YOLOv6-3.0 ve YOLOv7
Gerçek zamanlı nesne algılama, mimari verimlilik ve eğitim yöntemlerindeki hızlı ilerlemelerle şekillendi. Bu alanı etkileyen iki önemli model YOLOv6-3.0 ve YOLOv7'dir. Her iki çerçeve de üst düzey sunucu GPU'larından uç cihazlara kadar farklı dağıtım senaryolarını hedefleyerek çıkarım hızı ile algılama doğruluğunu dengeleyen yeni teknikler sundu.
Bu teknik karşılaştırma, mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını incelerken Ultralytics Platform ile en yeni YOLO26 modelinin, daha kolay bir geliştirici deneyimi sunmak için bu kavramları nasıl geliştirdiğini de vurgular.
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
YOLOv6-3.0, sunucu sınıfı GPU'larda (örneğin NVIDIA T4) üstün performans gösterse de belirli yapısal yeniden parametreleştirmelere yoğun bağımlılığı, yeni mimarilere kıyasla yalnızca CPU kullanan uç cihazlarda bazen ideal olmayan gecikmelere yol açabiliyor.
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 Toplama Ağı (E-ELAN) bulunur. E-ELAN, özgün ağ topolojisini bozmadan farklı katmanların daha çeşitli özellikler öğrenmesini sağlayarak gradyan yolunu optimize eder. Böylece yüksek ortalama hassasiyet (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 modeller MS COCO veri kümesinde değerlendirildiğinde, hafif YOLOv6 varyantları ile daha büyük ve doğruluğa odaklı YOLOv7 modelleri arasında bir ödünleşim olduğu görülür.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Veriler, YOLOv6-3.0n'nin en hızlı çıkarımı sunduğunu ve bu nedenle yüksek frekanslı video analitiğine uygun olduğunu gösteriyor. Buna karşılık YOLOv7x en yüksek mAP değerine ulaşarak ham kare hızından çok algılama doğruluğunun öncelikli 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
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.
- Esneklik: Yalnızca sınırlayıcı kutulara odaklanan önceki modellerden farklı olarak Ultralytics modelleri, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dâhil olmak üzere çoklu görev öğrenimini 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 iyi güncel performansı arayan geliştiriciler için YOLO26 (Ocak 2026'da yayımlandı), nesne algılama alanında önerilen yükseltmedir. İsteğe bağlı Uçtan Uca, NMS'siz Tasarım (nms=False), Non-Maximum Suppression (NMS) son işlem adımını atlar ve uç cihazlardaki gecikme değişkenliğini azaltır.
YOLO26'daki başlıca yenilikler:
- MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitiminden ilham alan SGD ile Muon melezi; kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
- DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, YOLO26'nın dışa aktarma uyumluluğunu kolaylaştırır ve düşük güç tüketen cihazlardaki performansı artırır.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, küçük nesnelerin tanınmasını iyileştirir.
- CPU Hızı: YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım yapar; bu da YOLO26'yı Raspberry Pi gibi gömülü sistemlerde veya Apple CoreML dağıtımlarında kullanıma uygun hâle getirir.
Ekosistemdeki diğer yetenekli modeller arasında, mevcut donanım entegrasyonları için hâlâ uygun olan YOLO11 ve YOLOv8 de bulunur.
Bilgisayarlı görü uygulamalarını Ultralytics Platform üzerinde geliştirerek veri kümesi yükleyicilerini veya dağıtım betiklerini yeniden yazmadan daha yeni Ultralytics modellerine geçebilirsin.
Kod Örneği: Sadeleştirilmiş Eğitim#
Aşağıdaki kod örneği, Ultralytics API'sini kullanarak son teknoloji ürünü bir YOLO26 modelinin nasıl eğitileceğini gösterir. Aynı iş akışı, eski depoların genellikle gerektirdiği şablon kodlarını soyutlayarak YOLO11 veya YOLOv8 için de geçerlidir.
from ultralytics import YOLO
# Hızlı eğitim için YOLO26 nano modelini 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 açılardan başarıyla ele aldı. YOLOv6-3.0, özel endüstriyel GPU ortamlarına uygunken YOLOv7, titiz gradyan yolu optimizasyonuyla yüksek doğruluk sunar.
Ancak esneklik, sorunsuz dağıtım ve son teknoloji ürünü performans gerektiren modern uygulamalar için Ultralytics YOLO26 önerilen seçenektir. İsteğe bağlı NMS'siz başlığı, MuSGD optimizatörü ve Ultralytics Platform entegrasyonu, geliştiricilerin ölçeklenebilir görsel yapay zekâ çözümlerini daha hızlı dağıtmasına yardımcı olur.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.