YOLOv6-3.0 ve YOLOv7#

Gerçek zamanlı bilgisayarlı görünün gelişimi, mimari verimlilik ve eğitim yöntemlerindeki hızlı ilerlemelerle şekillendi. Bu alanı önemli ölçüde etkileyen iki öne çıkan model YOLOv6-3.0 ve YOLOv7'dir. Her iki çerçeve de üst düzey sunucu GPU'larından uç cihazlara kadar uzanan dağıtım senaryolarını hedefleyerek çıkarım hızı ile algılama doğruluğunu dengeleyen yeni teknikler sundu.

Bu kapsamlı teknik karşılaştırma, mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını incelerken modern Ultralytics Platform ile en yeni YOLO26 modelinin bu temel kavramları nasıl geliştirerek benzersiz bir geliştirici deneyimi sunduğunu da vurguluyor.

YOLOv6-3.0: Endüstriyel İşlem Hacmi Optimizasyonu#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek işlem hacimli endüstriyel uygulamalar için özel olarak tasarlandı. Donanım hızlandırıcılarında performansı en üst düzeye çıkarmaya yoğunlaşarak özel GPU'larda toplu işlemenin mümkün olduğu ortamlar için güçlü bir aday oluşturuyor.

• 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 dayanıyor. Farklı ölçeklerde özellik birleştirmeyi iyileştirmek için modelin boyun kısmında çift yönlü birleştirme (BiC) modülü kullanılıyor. Bu sayede ağ, karmaşık uzamsal hiyerarşileri önceki sürümlere kıyasla daha etkili biçimde yakalayabiliyor.

Ayrıca YOLOv6-3.0, Ankraj Destekli Eğitim (AAT) stratejisini uyguluyor. Bu yaklaşım, ankraj tabanlı eğitimin zengin gradyan sinyallerini ankrajsız çıkarımın basitleştirilmiş dağıtım avantajlarıyla birleştirerek son işleme hızından ödün vermeden modelin daha kararlı yakınsamasına yardımcı oluyor.

YOLOv6 hakkında daha fazla bilgi edin

YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#

Academia Sinica araştırmacıları tarafından yayımlanan YOLOv7, farklı bir yaklaşım benimsedi. Çıkarım maliyetini artırmayan gradyan yolu analizine ve eğitim zamanı optimizasyonlarına yoğunlaştı; yazarlar bu kavrama "eğitilebilir bedava avantajlar paketi" adını veriyor.

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

Mimari Yenilikler#

YOLOv7'nin temelinde Genişletilmiş Verimli Katman Birleştirme 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) elde edebilen, ifade gücü yüksek bir model ortaya çıkar.

YOLOv7, modelin yeniden parametreleştirilmesinden de yoğun biçimde yararlanarak çıkarım sırasında evrişim katmanlarını toplu normalleştirmeyle birleştirir. Bu, NVIDIA TensorRT veya ONNX gibi çerçevelerle dağıtıldığında parametre sayısını azaltır ve ileri geçişi hızlandırır.

YOLOv7 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri MS COCO veri kümesinde değerlendirirken YOLOv6'nın son derece hafif sürümleri ile parametre sayısı yüksek, doğruluğa odaklı YOLOv7 mimarileri arasında belirgin bir ödünleşim gözlemliyoruz.

Veriler, YOLOv6-3.0n'nin olağanüstü çıkarım hızı sunduğunu ve yüksek frekanslı video analitiğine uygun olduğunu gösteriyor. Buna karşılık YOLOv7x en yüksek mAP değerine ulaşıyor ve ham kare hızından çok algılama doğruluğunun önemli olduğu görevlerde öne çıkıyor.

Kullanım Alanları ve Öneriler#

YOLOv6 ile YOLOv7 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlar için güçlü bir seçenektir:

• Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

YOLOv7 Ne Zaman Seçilmeli#

YOLOv7 şu durumlarda önerilir:

• Akademik Kıyaslama: 2022 dönemi son teknoloji sonuçlarını yeniden üretmek veya E-ELAN ile eğitilebilir ücretsiz avantajlar paketi tekniklerinin etkilerini incelemek.
• Yeniden Parametreleştirme Araştırması: Planlanan yeniden parametreleştirilmiş evrişimleri ve bileşik model ölçeklendirme stratejilerini araştırmak.
• Mevcut Özel İşlem Hatları: YOLOv7'nin belirli mimarisi etrafında oluşturulmuş ve kolayca yeniden düzenlenemeyen, kapsamlı biçimde özelleştirilmiş işlem hatlarına sahip projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

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

Ultralytics Avantajı: Geleceğe Adım At#

YOLOv6-3.0 ve YOLOv7 önemli kilometre taşları olsa da farklı depoları üretim işlem hatlarına entegre etmek, model dağıtımı ve hiperparametre ayarlama konularında çoğu zaman zorluk çıkarır. Ultralytics ekosistemi, basitleştirilmiş ve birleşik bir arayüz sunarak bu sorunları çözer.

