Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ile YOLOX#

Bilgisayarlı görü alanı, akademik araştırmayla endüstriyel uygulama arasındaki boşluğu kapatmayı amaçlayan modellerden büyük ölçüde etkilendi. Yüksek performanslı dağıtım için tasarlanmış nesne algılama çerçevelerini değerlendirirken YOLOv6-3.0 ve YOLOX sık sık öne çıkan adaylar olarak karşımıza çıkar. Her iki model de iş hacmini ve kesinliği en üst düzeye çıkarmak için farklı mimari yaklaşımlar sunar; ancak tasarım tercihleri ve temel dağıtım hedefleri bakımından önemli ölçüde ayrışırlar.

Bu kapsamlı teknik karşılaştırma, YOLOv6-3.0 ve YOLOX'un mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını derinlemesine incelerken yeni nesil Ultralytics YOLO26 modelinin bu yenilikleri nasıl temel alıp aştığını da ele alıyor.

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, donanım dostu GPU çıkarımı için büyük ölçüde optimize edilmiş EfficientRep tasarımını temel alır; bu da modeli NVIDIA TensorRT'den yararlanan arka uç işleme ortamlarında özellikle güçlü kılar.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yenilikçi yaklaşım, dağıtım sırasında gecikme cezasına yol açmadan her iki yaklaşımın en iyi özelliklerini etkili biçimde birleştirerek, çapa tabanlı eğitimin kararlılığından yararlanırken çapasız çıkarım işlem hattını korur.

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.

Ayrıca YOLOX, COCO veri kümesi gibi standart kıyaslamalarda sıfırdan eğitildiğinde dayanıklılığını büyük ölçüde artıran güçlü veri artırma stratejilerini (MixUp ve Mosaic gibi) eğitim işlem hattına yerel olarak ekledi.

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)		mAPval
50-95		Hız
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 son derece hafif varyantlar sunsa da YOLOv6-3.0 üst uçta daha iyi ölçeklenir; büyük modellerde daha yüksek mAP ve mükemmel TensorRT hızlandırması sunar. 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOv6 ve YOLOX kendi dönemlerinde nesne algılamanın sınırlarını zorlasa da modern bilgisayarlı görü, sınırlayıcı kutu tahminlerinden fazlasını gerektirir. Geliştiricilerin birleşik çerçevelere, sorunsuz dağıtım işlem hatlarına ve verimli eğitim mekanizmalarına ihtiyacı vardır. Özellikle YOLO26'nın sunulmasıyla Ultralytics Platform tam da bu noktada öne çıkar.

Ocak 2026'da piyasaya sürülen YOLO26, köklü bir değişimi temsil eder. Son derece geliştirici dostu bir ekosistemi korurken benzersiz performans sunar.

YOLO26'nın Temel Yenilikleri#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramları temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemeye duyulan ihtiyacı ortadan kaldıran yerel bir NMS'siz başlık (nms=False) sunar. Bu, gecikme değişkenliğini önemli ölçüde azaltır ve uç dağıtımını kolaylaştırır.
  • MuSGD Optimizasyonu: YOLO26, LLM eğitimindeki yeniliklerden yararlanır ve Moonshot AI'ın Kimi K2'sinden esinlenen hibrit MuSGD optimizasyonunu kullanır. Bu, eski optimizasyonlara kıyasla son derece kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: GPU dışı donanımlarda zorlanan YOLOv6'nın aksine YOLO26, uç cihazlar için yoğun biçimde optimize edilmiştir. DFL'yi (Dağılım Odaklı Kayıp) kaldırarak çıktı başlığını basitleştirir ve mobil ile CPU ortamlarında inanılmaz derecede hızlı çalışır.
  • ProgLoss + STAL: Üstün kayıp fonksiyonları küçük nesne algılamayı önemli ölçüde iyileştirir; bu, YOLOX gibi eski mimarilerin sıklıkla zorlandığı bir alandır. Bu özellik YOLO26'yı hava görüntüleri ve IoT sensörleri için ideal kılar.
  • Eşsiz Çok Yönlülük: YOLOv6 ve YOLOX yalnızca algılama modelleriyken tek bir YOLO26 mimarisi yerel olarak örnek segmentasyonunu, poz tahminini, görüntü sınıflandırmasını ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.

Kullanım Kolaylığı ve Ekosistem Desteği#

Ultralytics'i seçtiğinde bakımı iyi yapılan ve etkin biçimde geliştirilen bir ekosisteme erişirsin. Ultralytics Python paketi, hacimli Transformer modellerine kıyasla eğitim sırasında son derece düşük bellek gereksinimleri ve ONNX, OpenVINO ve CoreML gibi biçimlere sorunsuz dışa aktarma olanağı sunarak "sıfırdan uzmana" deneyimi sağlar.

from ultralytics import YOLO

# En yeni YOLO26 nano modelini yükle (NMS'siz başlık nms=False ile kullanılabilir)
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. Güçlü NVIDIA donanımına dayalı, yüksek iş hacimli video analitiği sistemleri geliştiriyorsan YOLOv6-3.0 olağanüstü TensorRT hızlandırması sunar. Buna karşılık YOLOX, tamamen ayrık ve çapasız tasarımdan yararlanan ortamlar için tarihsel favori olmayı sürdürür.

Ancak hız, doğruluk ve kullanım kolaylığı arasında en iyi dengeyi arayan geliştiriciler için Ultralytics YOLO26 modeline geçiş en doğru yoldur. Uçtan uca NMS'siz mimarisi, hızlı CPU çıkarımı ve Ultralytics ekosistemi aracılığıyla sunduğu kapsamlı destekle eski endüstriyel CNN'leri kolaylıkla geride bırakır. Önceki, üretimde yüksek kararlılık sunan varyantlarla ilgilenen kullanıcılar için YOLO11 de tam olarak desteklenmeye ve kurumsal uygulamalarda yaygın biçimde kullanılmaya devam ediyor.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1

Yorumlar