Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 vs YOLOv6-3.0#

Bilgisayarlı görü alanı sürekli gelişiyor ve yeni nesne algılama modelleri, hız ve doğruluk sınırlarını sürekli olarak zorluyor. Bu yolculuktaki iki önemli dönüm noktası YOLOv7 ve YOLOv6-3.0'dır. Her iki model de gerçek dünya uygulamaları için verimi ve hassasiyeti en üst düzeye çıkarmak üzere tasarlanmış benzersiz mimari yenilikler sunmuştur. Bu sayfa, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak adına her iki mimarinin performanslarını, eğitim metodolojilerini ve ideal kullanım durumlarını karşılaştıran derinlemesine teknik bir analiz sunar.

Link to this sectionYOLOv7: Bag-of-Freebies'in Öncüsü#

2022 yılının ortalarında piyasaya sürülen YOLOv7, çıkarım maliyetini artırmadan ağ mimarisini optimize etmek için çeşitli yenilikçi stratejiler sunmuştur. Gerçek zamanlı performansı korurken doğruluğu artırmak için eğitilebilir "bag-of-freebies" (ücretsiz hediyeler çantası) yaklaşımına yoğun bir şekilde odaklanmıştır.

Link to this sectionMimari Öne Çıkanlar#

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) ile karakterize edilir. Bu mimari, modelin en kısa ve en uzun gradyan yolunu kontrol ederek daha çeşitli özellikleri öğrenmesini sağlar. Ayrıca YOLOv7, çıkarım sırasında evrişim katmanlarını birleştirmek için yapısal yeniden parametrelendirme tekniklerini kullanarak, öğrenilen temsillerden ödün vermeden parametre sayısını ve hesaplama süresini etkili bir şekilde azaltır.

Model ayrıca benzersiz bir yardımcı başlık (auxiliary head) eğitim stratejisine sahiptir. Son tahminler için bir "ana başlık" (lead head) ve orta katmanlardaki eğitimi yönlendirmek için bir "yardımcı başlık" kullanarak, özellikle zorlu nesne algılama görevlerinde YOLOv7 daha iyi yakınsama ve daha zengin özellik çıkarımı sağlar.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv6-3.0: Endüstriyel Ölçekte İşleme Kapasitesi#

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, açıkça "endüstriyel uygulamalar için yeni nesil nesne algılayıcı" olarak tasarlanmıştır. 2023'ün başlarında piyasaya sürülen bu model, özellikle NVIDIA GPU'larda donanım kullanımını en üst düzeye çıkarmaya odaklanmıştır.

Link to this sectionMimari Öne Çıkanlar#

YOLOv6-3.0, GPU'larda paralel işleme için yüksek oranda optimize edilmiş EfficientRep omurgasını benimser. Bu, onu büyük ölçekli yığın işleme için inanılmaz derecede verimli kılar. 3.0 sürümü, farklı ölçeklerde özellik füzyonunu artırmak için boyun kısmına bir Çift Yönlü Birleştirme (BiC) modülü ekleyerek modelin değişen boyutlardaki nesneleri algılama yeteneğini geliştirmiştir.

Ek olarak, YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yenilikçi yaklaşım, çapa tabanlı eğitimin avantajlarını çapa içermeyen çıkarımla birleştirerek, modelin öğrenme aşamasında çapaların kararlılığından faydalanmasını sağlarken, dağıtım sırasında çapa içermeyen bir tasarımın hızını ve basitliğini korumasına olanak tanır.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Modelleri üretim için değerlendirirken, doğruluk (mAP) ile çıkarım hızı ve hesaplama yükünü (FLOPs) dengelemek kritiktir. Aşağıda, her iki modelin standart varyantlarının ayrıntılı bir karşılaştırması yer almaktadır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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
Donanım Hususları

YOLOv6-3.0, yüksek verimli GPU ortamları (örneğin TensorRT) için son derece uygundur; YOLOv7 ise özellik korumanın ön planda olduğu sistemler için güçlü bir denge sağlar.

Link to this sectionUltralytics Avantajı#

YOLOv7 ve YOLOv6-3.0 için bağımsız depolar güçlü olsa da, bunları Ultralytics ekosistemi içinde kullanmak geliştirici deneyimini dönüştürür. ultralytics Python paketi, bu çeşitli mimarileri tek bir sezgisel çerçeve altında standartlaştırır.

