YOLOv6-3.0 ve YOLOv9#
Gerçek zamanlı nesne tespiti alanı; daha yüksek doğruluk, daha düşük gecikme ve daha iyi donanım kullanımına yönelik taleplerle gelişmeye devam ediyor. Bu kapsamlı karşılaştırmada alandaki iki önemli kilometre taşı inceleniyor: endüstriyel işlem hacmi için geliştirilen YOLOv6-3.0 ve derin öğrenmedeki bilgi darboğazlarını aşmak üzere özgün mimariler sunan YOLOv9.
Her iki model de özgün mimari yenilikler sunsa da performans ile dağıtım kolaylığı arasında en iyi dengeyi arayan geliştiriciler genellikle modern ekosistemlere geçer. Yeni projelere başlayanlar için yerel olarak uçtan uca çalışan Ultralytics YOLO26 önerilen standarttır; çok daha kolaylaştırılmış bir geliştirici deneyimiyle son teknoloji doğruluk sunar.
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 çıkarımında donanım dostu olacak şekilde titizlikle optimize edilmiş EfficientRep tasarımına dayanır. Bu özellik, yoğun toplu işlemenin standart olduğu endüstriyel üretim senaryolarında onu son derece yetkin kılar.
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 sinir ağlarının doğasında bulunan bilgi darboğazı sorununu çözmeye odaklanarak CNN mimarilerinin kuramsal sınırlarını zorlar.
- 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 en önemli katkısı, kritik verilerin ağın birden fazla katmanından geçerken korunmasını sağlayan Programlanabilir Gradyan Bilgisi (PGI) yöntemidir; böylece ağırlık güncellemeleri daha güvenilir hâle gelir. Model, PGI'nin yanı sıra Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) özelliğine sahiptir. GELAN, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un birçok önceki modelden daha az hesaplama FLOP değeriyle daha yüksek doğruluk elde etmesini sağlar.
Güçlü ve Zayıf Yönler#
YOLOv9, COCO gibi kıyaslama veri kümelerinde olağanüstü ortalama Hassasiyet (mAP) değerine ulaşarak ham doğruluğa öncelik veren araştırmacıların favorisi hâline gelir. Ancak YOLOv6 gibi, son işlem için geleneksel Maksimum Olmayanların Bastırılması (NMS) yöntemine dayanır. Bu, gecikmeyi artırır ve özellikle ONNX veya TensorRT gibi biçimler kullanan uç cihazlara aktarım sırasında model dağıtımı işlem hattını 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) | mAPval 50-95 | 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 sürdürülen bir ekosistem, düşük bellek gereksinimleri ve olağanüstü kullanım kolaylığı gerektirir. Ultralytics Platform, YOLO11 gibi modeller ve son teknoloji YOLO26 bu noktada öne çıkar.
2026'nın başında yayımlanan YOLO26, eski darboğazları ortadan kaldırarak dağıtım verimliliğini temelden yeniden tanımlar.
YOLO26, Uçtan Uca NMS'siz Tasarıma sahiptir: isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayanların Bastırılması son işlemesine duyulan ihtiyacı ortadan kaldırır. Bu, çıkarım gecikmesindeki değişkenliği önemli ölçüde azaltır ve uç dağıtım mantığını basitleştirir.
YOLO26'nın Temel Yenilikleri#
- MuSGD Optimize Edici: LLM eğitiminden (Moonshot AI'nin Kimi K2 modeli gibi) esinlenen YOLO26, SGD ile Muon'un hibritini kullanır. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve daha hızlı yakınsama kazandırır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLOv6'nın GPU'lara yoğun biçimde odaklanmasının aksine YOLO26, uç cihazlar için kapsamlı şekilde optimize edilmiştir. Distribution Focal Loss'un (DFL) kaldırılması başlığı basitleştirerek düşük güçlü CPU'lar ve uç bilişim donanımlarıyla yüksek uyumluluk sağlar.
- ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, hava görüntüleri ve robotik için kritik olan küçük nesne tespitini büyük ölçüde iyileştirir.
- Eşsiz Çok Yönlülük: YOLOv6 yalnızca bir tespit motoruyken YOLO26; örnek segmentasyonu, sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini sorunsuz biçimde gerçekleştirir.
Ultralytics ile Sorunsuz 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
# Son teknoloji 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 durumlarda kullan: COCO gibi standart veri kümelerinde mümkün olan en yüksek mAP değerini elde etmenin öncelikli hedef olduğu akademik araştırmalar veya yarışmalar.
- YOLO26'yı şu durumlarda 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 takibi için ideal kılar.
Geliştiriciler kapsamlı Ultralytics ekosisteminden yararlanarak gerçek dünya sorunlarına en uygun performans dengesini bulmak için YOLOv8, YOLO11 ve YOLO26'yı kolayca deneyebilir.