Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ve YOLOv8#

Bilgisayarlı görü alanı büyük bir gelişme kaydetti; modeller hız ve doğruluk sınırlarını sürekli zorluyor. Dağıtım için bir mimari seçerken geliştiriciler genellikle özelleşmiş endüstriyel modelleri çok yönlü, çok görevli çerçevelerle karşılaştırır. Bu teknik karşılaştırma, YOLOv6-3.0 ve YOLOv8 mimarilerini, performans ölçütlerini ve ideal dağıtım ortamlarını derinlemesine inceliyor.

YOLOv6-3.0: Endüstriyel İşlem Hacmi ve Donanım Optimizasyonu#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle endüstriyel uygulamalar için yüksek işlem hacmine sahip bir nesne algılayıcı olarak tasarlandı. Özel donanım hızlandırıcıları için yoğun biçimde optimize edilen model, sunucu sınıfı ortamlarda ham hıza odaklanıyor.

Mimari Odak Noktası#

YOLOv6-3.0, modern NVIDIA GPU'larında işlem verimliliğini en üst düzeye çıkarmak için tasarlanmış, donanım dostu bir mimari olan EfficientRep omurgasından yararlanıyor. Boyun kısmında, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için çift yönlü birleştirme (BiC) modülü kullanılıyor.

YOLOv6, eğitim aşamasında Ankraj Destekli Eğitim (AAT) stratejisinden yararlanıyor. Bu hibrit yaklaşım, ankraj tabanlı ve ankrajsız yöntemlerin avantajlarını bir araya getirmeyi, aynı zamanda çıkarım hattını ankrajsız tutmayı amaçlıyor. Özel TensorRT dağıtımlarında oldukça etkili olsa da bu uzmanlaşma, yalnızca CPU kullanan uç cihazlarda gecikmenin artmasına neden olabilir.

YOLOv6 hakkında daha fazla bilgi edin

Ultralytics YOLOv8: Çok Yönlü, Çok Görevli Standart#

Ultralytics tarafından piyasaya sürülen YOLOv8, özelleşmiş sınırlayıcı kutu algılayıcılardan birleşik, çok görevli bir görü çerçevesine geçişi temsil ediyor. Kutudan çıktığı hâliyle doğruluk, hız ve kullanılabilirlik arasında olağanüstü bir denge sunuyor.

Mimari Öne Çıkanlar#

YOLOv8, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık yapısına sahiptir ve yakınsama hızını önemli ölçüde artırır. Ankrajsız tasarımı, elle ankraj kutusu yapılandırma ihtiyacını ortadan kaldırarak son derece çeşitli bilgisayarlı görü veri kümelerinde sağlam genelleme sağlar.

Model, eski C3 bloklarının yerini alan gelişmiş C2f modülünü (iki evrişimli Çapraz Aşamalı Kısmi darboğaz) içeriyor. Bu modül, hesaplama bütçesini artırmadan gradyan akışını ve özellik temsilini iyileştiriyor. Daha da önemlisi YOLOv8 yalnızca bir algılama motoru değil; tek bir API üzerinden örnek segmentasyonu, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini yerel olarak destekliyor.

Performans Karşılaştırması#

Modelleri sektör standardı COCO veri kümesinde değerlendirmek, yeteneklerini net biçimde görmeyi sağlar. Aşağıdaki tabloda temel ölçütler gösteriliyor; her sütundaki en iyi performans değerleri kalın olarak işaretlendi.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
Performans Dengesi ve Donanım

YOLOv6-3.0, T4 gibi eski mimarilerde GPU işlem hacmi açısından biraz daha hızlı olsa da YOLOv8, benzer doğruluk için önemli ölçüde daha az parametre ve FLOP gerektiriyor. Bu düşük bellek gereksinimi, eğitim verimliliği ve kaynakları kısıtlı Edge AI cihazlarına dağıtım açısından kritik önem taşıyor.