  • Kullanım Kolaylığı: Karmaşık kurulum betikleriyle uğraştığın günler geride kaldı. Ultralytics API, minimum kod ile YOLOv7 veya YOLOv6 modellerini yüklemeni, eğitmeni ve dağıtmanı sağlar. Yalnızca model ağırlıkları dosyasını değiştirerek mimariler arasında kolayca geçiş yapabilirsin.
  • İyi Korunan Ekosistem: Ultralytics, sık güncellemelerle güçlü bir ortam sağlar ve en son PyTorch dağıtımları ve CUDA sürümleriyle yerel uyumluluğu garanti eder.
  • Eğitim Verimliliği: Eğitim hatları, GPU kaynaklarını etkili bir şekilde kullanmak için derinlemesine optimize edilmiştir. Ayrıca, Ultralytics YOLO modelleri, eğitim sırasında genellikle ağır Transformer tabanlı modellere (örneğin RT-DETR) kıyasla daha düşük bellek gereksinimlerine sahiptir ve bu da tüketici sınıfı donanımlarda daha büyük yığın boyutlarına olanak tanır.
  • Çok Yönlülük: Standart sınırlayıcı kutu (bounding box) algılamasına ek olarak, Ultralytics çerçevesi, uyumlu model aileleri genelinde poz tahmini ve örnek bölümleme gibi gelişmiş görevleri sorunsuz bir şekilde destekler; bu, izole araştırma depolarında genellikle eksik olan bir özelliktir.

Link to this sectionKod Örneği: Eğitim ve Çıkarım#

Bu modelleri Python hattına entegre etmek oldukça basittir. Veri setinin doğru biçimlendirildiğinden (örneğin standart COCO) emin ol ve aşağıdakileri çalıştır:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model (or 'yolov6n.pt' for YOLOv6)
model = YOLO("yolov7.pt")

# Train the model with built-in hyperparameter management
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image URL or local path
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the detection results
predictions[0].show()

Link to this sectionİdeal Kullanım Senaryoları#

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

YOLOv7, yüksek doğruluk ve yoğun özellik çıkarımı gerektiren senaryolarda öne çıkar.

  • Karmaşık Gözetim: İnce ayrıntıları koruma yeteneği, kalabalık sahneleri izlemek veya akıllı şehir altyapısındaki küçük anormallikleri tespit etmek için onu uygun kılar.
  • Akademik Kıyaslama: Kapsamlı "bag-of-freebies" tasarım felsefesi nedeniyle araştırmalarda genellikle güçlü bir temel olarak kullanılır.

Link to this sectionNe Zaman YOLOv6-3.0 Seçilmeli#

YOLOv6-3.0, yüksek hacimli, GPU hızlandırmalı hatlar için vazgeçilmezdir.

  • Endüstriyel Otomasyon: Sunucu sınıfı GPU'ların birden fazla video akışını eşzamanlı olarak işlediği fabrika hatları ve üretim hata tespiti için mükemmeldir.
  • Yüksek Verimli Analitik: Saniyedeki kare sayısını en üst düzeye çıkarmanın birincil hedef olduğu çevrimdışı video arşivlerini işlemek için mükemmeldir.

Link to this sectionGelecek: YOLO26#

YOLOv7 ve YOLOv6-3.0 oldukça yetenekli olsa da, yapay zeka inovasyonunun hızlı temposu daha da fazla verimlilik gerektiriyor. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, eski mimarilerin sınırlamalarını sistematik olarak ele alarak bilgisayarlı görüde nesilsel bir sıçramayı temsil eder.

Eğer yeni bir projeye başlıyorsan, önceki nesillere kıyasla YOLO26 şiddetle önerilir. Birçok çığır açan özellik sunar:

  • Uçtan Uca NMS-Free Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) mekanizmasını yerel olarak ortadan kaldırır. Bu, işlem sonrası yükünü azaltır, mobil uygulamalara dağıtımı basitleştirir ve son derece deterministik, düşük gecikmeli bir çıkarım sağlar.
  • MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2 modelinde kullanılanlar gibi) esinlenen YOLO26, SGD ve Muon'u birleştiren hibrit bir optimize edici kullanır. Bu, daha kararlı eğitim dinamikleri ve çok daha hızlı yakınsama garanti eder.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 CPU'larda devasa hız artışları sağlar. Bu, onu Raspberry Pi ve uzak IoT sensörleri gibi uç ortamlar için tartışmasız şampiyon yapar.
  • ProgLoss + STAL: Tek aşamalı dedektörlerin tarihsel bir zayıflığı olan küçük nesne tanımayı iyileştirmek için özel olarak tasarlanmış gelişmiş kayıp fonksiyonları.

Bu yenilikleri güçlü Ultralytics Platformu ile birleştiren YOLO26, modern makine öğrenmesi mühendisi için benzersiz performans, çok yönlülük ve dağıtım kolaylığı sunar.

Katkıda Bulunanlar
GLglenn-jocher14

Yorumlar