YOLOv6-3.0 ve YOLOv9#

Gerçek zamanlı nesne algılama alanı; daha yüksek doğruluk, daha düşük gecikme ve donanımın daha iyi kullanılması yönündeki taleplerin etkisiyle gelişmeye devam ediyor. Bu kapsamlı karşılaştırma, alandaki iki önemli dönüm noktasını inceliyor: endüstriyel iş hacmi için geliştirilen YOLOv6-3.0 ve derin öğrenmedeki bilgi darboğazlarını aşmak için yeni mimariler sunan YOLOv9.

Her iki model de kendine özgü mimari yenilikler sunsa da performans ile dağıtım kolaylığı arasında ideal dengeyi arayan geliştiriciler genellikle modern ekosistemlere geçiş yapıyor. Yeni projelere başlayanlar için yerel olarak uçtan uca çalışan Ultralytics YOLO26 önerilen standarttır; son teknoloji doğruluğu, çok daha yalın bir geliştirici deneyimiyle sunar.

YOLOv6-3.0: Endüstriyel İş Hacmi Optimizasyonu#

Meituan'daki Vision AI Department tarafından geliştirilen YOLOv6-3.0, özellikle GPU donanımında endüstriyel uygulamalarda maksimum iş hacmi için kapsamlı şekilde optimize edildi.

• 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 birleştirmeyi ve donanım verimliliğini geliştirmek için birkaç önemli değişiklik sundu. Mimari, boyun bölümünde daha doğru konumlandırma sinyalleri sağlayan bir Çift Yönlü Birleştirme (BiC) modülü içerir. Ayrıca bir Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu yaklaşım, çapa tabanlı eğitimin zengin yönlendirmesini çapasız paradigmanın çıkarım hızıyla birleştirerek dağıtımı yavaşlatmadan daha iyi performans sağlar.

Omurga, GPU çıkarımı için donanım dostu olacak şekilde titizlikle optimize edilmiş bir EfficientRep tasarımını temel alır. Bu sayede, yoğun toplu işlemenin norm olduğu endüstriyel üretim senaryolarında son derece başarılıdır.

Güçlü ve Zayıf Yönler#

YOLOv6-3.0'ın temel gücü, NVIDIA T4 gibi GPU'larda sunduğu yüksek kare hızıdır; bu da onu yoğun video anlama akışları için uygun hale getirir. Ancak belirli donanım optimizasyonlarına büyük ölçüde bağlı olması, yalnızca CPU kullanan uç cihazlarda optimalin altında gecikmeye yol açabilir. Ayrıca eğitim işlem hattının kurulumu, daha birleşik 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 ve CNN mimarilerinin teorik sınırlarını zorlamaya odaklanır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica
• Tarih: 21 Şubat 2024
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Mimari Yenilikler#

YOLOv9'ın başlıca katkısı, kritik verilerin birden fazla ağ katmanından geçerken korunmasını sağlayarak daha güvenilir ağırlık güncellemelerine olanak tanıyan Programlanabilir Gradyan Bilgisi (PGI) özelliğidir. PGI'ye ek olarak model, Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) içerir. GELAN, parametre verimliliğini en üst düzeye çıkararak YOLOv9'ın birçok önceki modele göre daha az hesaplama FLOPs'u ile üstün doğruluk elde etmesini sağlar.

Güçlü ve Zayıf Yönler#

YOLOv9, COCO gibi kıyaslama veri kümelerinde olağanüstü ortalama Kesinlik (mAP) elde eder ve bu da onu ham doğruluğa öncelik veren araştırmacıların gözdesi haline getirir. Ancak YOLOv6 gibi o da son işleme için hâlâ geleneksel Maksimum Olmayan Bastırma (NMS) yöntemine dayanır. Bu durum gecikme ekler ve özellikle ONNX veya TensorRT gibi biçimleri 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 çok önemlidir.

Ultralytics Avantajı: YOLO26 ile Tanışın#

YOLOv6-3.0 ve YOLOv9 sağlam mimariler sunsa da üretim ortamları iyi bakımı yapılan bir ekosistem, düşük bellek gereksinimleri ve olağanüstü kullanım kolaylığı talep eder. Ultralytics Platform ile YOLO11 ve en yeni YOLO26 gibi modeller bu noktada öne çıkar.

2026'nın başlarında yayımlanan YOLO26, eski darboğazları ortadan kaldırarak dağıtım verimliliğini temelden yeniden tanımlar.

YOLO26'nın Temel Yenilikleri#

1. MuSGD Optimizer: LLM eğitiminden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ve Muon'un bir birleşimini kullanır. Bu, bilgisayarlı görü görevlerine benzersiz bir eğitim kararlılığı ve daha hızlı yakınsama kazandırır.
2. %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLOv6'nın GPU'lara yoğun şekilde odaklanmasının aksine YOLO26, uç cihazlar için kapsamlı biçimde optimize edilmiştir. Distribution Focal Loss'un (DFL) kaldırılması başlığı basitleştirerek düşük güç tüketimli CPU'larla ve uç bilişim donanımıyla son derece uyumlu hale getirir.
3. ProgLoss + STAL: Gelişmiş kayıp işlevleri, hava görüntüleri ve robotik için kritik olan küçük nesne algılamayı büyük ölçüde iyileştirir.
4. Eşsiz Çok Yönlülük: YOLOv6 yalnızca bir algılama motoruyken YOLO26, örnek segmentasyonu, sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı sorunsuz şekilde gerçekleştirir.

Ultralytics ile Sorunsuz Eğitim#

Son teknoloji modelleri eğitmek karmaşık bash betikleri gerektirmemelidir. Ultralytics Python API; otomatik veri yükleme, minimum CUDA bellek kullanımı ve yerleşik izleme özellikleriyle yalınlaştırılmış bir deneyim sunar.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

İdeal Kullanım Alanları#

Doğru mimariyi seçmek tamamen hedef dağıtım ortamına bağlıdır:

• YOLOv6-3.0'ı şu amaçlarla kullan: Sunucu sınıfı GPU'ların (ör. A100'ler) bol olduğu ve toplu işlemenin iş hacmini en üst düzeye çıkardığı fabrika otomasyonu ve kusur algılama.
• YOLOv9'u şu amaçlarla kullan: COCO gibi standartlaştırılmış veri kümelerinde mümkün olan en yüksek mAP değerini elde etmenin birincil hedef olduğu akademik araştırmalar veya yarışmalar.
• YOLO26'yı şu amaçlarla kullan: Neredeyse tüm modern ticari uygulamalar. NMS'siz mimarisi, düşük bellek ayak izi ve yüksek hızlı CPU çıkarımı onu güvenlik alarm sistemleri, akıllı perakende ve gömülü cihazlarda gerçek zamanlı nesne takibi için ideal hale getirir.

Kapsamlı Ultralytics ekosisteminden yararlanan geliştiriciler, kendi gerçek dünya sorunları için ideal performans dengesini bulmak üzere YOLOv8, YOLO11 ve YOLO26 ile kolayca denemeler yapabilir.