiştir.

Bu kapsamlı teknik karşılaştırma, mimarilerini, performans ölçümlerini ve ideal kullanım alanlarını incelerken modern Ultralytics Platform ile en yeni YOLO26 modelinin, geliştiricilere benzersiz deneyimler sunmak için bu temel kavramları nasıl geliştirdiğini de vurgular.

YOLOv6-3.0: Endüstriyel İş Hacmi Optimizasyonu#

Meituan bünyesindeki Vision AI Department tarafından geliştirilen YOLOv6-3.0, yüksek iş hacimli endüstriyel uygulamalar için özel olarak tasarlanmıştır. Donanım hızlandırıcılarındaki performansı en üst düzeye çıkarmaya büyük önem verir; bu da özel GPU'larda toplu işlemenin uygulanabilir olduğu ortamlar için onu güçlü bir aday hâline getirir.

• 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

Mimari Yenilikler#

YOLOv6-3.0, GPU'larda bellek erişim maliyetlerini optimize etmek üzere tasarlanmış, donanım dostu bir mimari olan EfficientRep omurgasına dayanır. Model, farklı ölçekler arasındaki özellik birleştirmeyi geliştirmek için boyun kısmına Çift Yönlü Birleştirme (BiC) modülünü ekler. Bu sayede ağ, önceki yinelemelere kıyasla karmaşık uzamsal hiyerarşileri daha etkili biçimde yakalayabilir.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini uygular. Bu yaklaşım, çapa tabanlı eğitimin zengin gradyan sinyallerini çapasız çıkarımın yalın dağıtım avantajlarıyla birleştirerek, son işleme hızından ödün vermeden modelin daha istikrarlı biçimde yakınsamasına yardımcı olur.

YOLOv6 hakkında daha fazla bilgi edin

YOLOv7: Ücretsiz Avantajların Öncüsü#

Academia Sinica araştırmacıları tarafından yayımlanan YOLOv7, gradyan yolu analizine ve çıkarım maliyetini artırmayan eğitim zamanı optimizasyonlarına yoğun biçimde odaklanarak farklı bir yaklaşım benimsedi. Yazarlar bu kavramı "eğitilebilir ücretsiz avantajlar bütünü" olarak adlandırır.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7

Mimari Yenilikler#

YOLOv7'nin temelinde Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) bulunur. E-ELAN, özgün ağ topolojisini bozmadan farklı katmanların daha çeşitli özellikler öğrenmesine olanak tanıyarak gradyan yolunu optimize eder. Bunun sonucunda, üst düzey ortalama kesinlik (mAP) değerlerine ulaşabilen, ifade gücü yüksek bir model ortaya çıkar.

YOLOv7 ayrıca modelin yeniden parametreleştirilmesinden yoğun biçimde yararlanır ve çıkarım sırasında evrişim katmanlarını batch normalization ile birleştirir. Bu, NVIDIA TensorRT veya ONNX gibi çerçeveler kullanılarak dağıtıldığında parametre sayısını azaltır ve ileri geçişi hızlandırır.

YOLOv7 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri MS COCO veri kümesi üzerinde değerlendirdiğimizde, YOLOv6'nın ultra hafif varyantları ile yoğun parametreli ve doğruluğa odaklanan YOLOv7 mimarileri arasında belirgin bir ödünleşim gözlemleriz.

Veriler, YOLOv6-3.0n'nin olağanüstü çıkarım hızı sunduğunu ve bu nedenle yüksek frekanslı video analitiğine uygun olduğunu ortaya koyar. Buna karşılık YOLOv7x, en yüksek mAP değerine ulaşarak ham kare hızlarından çok algılama doğruluğunun önemli olduğu görevlerde öne çıkar.

Kullanım Alanları ve Öneriler#

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

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlar için güçlü bir seçimdir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlarda önerilir:

• Akademik Karşılaştırma: 2022 döneminin son teknoloji düzeyi sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
• Yeniden Parametrelendirme Araştırması: Planlı yeniden parametrelendirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel İş Akışları: Kolayca yeniden düzenlenemeyen, YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve yoğun biçimde özelleştirilmiş iş akışlarına sahip projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: Geleceğe Adım Atmak#

YOLOv6-3.0 ve YOLOv7 önemli dönüm noktalarını temsil etse de farklı depoların üretim işlem hatlarına entegre edilmesi, çoğu zaman model dağıtımı ve hiperparametre ayarlama alanlarında zorluklar ortaya çıkarır. Ultralytics ekosistemi, yalınlaştırılmış ve birleştirilmiş bir arayüz sunarak bu sorunları giderir.

