Başla

YOLOv6-3.0 ile YOLOX

Bilgisayarlı görü alanını, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatmayı amaçlayan modeller şekillendirmiştir. Yüksek performanslı dağıtım için tasarlanmış nesne algılama çerçevelerini değerlendirirken YOLOv6-3.0 ve YOLOX sıklıkla öne çıkan seçenekler olarak karşımıza çıkar. Her iki model de verimi ve hassasiyeti en üst düzeye çıkarmak için farklı mimari yaklaşımlar sunar; ancak tasarım tercihleri ve başlıca dağıtım hedefleri bakımından önemli ölçüde ayrılır.

Bu teknik karşılaştırma, YOLOv6-3.0 ile YOLOX'in mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını ele alıyor; ayrıca Ultralytics YOLO26 modelinin bu fikirleri nasıl geliştirdiğini açıklıyor.

YOLOv6-3.0: Endüstriyel İşlem Hacmi#

Meituan'ın Görüntü Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, endüstriyel uygulamalar için optimize edilmiş tek aşamalı bir nesne algılama çerçevesi olarak tanımlanır. GPU mimarilerinde iş hacmini en üst düzeye çıkarmaya özellikle öncelik verir.

Mimari ve Yöntem#

YOLOv6-3.0, farklı ölçeklerde özellik birleştirmeyi iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü sunar. Omurgası, GPU'da donanım dostu çıkarım için optimize edilmiş EfficientRep tasarımını temel alır; bu da modeli NVIDIA TensorRT ile arka uç işlemleri için son derece uygun hâle getirir.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yaklaşım, çapa tabanlı eğitimin kararlılığını korurken çapasız bir çıkarım işlem hattı kullanır; böylece dağıtım sırasında ek gecikme oluşmaz.

Donanıma Özgü Optimizasyon

YOLOv6 özel GPU'larda başarılı olsa da yüksek ölçüde özelleştirilmiş mimarisi, standart CPU'lara veya düşük güçlü uç cihazlara dağıtıldığında bazen ideal olmayan gecikmelere yol açabilir.

YOLOv6 hakkında daha fazla bilgi edin

YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#

Megvii tarafından sunulan YOLOX, SimOTA gibi gelişmiş eğitim stratejileriyle birleştirilmiş çapasız tasarımı tamamen benimseyerek YOLO ailesinde önemli bir değişimi temsil etti.

Mimari ve Yöntem#

YOLOX, çapasız bir mekanizmayı ayrık başlık yapısıyla başarıyla birleştirdi. Sınıflandırma ve regresyon görevlerini ayrı yollara ayırarak yakınsama hızını önemli ölçüde artırdı ve bağlantılı algılama başlıklarında sıkça görülen çelişkili hedefleri azalttı.

Buna ek olarak YOLOX, COCO veri kümesi gibi standart kıyaslamalarda sıfırdan eğitildiğinde sağlamlığını artıran MixUp ve Mosaic gibi güçlü veri artırma stratejilerini eğitim işlem hattına dâhil etmiştir.

Ayrık Başlığın Avantajı

YOLOX'taki ayrık başlık önemli bir dönüm noktasıydı ve göreve özgü özellikleri ayırmanın genel doğruluğu artırdığını kanıtlayarak sonraki nesil algılama modellerine ilham verdi.

YOLOX hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu modelleri doğrudan karşılaştırdığında hız, parametre sayısı ve doğruluk arasındaki ödünleşimler ortaya çıkar. Aşağıda her iki ailedeki önemli modelleri öne çıkaran ayrıntılı performans tablosu yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOX, Nano gibi çok hafif çeşitler sunsa da YOLOv6-3.0 üst düzeyde daha iyi ölçeklenir; büyük modellerde daha yüksek mAP ve güçlü TensorRT hızlandırması sağlar. Ancak her iki model de modern uygulamalara entegre edilmesi zahmetli olabilen eski eğitim depolarına dayanır.

