YOLOv7 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.

YOLOv7: 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.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Belgeler: Ultralytics YOLOv7 Documentation

Mimari 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 "öncü başlık" (lead head) ve orta katmanlardaki eğitimi yönlendirmek için bir "yardımcı başlık" kullanarak YOLOv7, özellikle zorlu nesne tespiti görevlerinin üstesinden gelirken faydalı olan daha iyi yakınsama ve daha zengin özellik çıkarımı elde eder.

YOLOv7 hakkında daha fazla bilgi edinin

YOLOv6-3.0: 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.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Dokümantasyon: Ultralytics YOLOv6 Dokümantasyonu

Mimari 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

Performans 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.

Ultralytics Avantajı#

YOLOv7 ve YOLOv6-3.0 için bağımsız depolar güçlü olsa da, bunları Ultralytics ekosistemi içinde değerlendirmek geliştirici deneyimini dönüştürür. ultralytics Python paketi, bu farklı mimarileri sezgisel tek bir 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 Bakım Alan Ekosistem: Ultralytics, en son PyTorch dağıtımları ve CUDA sürümleriyle yerel uyumluluk sağlayarak sık güncellemeler içeren sağlam bir ortam sunar.
• Eğitim Verimliliği: Eğitim hatları, GPU kaynaklarını etkili bir şekilde kullanmak için derinlemesine optimize edilmiştir. Ayrıca, Ultralytics YOLO modelleri genellikle ağır tabanlı transformer modellerine (RT-DETR gibi) kıyasla eğitim sırasında daha düşük bellek gereksinimlerine sahiptir, bu da tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarına (batch sizes) olanak tanır.
• Çok Yönlülük: Standart sınırlayıcı kutu tespitine ek olarak Ultralytics çerçevesi; uyumlu model aileleri genelinde poz tahmini ve örnek bölütleme gibi gelişmiş görevleri sorunsuz bir şekilde destekler; bu özellik, genellikle izole araştırma depolarında eksiktir.

Kod Örneği: Eğitim ve Çıkarım#

Bu modelleri Python hattınıza entegre etmek basittir. Veri kümenizin doğru şekilde biçimlendirildiğinden emin olun (ör. standart COCO) ve şunu çalıştırın:

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()

İdeal Kullanım Senaryoları#

Ne 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 hale getirir.
• Akademik Kıyaslama: Kapsamlı "bag-of-freebies" tasarım felsefesi nedeniyle araştırmalarda genellikle güçlü bir temel olarak kullanılır.

Ne 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 aynı anda işlediği fabrika hatları ve üretim kusuru tespiti için mükemmeldir.
• Yüksek Verimli Analitik: Saniyedeki kare sayısını en üst düzeye çıkarmanın birincil hedef olduğu çevrimdışı video arşivlerini işlemek için mükemmeldir.

Gelecek: YOLO26#

YOLOv7 ve YOLOv6-3.0 oldukça yetenekli olsa da, yapay zeka inovasyonunun hızlı temposu daha da büyük bir verimlilik gerektirir. Ocak 2026'da yayınlanan Ultralytics YOLO26, bilgisayarlı görüde nes Hiyerarşik bir sıçramayı temsil eder ve eski mimarilerin sınırlamalarını sistematik olarak ele alır.

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

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) işlemini yerel olarak ortadan kaldırır. Bu, işlem sonrası yükünü azaltır, mobil uygulamalara dağıtımı basitleştirir ve son derece belirleyici, düşük gecikmeli 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: Dağılım Odaklı Kaybı (DFL) stratejik olarak kaldıran YOLO26, CPU'larda devasa hızlanmalar elde eder. 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 Platform ile birleştiren YOLO26, modern makine öğrenimi mühendisi için benzersiz performans, çok yönlülük ve dağıtım kolaylığı sunar.