Neden Ultralytics'i Seçmelisin?#

• Kullanım Kolaylığı: Ultralytics Python API, geliştiricilerin yalnızca birkaç satır kodla modelleri yüklemesine, eğitmesine ve dışa aktarmasına olanak tanır. Eski bir modelden en yeni mimariye geçmek için yalnızca tek bir dizeyi değiştirmek yeterlidir.
• İyi Korunan Ekosistem: Ultralytics sık güncellemeler, aktif topluluk desteği ve kapsamlı belgelendirme sunar.
• Çok Yönlülük: Öncelikle sınırlayıcı kutulara odaklanan önceki modellerin aksine Ultralytics modelleri; örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dâhil olmak üzere çok görevli öğrenmeyi yerel olarak destekler.
• Bellek Gereksinimleri: Ultralytics YOLO modelleri, RT-DETR gibi Transformer tabanlı mimarilere kıyasla eğitim sırasında daha az bellek kullanır ve araştırmacıların tüketici sınıfı donanımlarda etkili biçimde eğitim yapmasına olanak tanır.

YOLO26'ya Yükseltme#

En yüksek performansı arayan geliştiriciler için YOLO26 (Ocak 2026'da yayımlandı), nesne algılama paradigmasını kökten değiştirir. Tamamen Uçtan Uca NMS'siz Tasarım sunarak karmaşık son işleme mantığını ortadan kaldırır ve uç cihazlardaki gecikme değişkenliğini ciddi ölçüde azaltır.

YOLO26'daki temel yenilikler şunlardır:

• MuSGD Optimize Edicisi: Son derece istikrarlı eğitim dinamikleri ve daha hızlı yakınsama sağlayan, SGD ile Muon'un gelişmiş bir hibriti.
• DFL'nin Kaldırılması: Distribution Focal Loss'un çıkarılması, YOLO26'nın dışa aktarma uyumluluğunu basitleştirir ve düşük güçlü cihazlardaki performansı artırır.
• ProgLoss + STAL: Küçük nesnelerin tanınmasında kayda değer iyileştirmeler sağlayan gelişmiş kayıp işlevleri.
• Rakipsiz Hız: Önceki nesillere kıyasla CPU çıkarımında %43'e varan hız artışı sağlar; bu da onu Raspberry Pi veya Apple CoreML dağıtımları gibi gömülü sistemler için ideal hâle getirir.

Ekosistemdeki diğer yüksek yetenekli modeller arasında, eski donanım entegrasyonları için mükemmel performans dengesi sunan YOLO11 ve YOLOv8 de bulunur.

Kod Örneği: Kolaylaştırılmış Eğitim#

Aşağıdaki kod parçacığı, Ultralytics API kullanarak son teknoloji bir YOLO26 modelini ne kadar kolay eğitebileceğini gösterir. Bu iş akışı, eski depolarda genellikle gereken standart kodu soyutlayarak YOLO11 veya YOLOv8 için de sorunsuz biçimde uygulanır.

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")

Sonuç#

YOLOv6-3.0 ve YOLOv7, gerçek zamanlı algılama sorunundaki farklı yönleri başarıyla ele aldı. YOLOv6-3.0, uzmanlaşmış endüstriyel GPU ortamları için güçlü bir çözümken YOLOv7, titiz gradyan yolu optimizasyonu sayesinde yüksek doğruluk sunar.

Bununla birlikte benzersiz çok yönlülük, minimum dağıtım zahmeti ve son teknoloji performans gerektiren modern uygulamalar için Ultralytics YOLO26 kesin tercihtir. NMS'siz mimarisi, gelişmiş MuSGD optimize edicisi ve Ultralytics Platform ile derin entegrasyonu, geliştiricilerin güçlü ve ölçeklenebilir bilgisayarlı görü yapay zekâ çözümlerini her zamankinden daha hızlı dağıtabilmesini sağlar.