YOLOv6-3.0 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 alanlarını incelerken, modern Ultralytics Platform ile en son YOLO26 modelinin benzersiz bir geliştirici deneyimi sunmak için bu temel kavramları nasıl geliştirdiğini de vurgulamaktadır.

YOLOv6-3.0: Endüstriyel Verimlilik Optimizasyonu#

Meituan bünyesindeki Vizyon Yapay Zeka Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek veri akışına sahip endüstriyel uygulamalar için özel olarak tasarlanmıştır. Donanım hızlandırıcılar üzerindeki performansı maksimize etmeye yoğunlaşarak, özel GPU'larda toplu işleme (batch processing) yapmanın uygun olduğu ortamlar için güçlü bir aday haline gelmektedir.

• 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'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

YOLOv7: Bag-of-Freebies'in Öncüsü#

Academia Sinica araştırmacıkları tarafından yayınlanan YOLOv7; çıkarım maliyetini artırmayan gradyan yolu analizi ve eğitim zamanı optimizasyonlarına yoğunlaşarak farklı bir yaklaşım benimsemiştir; yazarların "eğitilebilir ücretsizler çantası" (trainable bag-of-freebies) olarak adlandırdığı bir kavramdır.

• 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

Mimari Yenilikler#

YOLOv7'nin çekirdeği Genişletilmiş Verimli Katman Birleştirme Ağı (E-ELAN - Extended Efficient Layer Aggregation Network) yapısıdır. E-ELAN, orijinal ağ topolojisini bozmadan farklı katmanların daha çeşitli özellikler öğrenmesine izin vererek gradyan yolunu optimize eder. Bu, en üst düzey ortalama duyarlılık (mAP - mean average precision) elde edebilen son derece ifade gücü yüksek bir model ortaya çıkarır.

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

YOLOv7 hakkında daha fazla bilgi edinin

Performans Karşılaştırması#

MS COCO veri kümesi üzerinde bu modelleri değerlendirirken, YOLOv6'nın ultra hafif varyantları ile yoğun parametrelendirilmiş ve doğruluk odaklı YOLOv7 mimarileri arasında belirgin bir takas (trade-off) 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.

Kullanım Durumları ve Öneriler#

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

Ne 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's teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ne 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: Geleceğe Adım Atın#

YOLOv6-3.0 ve YOLOv7 önemli dönüm noktalarını temsil ederken, farklı depoları (repositories) üretim boru hatlarına (production pipelines) entegre etmek genellikle model dağıtımı ve hiperparametre ayarında zorluklar sunar. Ultralytics ekosistemi, sadeleştirilmiş, birleştirilmiş bir arayüz sunarak bu sorunları çözer.

Neden 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 Bakımı Yapılan Ekosistem: Ultralytics sık güncellemeler, aktif topluluk desteği ve sağlam dokümantasyon sağlar.
• Çok Yönlülük: Öncelikli olarak sınırlayıcı kutulara odaklanan eski modellerin aksine Ultralytics modelleri, örnek bölütleme (instance segmentation), poz tahmini (pose estimation) ve yönlendirilmiş sınırlayıcı kutular (OBB - oriented bounding boxes) dahil olmak üzere çok görevli öğrenmeyi yerel olarak destekler.
• Bellek Gereksinimleri: Ultralytics YOLO modelleri, RT-DETR gibi transformatör tabanlı mimarilere kıyasla eğitim sırasında daha düşük bellek kullanımı korur, böylece araştırmacıların tüketici sınıfı donanımda etkili bir şekilde eğitim yapmasına olanak tanır.

YOLO26'ya Yükseltme#

Performansın zirvesini arayan geliştiriciler için YOLO26 (Ocak 2026'da yayınlandı), nesne tespiti paradigmalarını kökten değiştirmektedir. Karmaşık son işleme mantığını ortadan kaldıran ve uç cihazlardaki gecikme varyansını ciddi ölçüde azaltan tamamen Uçtan Uca NMS İçermeyen Tasarım (End-to-End NMS-Free Design) 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 elde ederek Raspberry Pi veya Apple CoreML dağıtımları gibi gömülü sistemler için mükemmel hale getirir.

Ekosistem içindeki diğer son derece yetenekli modeller arasında, her ikisi de eski donanım entegrasyonları için mükemmel performans dengesi sunan YOLO11 ve YOLOv8 yer alır.

Kod 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")

Sonuç#

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.