YOLOv6-3.0 ve YOLOv8
Bilgisayarlı görü modelleri hız ve doğruluk açısından gelişmeye devam ediyor. Dağıtım için mimari seçerken geliştiriciler sıklıkla uzmanlaşmış endüstriyel modelleri çok yönlü, çok görevli çerçevelerle karşılaştırır. Bu teknik karşılaştırmada YOLOv6-3.0 ile YOLOv8 mimarileri, performans ölçütleri ve ideal dağıtım ortamları bakımından derinlemesine inceleniyor.
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.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
- Kuruluş: Meituan
- Tarih: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Belgeler: Ultralytics YOLOv6 Belgeleri
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.
Eğitim aşamasında YOLOv6, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu hibrit yaklaşım, çapasız bir çıkarım ardışık düzenini korurken hem çapa tabanlı hem de çapasız yaklaşımların avantajlarını birleştirir. Özel TensorRT dağıtımlarında çok etkili olsa da bu uzmanlaşma, yalnızca CPU içeren uç cihazlarda gecikmeyi artırabilir.
YOLOv6 hakkında daha fazla bilgi edin
Ultralytics YOLOv8: Çok Yönlü, Çok Görevli Standart#
Ultralytics tarafından yayımlanan YOLOv8, uzmanlaşmış sınırlayıcı kutu algılayıcılarından birleşik ve çok görevli bir görü çerçevesine geçti. Kutudan çıktığı gibi doğruluk, hız ve kullanılabilirlik arasında güçlü bir denge sunar.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
- Platform: Ultralytics Platform YOLOv8
Mimari Öne Çıkanlar#
YOLOv8, sınıflandırma ve regresyon görevlerini birbirinden ayıran, yakınsamayı iyileştiren ayrık bir tespit başlığına sahiptir. Çapasız tasarımı, çapa kutularını elle yapılandırma gereksinimini ortadan kaldırır ve çok çeşitli bilgisayarlı görü veri kümelerinde genelleme yapmasına yardımcı olur.
Model, eski C3 bloklarının yerini alan C2f modülünü (iki evrişimli Çapraz Aşama Kısmi darboğazı) içerir. Bu modül, hesaplama bütçesini artırmadan gradyan akışını ve özellik gösterimini iyileştirir. Önemli olarak YOLOv8 yalnızca bir tespit motoru değildir; tek bir API içinde örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini yerel olarak destekler.
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.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
YOLOv6-3.0, T4 gibi GPU'larda TensorRT verimi açısından biraz daha hızlı olsa da YOLOv8 benzer doğruluğa ulaşmak için önemli ölçüde daha az parametre ve çoğu boyutta daha az FLOP gerektirir. Daha düşük bellek gereksinimi, eğitim verimliliği ve kaynakları kısıtlı uç yapay zekâ cihazlarına dağıtım için kritik önem taşır.
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: 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: Ekosistem ve Kullanım Kolaylığı#
Ham çıkarım hızı önemli olsa da bir makine öğrenimi projesinin yaşam döngüsü veri yönetimini, eğitimi, dışa aktarımı ve izlemeyi kapsar. Entegre Ultralytics Platform, araştırma odaklı depoların genellikle sunmadığı bu yaşam döngüsünün tamamını tek bir yerde yürütür.
- 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 düşük tutacak şekilde tasarlanmıştır. Bu sayede, bellek açısından daha yoğun Transformer mimarilerinden RT-DETR farklı olarak gelişmiş yapay zekâ, tüketici sınıfı donanımlarda da kullanılabilir.
Geleceğe Bakış: YOLO26'ya Geçiş#
En iyi güncel performansı ve modern dağıtım olanaklarını arayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen modeldir. YOLOv8 ve önceki YOLO11 neslini temel alan model, çeşitli mimari iyileştirmeler sunar:
- Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini atlayan isteğe bağlı bir bire bir başlık (
nms=False) sunar; bu yaklaşım YOLO modellerine YOLOv10 tarafından kazandırılmıştır. Bu, dağıtım mantığını kolaylaştırır ve gecikme değişkenliğini azaltır. - MuSGD Optimizatörü: Moonshot AI'nin Kimi K2'si gibi büyük dil modeli (LLM) yeniliklerinden ilham alan yeni MuSGD optimizatörü (SGD ile Muon'un bir melezi), eğitimi kararlı hâle getirir ve farklı veri kümelerinde yakınsamayı hızlandırır.
- DFL'nin Kaldırılması ve CPU Hızı: Distribution Focal Loss (DFL) kaldırılarak YOLO26'nın dışa aktarma grafiği sadeleştirilir. Diğer optimizasyonlarla birlikte bu, YOLO26n modeline YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sağlar ve YOLO26'yı mobil ve IoT uç dağıtımları için güçlü bir seçenek hâline getirir.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama yöntemi, özellikle hava aracı görüntüleri ve robotik için kritik olan küçük nesnelerin tanınmasını iyileştirir.
Python Eğitim Örneği#
Ultralytics API'sinin esnekliği sayesinde YOLOv8'den YOLO26'ya geçmek için yalnızca tek bir dizeyi değiştirmen yeterlidir. Aşağıdaki çalıştırılabilir kod örneği bu iş akışını gösterir:
from ultralytics import YOLO
# Initialize the 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 özel bir araçtır. Bununla birlikte Ultralytics YOLOv8, olgun bir eğitim ekosisteminin desteğiyle çoklu görev esnekliği ve daha düşük parametre sayısı arasında daha iyi bir denge sunar.
Yeni üretim dağıtımları için Ultralytics Platform üzerinden YOLO26'ya yükseltmek, daha hızlı CPU çıkarımı ve isteğe bağlı uçtan uca, NMS'siz bir başlık sağlar.
Yorumlar1
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
wootingdoublemovement(düzenlendi)
Excellent deep-dive! YOLOv6-3.0 impresses with its industrial-level optimization, especially for high-performance inference in production setups. That said, this YOLOv8 comparison brings out how v8’s modular architecture, task adaptability, and ease of training make it a more versatile choice for researchers and developers alike. It’s interesting to see how both models serve distinct but equally valuable roles depending on real-world requirements.