Ultralytics YOLO27:
Get Started

YOLOv7 ve YOLOv6-3.0#

Bilgisayarlı görü alanı sürekli gelişiyor; yeni nesne algılama modelleri hız ve doğruluğun sınırlarını durmaksızın zorluyor. Bu gelişim yolculuğundaki iki önemli kilometre taşı YOLOv7 ve YOLOv6-3.0'dır. Her iki model de gerçek dünya uygulamalarında verim ve hassasiyeti en üst düzeye çıkarmak için tasarlanmış özgün mimari yenilikler sundu. Bu sayfa, bilinçli bir karar vermene yardımcı olmak için her iki mimariyi, performanslarını, eğitim yöntemlerini ve ideal kullanım alanlarını derinlemesine teknik açıdan inceliyor.

YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#

2022'nin ortalarında yayımlanan YOLOv7, çıkarım maliyetini artırmadan ağ mimarisini optimize etmek için çeşitli yenilikçi stratejiler sundu. Gerçek zamanlı performansı korurken doğruluğu artırmak amacıyla eğitilebilir "ücretsiz avantajlar paketi" yaklaşımına yoğunlaştı.

Mimari Öne Çıkanlar#

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) ile öne çıkar. Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek modelin daha çeşitli özellikleri öğrenmesini sağlar. Ayrıca YOLOv7, çıkarım sırasında evrişim katmanlarını birleştirmek için yapısal yeniden parametreleme tekniklerinden yararlanır; öğrenilmiş temsillerden ödün vermeden parametre sayısını ve işlem süresini etkili biçimde azaltır.

Model ayrıca özgün bir yardımcı başlık eğitim stratejisine sahiptir. Nihai tahminler için bir "ana başlık", orta katmanlardaki eğitime rehberlik etmek içinse bir "yardımcı başlık" kullanan YOLOv7, özellikle zorlu nesne algılama görevlerinde daha iyi yakınsama ve daha zengin özellik çıkarımı sağlar.

YOLOv7 hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Sınıf Verim#

Meituan Görüntü Yapay Zekâ Departmanı tarafından geliştirilen YOLOv6-3.0, açıkça "endüstriyel uygulamalar için yeni nesil nesne algılayıcı" olarak tasarlandı. 2023'ün başlarında yayımlanan model, özellikle NVIDIA GPU'larda donanım kullanımını en üst düzeye çıkarmaya odaklanıyor.

Mimari Öne Çıkanlar#

YOLOv6-3.0, GPU'larda paralel işleme için yüksek düzeyde optimize edilmiş bir EfficientRep omurgası kullanır. Bu sayede büyük ölçekli toplu işlemelerde son derece verimlidir. 3.0 sürümü, farklı ölçeklerde özellik birleştirmeyi geliştirmek için boyun kısmına Çift Yönlü Birleştirme (BiC) modülü ekleyerek modelin farklı boyutlardaki nesneleri algılama becerisini iyileştirdi.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisinden yararlanır. Bu yenilikçi yaklaşım, çapa tabanlı eğitimin avantajlarını çapasız çıkarımla birleştirerek modelin öğrenme aşamasında çapaların kararlılığından faydalanmasını, dağıtım sırasında ise çapasız tasarımın hızını ve sadeliğini korumasını sağlar.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Üretim için modelleri değerlendirirken doğruluğu (mAP) çıkarım hızı ve işlem yüküyle (FLOPs) dengelemek kritik önem taşır. Aşağıda her iki modelin standart varyantlarının ayrıntılı bir karşılaştırması yer alıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(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 ortamlarına (örneğin TensorRT) son derece uygundur; YOLOv7 ise özelliklerin korunmasına büyük önem verilen sistemlerde sağlam bir denge sunar.

Ultralytics Avantajı#

YOLOv7 ve YOLOv6-3.0'ın bağımsız depoları güçlü olsa da Ultralytics ekosistemi, geliştirici deneyimini dönüştürür. ultralytics Python paketi, çeşitli mimarileri tek bir sezgisel çerçeve altında standartlaştırır.

