YOLOv6-3.0 ve YOLOv9
Gerçek zamanlı nesne tespiti; daha yüksek doğruluk, daha düşük gecikme ve donanımın daha iyi kullanımına yönelik taleplerle gelişmeye devam ediyor. Bu karşılaştırmada alandaki iki önemli dönüm noktası inceleniyor: endüstriyel verim için geliştirilen YOLOv6-3.0 ve derin öğrenmedeki bilgi darboğazlarını aşmak üzere yeni mimariler sunan YOLOv9.
Her iki model de kendine özgü mimari yenilikler sunsa da performans ile dağıtım kolaylığı arasında en iyi dengeyi arayan geliştiriciler genellikle modern ekosistemlere geçiş yapar. Yeni projelere başlayanlar için isteğe bağlı uçtan uca NMS'siz başlığı bulunan Ultralytics YOLO26, en yeni teknoloji düzeyinde doğruluk ve daha basit bir geliştirici deneyimi sunduğundan önerilen modeldir.
YOLOv6-3.0: Endüstriyel İşlem Hacmi Optimizasyonu#
Meituan'ın Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle GPU donanımlarında endüstriyel uygulamalar için en yüksek işlem hacmini sunacak şekilde yoğun biçimde tasarlanmıştır.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
- Kuruluş: Meituan
- Tarih: 13 Ocak 2023
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
Mimari Yenilikler#
YOLOv6-3.0, özellik füzyonunu ve donanım verimliliğini iyileştirmek için birkaç önemli değişiklik sundu. Mimari, daha doğru konumlandırma sinyalleri sağlayan bir Çift Yönlü Birleştirme (BiC) modülünü boynunda barındırır. Ayrıca bir Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu yaklaşım, çapa tabanlı eğitimin sağladığı kapsamlı yönlendirmeyi çapasız yaklaşımın çıkarım hızıyla birleştirerek dağıtımı yavaşlatmadan daha iyi performans sunar.
Omurga, GPU çıkarımına donanım açısından uygun olacak şekilde optimize edilmiş EfficientRep tasarımına dayanır. Bu özelliğiyle yoğun toplu işlemenin yaygın olduğu endüstriyel üretim senaryolarında oldukça etkilidir.
Güçlü ve Zayıf Yönler#
YOLOv6-3.0'ın başlıca gücü, NVIDIA T4 gibi GPU'larda sunduğu yüksek kare hızıdır; bu da onu yoğun video anlama akışları için uygun kılar. Ancak belirli donanım optimizasyonlarına büyük ölçüde dayanması, yalnızca CPU kullanan uç cihazlarda optimumun altında gecikmeye yol açabilir. Ayrıca eğitim işlem hattını kurmak, daha bütünleşik çerçevelere kıyasla karmaşık olabilir.
YOLOv6 hakkında daha fazla bilgi edin
YOLOv9: Programlanabilir Gradyan Bilgisi#
Bir yıl sonra yayımlanan YOLOv9, derin evrişimli sinir ağlarının (CNNs) doğasında bulunan bilgi darboğazı sorununu çözmeye odaklanır.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 21 Şubat 2024
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
Mimari Yenilikler#
YOLOv9'un başlıca katkısı, ağın birden çok katmanından geçerken kritik bilgileri korumaya yardımcı olan ve daha güvenilir ağırlık güncellemeleri sağlayan Programlanabilir Gradyan Bilgisi (PGI) yaklaşımıdır. Model, PGI'nin yanı sıra Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarisini de içerir. GELAN parametre verimliliğini en üst düzeye çıkararak YOLOv9'un birçok önceki modelden daha az FLOP ile daha yüksek doğruluk elde etmesini sağlar.
Güçlü ve Zayıf Yönler#
YOLOv9, COCO gibi kıyaslama veri kümelerinde yüksek ortalama Hassasiyet (mAP) değerine ulaşarak ham doğruluğa öncelik veren araştırmacıların favorisi olur. Ancak YOLOv6 gibi son işleme için geleneksel Non-Maximum Suppression (NMS) yöntemine dayanır. Bu durum gecikmeyi artırır ve özellikle ONNX veya TensorRT gibi biçimlerle uç cihazlara aktarırken model dağıtım ardışık düzenini karmaşıklaştırır.