Kullanım Alanları ve Öneriler#

YOLOv6 ile YOLOv8 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.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

  • Çok Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

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: Ekosistem ve Kullanım Kolaylığı#

Ham çıkarım hızı önemli olsa da makine öğrenimi projesinin yaşam döngüsü veri yönetimini, eğitimi, dışa aktarmayı ve izlemeyi kapsar. Entegre Ultralytics Platform, yalnızca araştırmaya odaklanan depoların eşleşmekte zorlandığı sorunsuz bir "sıfırdan uzmana" deneyimi sunuyor.

  • Bakımı İyi Yapılan Ekosistem: Ultralytics, en yeni PyTorch sürümleri ve donanım sürücüleriyle uyumluluğu sağlayan sık güncellemeler sunuyor.
  • Kullanım Kolaylığı: Birleşik Python API'si, geliştiricilerin tek satır kodla modelleri eğitip ONNX ve OpenVINO gibi biçimlere aktarmasına olanak tanıyor.
  • Daha Düşük Bellek Gereksinimleri: Ultralytics modelleri, eğitim sırasında CUDA bellek kullanımını en aza indirecek şekilde yüksek düzeyde optimize edilmiştir. Bu sayede gelişmiş AI, tüketici sınıfı donanımlarda da kullanılabilir hâle gelir; bu durum, RT-DETR gibi belleği yoğun kullanan Transformer mimarileriyle keskin bir tezat oluşturur.

Geleceğe Bakış: YOLO26'ya Nihai Yükseltme#

En yüksek performansı ve modern dağıtım özelliklerini arayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen standarttır. YOLOv8'in ve önceki YOLO11 neslinin başarılarını temel alarak çığır açan mimari iyileştirmeler sunar:

  • Uçtan Uca, NMS'siz Tasarım: YOLO26, YOLOv10 ile öncülük edilen bir yaklaşım olan Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan isteğe bağlı bire bir başlık (nms=False) sunar. Bu tasarım dağıtım mantığını basitleştirir ve gecikme değişkenliğini azaltır.
  • MuSGD Optimizasyon Algoritması: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli yeniliklerinden ilham alan yeni MuSGD optimizasyon algoritması (SGD ile Muon'un hibriti), eğitimi kararlı hâle getirir ve çeşitli veri kümelerinde yakınsamayı hızlandırır.
  • DFL'nin Kaldırılması ve CPU Hızı: Distribution Focal Loss'u (DFL) kaldıran YOLO26, dışa aktarma grafiğini basitleştiriyor. Bu optimizasyon, CPU çıkarımını %43'e kadar hızlandırarak modeli mobil ve IoT uç bilişim için açık ara en iyi seçenek hâline getiriyor.
  • ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, hava dronu görüntüleri ve robotik için kritik önem taşıyan küçük nesne tanımada kayda değer iyileştirmeler sunuyor.

Sorunsuz Python Eğitim Örneği#

Ultralytics API'sinin çok yönlülüğü sayesinde YOLOv8'den en yeni YOLO26'ya geçmek için yalnızca tek bir dizeyi değiştirmen yeterli. Aşağıdaki tamamen çalıştırılabilir kod örneği, bu modellerden ne kadar kolay yararlanabileceğini gösteriyor:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Sonuç#

Doğru mimariyi seçmek, işlem hattının uzun vadeli bakım kolaylığını belirler. YOLOv6-3.0, güçlü GPU hızlandırıcılarına sahip endüstriyel işlem hatları için özelleşmiş bir araçtır. Ancak Ultralytics YOLOv8, çok görevli çok yönlülük, daha düşük parametre sayısı ve eşsiz bir eğitim ekosistemi arasında daha üstün bir denge sunar.

Yeni uygulamalarda Ultralytics Platform üzerinden YOLO26'ya yükseltmek, bugün kullanılabilen en hızlı, yerel uçtan uca ve NMS'siz mimariden yararlanmanı sağlar ve AI dağıtım stratejilerini geleceğe hazırlar.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1

Yorumlar