  • Kullanım Kolaylığı: Karmaşık kurulum betiklerine artık gerek yok. Ultralytics API, çok az hazır kodla YOLOv6 modellerini (YAML yapılandırmalarından) veya YOLO26 gibi modern modelleri oluşturmanı, eğitmeni ve dağıtmanı sağlar. YOLOv7 yerel olarak desteklenmez; kaynak YOLOv7 kontrol noktalarının önce ONNX veya TensorRT biçimine aktarılması gerekir. Yalnızca model dosyasını değiştirerek mimariler arasında kolayca geçiş yapabilirsin.
  • İyi Bakımı Yapılan Ekosistem: Ultralytics, sık güncellemelerle desteklenen sağlam bir ortam sunarak en yeni PyTorch dağıtımları ve CUDA sürümleriyle yerel uyumluluğu güvence altına alır.
  • Eğitim Verimliliği: Eğitim işlem hatları, GPU kaynaklarını etkili biçimde kullanacak şekilde derinlemesine optimize edilmiştir. Ayrıca Ultralytics YOLO modelleri, genellikle ağır transformer tabanlı modellere (örneğin RT-DETR) kıyasla eğitim sırasında daha az bellek gerektirir; bu da tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarının kullanılmasını sağlar.
  • Çok Yönlülük: Standart sınırlayıcı kutu algılamasına ek olarak Ultralytics çerçevesi, uyumlu model ailelerinde poz tahmini ve örnek segmentasyonu gibi gelişmiş görevleri sorunsuzca destekler. Bu özellik, bağımsız araştırma depolarında çoğu zaman bulunmaz.

Kod Örneği: Eğitim ve Çıkarım#

Bu modelleri Python işlem hattına entegre etmek kolaydır. Veri kümenin doğru biçimlendirildiğinden emin ol (ör. standart COCO biçiminde) ve aşağıdakini çalıştır:

from ultralytics import YOLO

# YAML yapılandırmasından bir YOLOv6n modeli oluştur (önceden eğitilmiş YOLOv6 ağırlıkları sunulmamaktadır)
model = YOLO("yolov6n.yaml")

# Yerleşik hiperparametre yönetimiyle modeli eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Bir görüntü URL'si veya yerel yol üzerinde çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg")

# Algılama sonuçlarını görselleştir
predictions[0].show()

İdeal Kullanım Alanları#

YOLOv7 Ne Zaman Seçilmeli#

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

  • Karmaşık Gözetim: İnce ayrıntıları koruma becerisi, modeli kalabalık sahneleri izlemek veya akıllı şehir altyapısındaki küçük anormallikleri tespit etmek için uygun hâle getirir.
  • Akademik Karşılaştırma Ölçütleri: Kapsamlı "ücretsiz avantajlar paketi" tasarım felsefesi nedeniyle araştırmalarda sıklıkla güçlü bir temel model olarak kullanılır.

YOLOv6-3.0 Ne Zaman Seçilmeli#

YOLOv6-3.0, yüksek hacimli ve GPU hızlandırmalı işlem hatlarının iş gücüdür.

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

Gelecek: YOLO26#

YOLOv7 ve YOLOv6-3.0 oldukça yetenekli olsa da yapay zekâ yeniliklerinin hızlı temposu daha fazla verimlilik gerektiriyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, eski mimarilerin kısıtlarını sistematik olarak ele alarak bilgisayarlı görüde nesil atlayışı sunuyor.

Yeni bir projeye başlıyorsan önceki nesiller yerine YOLO26'yı kullanman önemle tavsiye edilir. Model, çığır açan birçok özellik sunar:

  • Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 ile atılan temeller üzerine inşa edilen YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırmayı (NMS) ortadan kaldırır. Bu, son işlem yükünü azaltarak dağıtımı mobil uygulamalarda basitleştirir ve son derece belirleyici, düşük gecikmeli çıkarım sağlar.
  • MuSGD Optimizer: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2 modelinde kullanılanlar gibi) esinlenen YOLO26, SGD ile Muon'u birleştiren hibrit bir optimizer kullanır. Bu, daha kararlı eğitim dinamikleri ve çok daha hızlı yakınsama sağlar.
  • CPU Çıkarımında %43'e Kadar Daha Hızlı: Distribution Focal Loss'u (DFL) stratejik olarak kaldıran YOLO26, CPU'larda büyük hız artışları sağlar. Bu, modeli Raspberry Pi ve uzaktaki IoT sensörleri gibi uç ortamların tartışmasız şampiyonu yapar.
  • ProgLoss + STAL: Tek aşamalı algılayıcıların tarihsel zayıflığı olan küçük nesne tanımayı iyileştirmek için özel olarak tasarlanmış gelişmiş kayıp fonksiyonları.

Bu yenilikleri güçlü Ultralytics Platformuyla birleştiren YOLO26, modern makine öğrenimi mühendislerine eşsiz performans, çok yönlülük ve dağıtım kolaylığı sunar.

Katkıda Bulunanlar
GLglenn-jocher17

Yorumlar