YOLOv9 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri karşılaştırırken doğruluk, parametre sayısı ve çıkarım hızı arasındaki dengeyi incelemek önemlidir.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Ultralytics'in Avantajı: YOLO26 ile Tanış#
YOLOv6-3.0 ve YOLOv9 sağlam mimariler sunsa da üretim ortamları iyi bakımı yapılan bir ekosistem, düşük bellek gereksinimi ve kullanım kolaylığı bekler. Ultralytics Platform ile YOLO11 ve daha yeni YOLO26 gibi modeller bu gereksinimleri karşılamak üzere tasarlanmıştır.
Ocak 2026'da yayımlanan YOLO26, eski darboğazları ortadan kaldırarak dağıtım verimliliğini artırır.
YOLO26, Uçtan Uca NMS'siz Tasarım sunar: isteğe bağlı bire bir başlığı (nms=False), Non-Maximum Suppression son işlemesine duyulan ihtiyacı ortadan kaldırır. Bu, çıkarım gecikmesindeki değişkenliği azaltır ve uç dağıtım mantığını basitleştirir.
YOLO26'nın Temel Yenilikleri#
- MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitiminden, örneğin Moonshot AI'ın Kimi K2'sinden ilham alan YOLO26, SGD ile Muon'un hibritini kullanır. Böylece bilgisayarlı görü görevlerinde kararlı eğitim ve daha hızlı yakınsama sağlar.
- CPU Çıkarımında %43'e Varan Hız Artışı: YOLOv6'nın yoğun GPU odağının aksine YOLO26, uç cihazlar için optimize edilmiştir: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır. Distribution Focal Loss'un (DFL) kaldırılması başlığı basitleştirerek düşük güçlü CPU'larla ve uç bilişim donanımlarıyla uyumlu hâle getirir.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, hava görüntüleri ve robotik için kritik önem taşıyan küçük nesne tespitini iyileştirir.
- Çok Yönlülük: YOLOv6 yalnızca bir tespit motoruyken YOLO26; örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini de gerçekleştirir.
Ultralytics ile Eğitim#
Son teknoloji modelleri eğitmek karmaşık bash betikleri gerektirmemelidir. Ultralytics Python API'si otomatik veri yükleme, minimum CUDA bellek kullanımı ve yerleşik izleme özellikleriyle kolaylaştırılmış bir deneyim sunar.
from ultralytics import YOLO
# YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# COCO8 veri kümesinde eğit (optimizer='auto', uzun eğitim çalışmaları için MuSGD'yi seçer)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli tek komutla ONNX biçimine aktar
model.export(format="onnx")İdeal Kullanım Alanları#
Doğru mimariyi seçmek tamamen hedef dağıtım ortamına bağlıdır:
- YOLOv6-3.0'ı şu durumlarda kullan: A100 gibi sunucu sınıfı GPU'ların bol olduğu ve toplu işlemenin işlem hacmini en üst düzeye çıkardığı fabrika otomasyonu ve kusur tespiti.
- YOLOv9'u şu amaçla kullan: COCO gibi standartlaştırılmış veri kümelerinde mümkün olan en yüksek mAP değerine ulaşmanın temel hedef olduğu akademik araştırmalar veya yarışmalar.
- YOLO26'yı şu amaçla kullan: Neredeyse tüm modern ticari uygulamalar. İsteğe bağlı NMS'siz çıkarımı, düşük bellek kullanımı ve yüksek hızlı CPU çıkarımı; onu güvenlik alarm sistemleri, akıllı perakende ve gömülü cihazlarda gerçek zamanlı nesne izleme için çok uygun kılar.
Geliştiriciler kapsamlı Ultralytics ekosisteminden yararlanarak YOLOv8, YOLO11 ve YOLO26'yı kolayca deneyebilir ve belirli gerçek dünya sorunları için doğru performans dengesini bulabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.