Kullanım Alanları ve Öneriler#

YOLOv6 ile YOLOX arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına 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.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

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'in Avantajı: YOLO26 ile Tanış#

YOLOv6 ve YOLOX kendi dönemlerinde nesne algılamanın sınırlarını zorlasa da modern bilgisayarlı görü, sınırlayıcı kutu tahminlerinden daha fazlasını gerektiriyor. Geliştiricilerin birleşik çerçevelere, basit dağıtım işlem hatlarına ve verimli eğitime ihtiyacı var. Ultralytics Platform ve YOLO26 bu ihtiyaçlar için geliştirildi.

Ocak 2026'da yayımlanan YOLO26, geliştirici dostu Ultralytics iş akışını korurken doğruluk-gecikme dengesini iyileştirir.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesine olan ihtiyacı ortadan kaldıran isteğe bağlı NMS'siz bir başlık (nms=False) sunar. Bu, gecikme değişkenliğini azaltır ve uçta dağıtımı basitleştirir.
  • MuSGD Optimizer: YOLO26, LLM eğitiminden fikirler alır ve SGD ile Muon'u birleştiren, Moonshot AI'nin Kimi K2'sinden ilham alan hibrit bir MuSGD optimizer kullanır. Bu, eski optimizer'lara kıyasla daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: GPU'ları hedefleyen YOLOv6'nın aksine YOLO26, uç cihazlar için optimize edilmiştir. Distribution Focal Loss'un (DFL) kaldırılması çıktı başlığını basitleştirir ve YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama, YOLOX gibi eski mimarilerin sıklıkla zorlandığı küçük nesne algılamayı iyileştirir. Bu özellik, YOLO26'yı hava görüntüleri ve IoT sensörleri için ideal kılar.
  • Çoklu Görev Esnekliği: YOLOv6 ve YOLOX çoğunlukla algılama modelleriyken tek bir YOLO26 mimarisi örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) da destekler.

Kullanım Kolaylığı ve Ekosistem Desteği#

Ultralytics'i seçtiğinde iyi bakımı yapılan ve etkin biçimde geliştirilen bir ekosisteme erişirsin. Ultralytics Python paketi, eğitimden dağıtıma kadar tüm iş akışını kapsar, eğitim sırasında Transformer tabanlı modellere kıyasla daha az bellek kullanır ve doğrudan ONNX, OpenVINO ve CoreML gibi biçimlere aktarım yapar.

from ultralytics import YOLO

# YOLO26 nano modelini yükle (NMS'siz başlığa nms=False ile erişilebilir)
model = YOLO("yolo26n.pt")

# COCO8 örnek veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Verimli CPU veya GPU çıkarımı çalıştır
results = model("https://ultralytics.com/images/bus.jpg")

# Endüstriyel dağıtım için TensorRT'ye aktar
model.export(format="engine")

Sonuç ve Öneriler#

YOLOv6-3.0 ile YOLOX arasında karar verirken donanım kısıtlarını göz önünde bulundur. Sağlam NVIDIA donanımıyla desteklenen yüksek verimli video analizi sistemleri geliştiriyorsan YOLOv6-3.0 güçlü TensorRT hızlandırması sunar. Buna karşılık YOLOX, tamamen ayrıştırılmış ve çapasız bir tasarımdan yararlanan projeler için bilinen bir temel model olmaya devam eder.

Ancak hız, doğruluk ve kullanım kolaylığı açısından en iyi dengeyi arayan geliştiriciler için Ultralytics YOLO26 önerilen seçenektir. İsteğe bağlı NMS'siz başlığı, hızlı CPU çıkarımını ve Ultralytics ekosistemi genelindeki tam desteği bir araya getirir. Önceki nesil YOLO11 de tam olarak desteklenmeye ve kurumsal uygulamalarda yaygın biçimde kullanılmaya devam ediyor.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.