Neden Ultralytics'i Seçmelisin?#

• Kullanım Kolaylığı: Ultralytics Python API'si, geliştiricilerin modelleri yalnızca birkaç satır kodla yüklemesine, eğitmesine ve dışa aktarmasına olanak tanır. Eski bir modelden en yeni mimariye geçmek için yalnızca tek bir dizeyi değiştirmek yeterlidir.
• Bakımı İyi Yapılan Ekosistem: Ultralytics sık güncellemeler, topluluktan etkin destek ve kapsamlı belgeler sunar.
• Çok Yönlülük: Öncelikle sınırlayıcı kutulara odaklanan eski modellerin aksine Ultralytics modelleri, örnek segmentasyonu, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) içeren çok görevli öğrenmeyi yerel olarak destekler.
• Bellek Gereksinimleri: Ultralytics YOLO modelleri, eğitim sırasında RT-DETR gibi Transformer tabanlı mimarilere kıyasla daha az bellek kullanır. Böylece araştırmacılar tüketici sınıfı donanımlarda verimli biçimde eğitim yapabilir.

YOLO26'ya Yükseltme#

En yüksek performansı arayan geliştiriciler için YOLO26 (Ocak 2026'da yayımlandı), nesne algılama alanındaki yaklaşımı kökten değiştiriyor. İsteğe bağlı uçtan uca, NMS'siz Tasarım (nms=False) sunarak karmaşık son işleme mantığını ortadan kaldırıyor ve uç cihazlardaki gecikme değişkenliğini ciddi ölçüde azaltıyor.

YOLO26'daki başlıca yenilikler:

• MuSGD Optimizasyon Algoritması: SGD ile Muon'un gelişmiş bir hibriti; son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u kaldırarak dışa aktarma uyumluluğunu kolaylaştırır ve düşük güç tüketimli cihazlardaki performansı artırır.
• ProgLoss + STAL: Küçük nesne tanımada kayda değer iyileştirmeler sağlayan gelişmiş kayıp fonksiyonları.
• Eşsiz Hız: Önceki nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırır; Raspberry Pi veya Apple CoreML dağıtımları gibi gömülü sistemler için idealdir.

Ekosistemdeki diğer son derece yetenekli modeller arasında YOLO11 ve YOLOv8 bulunur. Her ikisi de eski donanım entegrasyonları için mükemmel bir performans dengesi sunar.

Kod Örneği: Sadeleştirilmiş Eğitim#

Aşağıdaki kod örneği, Ultralytics API'sini kullanarak en gelişmiş YOLO26 modelini ne kadar kolay eğitebileceğini gösteriyor. Aynı iş akışı YOLO11 veya YOLOv8 için de sorunsuzca uygulanabilir ve eski depolarda genellikle gereken standart kodu ortadan kaldırır.

from ultralytics import YOLO

# En yeni YOLO26 nano modelini hızlı eğitim için yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde eğit
# API; veri kümesini indirme, artırma ve hiperparametre yapılandırma işlemlerini yönetir
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # PyTorch GPU hızlandırmasını otomatik olarak kullanır
)

# Bir test görüntüsünde uçtan uca, NMS'siz çıkarım gerçekleştir
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Platformlar arası dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Sonuç#

YOLOv6-3.0 ve YOLOv7, gerçek zamanlı algılama sorununu farklı yönlerden başarıyla ele aldı. YOLOv6-3.0, özel endüstriyel GPU ortamlarında güçlü bir modelken YOLOv7, titiz gradyan yolu optimizasyonuyla yüksek doğruluk sunuyor.

Ancak benzersiz çok yönlülük, kolay dağıtım ve en gelişmiş performansı gerektiren modern uygulamalar için Ultralytics YOLO26 kesin tercihtir. NMS'siz mimarisi, gelişmiş MuSGD optimizasyon algoritması ve Ultralytics Platform ile derin entegrasyonu sayesinde geliştiriciler güçlü, ölçeklenebilir bilgisayarlı görü AI çözümlerini hiç olmadığı kadar hızlı dağıtabilir.