İçeriğe geç

YOLOv7 ve YOLOv6-3.0: Kapsamlı Bir Teknik Karşılaştırma

Bilgisayar görüşü alanı sürekli gelişmekte, yeni nesne detect modelleri hız ve doğruluk sınırlarını sürekli zorlamaktadır. Bu yolculuktaki iki önemli kilometre taşı 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 amacıyla, her iki mimarinin performanslarını, eğitim metodolojilerini ve ideal kullanım durumlarını karşılaştıran derinlemesine bir teknik analiz sunar.

YOLOv7: 'Bag-of-Freebies' Öncüsü

2022 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" üzerine yoğunlaşmıştır.

Mimari Öne Çıkanlar

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

Model ayrıca benzersiz bir yardımcı kafa eğitim stratejisine sahiptir. Nihai tahminler için bir "ana kafa" ve orta katmanlarda eğitimi yönlendirmek için bir "yardımcı kafa" kullanarak, YOLOv7 daha iyi yakınsama ve daha zengin özellik çıkarımı elde eder; bu, özellikle zorlu nesne detect görevleriyle uğraşırken faydalıdır.

YOLOv7 hakkında daha fazla bilgi edinin.

YOLOv6-3.0: Endüstriyel Sınıf Verim

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, "endüstriyel uygulamalar için yeni nesil bir nesne detect edici" olarak açıkça tasarlanmıştır. 2023 başında piyasaya sürülen bu model, özellikle NVIDIA GPU'larında donanım kullanımını en üst düzeye çıkarmaya büyük ölçüde odaklanmıştır.

Mimari Öne Çıkanlar

YOLOv6-3.0, GPU'larda paralel işleme için yüksek düzeyde optimize edilmiş bir EfficientRep backbone kullanır. Bu, onu büyük ölçekli toplu işleme için inanılmaz derecede verimli kılar. Sürüm 3.0, farklı ölçeklerde özellik birleştirmeyi geliştirmek için boyun kısmına Çift Yönlü Birleştirme (BiC) modülü ekleyerek, modelin farklı boyutlardaki nesneleri detect etme yeteneğini geliştirmiştir.

Ayrıca, YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yenilikçi yaklaşım, çapa tabanlı eğitimin faydalarını çapasız çıkarım ile birleştirerek, modelin öğrenme aşamasında çapaların kararlılığından yararlanmasını sağlarken, dağıtım sırasında çapasız bir tasarımın hızını ve basitliğini korur.

YOLOv6 hakkında daha fazla bilgi edinin.

Performans Karşılaştırması

Üretim için modelleri değerlendirirken, doğruluk (mAP) ile çıkarım hızı ve hesaplama yükü (FLOPs) arasında denge kurmak kritik öneme sahiptir. Aşağıda, her iki modelin standart varyantlarının ayrıntılı bir karşılaştırması bulunmaktadır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(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 gibi) için son derece uygunken, YOLOv7 özellik korunumunun yoğun bir şekilde önceliklendirildiği sistemler için sağlam bir denge sunar.

Ultralytics'in Avantajı

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

  • Kullanım Kolaylığı: Karmaşık kurulum betikleri günleri geride kaldı. Ultralytics API'si, YOLOv7 veya YOLOv6 modellerini minimum şablon kodla yüklemenize, eğitmenize ve dağıtmanıza olanak tanır. Sadece model ağırlık dosyasını değiştirerek mimariler arasında kolayca geçiş yapabilirsiniz.
  • İyi Yönetilen Ekosistem: Ultralytics, sık güncellemelerle sağlam bir ortam sağlayarak en son PyTorch dağıtımları ve CUDA sürümleriyle yerel uyumluluğu garanti eder.
  • Eğitim Verimliliği: Eğitim hatları, GPU kaynaklarını etkili bir şekilde kullanmak üzere derinlemesine optimize edilmiştir. Ayrıca, Ultralytics YOLO modelleri, ağır transformatör tabanlı modellere (örneğin RT-DETR gibi) kıyasla eğitim sırasında genellikle daha düşük bellek gereksinimlerine sahiptir, bu da tüketici sınıfı donanımlarda daha büyük batch sizes kullanımına olanak tanır.
  • Çok Yönlülük: Standart sınırlayıcı kutu detect'ine ek olarak, Ultralytics çerçevesi, uyumlu model aileleri arasında pose estimation ve instance segmentation 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 setinizin doğru biçimlendirildiğinden (örneğin, standart COCO) emin olun ve aşağıdakileri 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

YOLOv7 Ne Zaman Tercih Edilmeli?

YOLOv7, yüksek doğruluk ve yoğun özellik çıkarımı gerektiren senaryolarda üstün performans gösterir.

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

Ne Zaman YOLOv6-3.0 Seçmeli

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

  • Endüstriyel Otomasyon: Sunucu sınıfı GPU'ların birden fazla video akışını eş zamanlı olarak işlediği fabrika hatları ve üretim hatası detect'i için mükemmeldir.
  • Yüksek Verimli Analiz: 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 yüksek verimlilik gerektirmektedir. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, bilgisayar görüşünde nesiller arası bir sıçramayı temsil etmekte ve eski mimarilerin sınırlamalarını sistematik olarak ele almaktadır.

Yeni bir projeye başlıyorsanız, YOLO26 önceki nesillere göre şiddetle tavsiye edilir. Birkaç çığır açan özellik sunar:

  • Uçtan Uca NMS-Free Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS)'ı doğal olarak ortadan kaldırır. Bu, işlem sonrası yükü azaltır, mobil uygulamalara dağıtımı basitleştirir ve yüksek derecede deterministik, düşük gecikmeli çıkarım sağlar.
  • MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'nin Kimi K2'sinde kullanılanlar gibi) esinlenerek, YOLO26, SGD ve Muon'u birleştiren hibrit bir optimize edici kullanır. Bu, daha kararlı eğitim dinamikleri ve önemli ölçüde daha hızlı yakınsama garanti eder.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL)'yi stratejik olarak kaldırarak, YOLO26 CPU'larda büyük hız artışları elde eder. Bu, onu Raspberry Pi ve uzak IoT sensörleri gibi kenar ortamları için tartışmasız şampiyon yapar.
  • ProgLoss + STAL: Tek aşamalı detect'örlerin tarihsel bir zayıflığı olan küçük nesne tanımayı iyileştirmek için özel olarak tasarlanmış gelişmiş kayıp fonksiyonları.

Bu yenilikleri güçlü Ultralytics Platformu ile birleştirerek, YOLO26 modern makine öğrenimi mühendisi için eşsiz performans, çok yönlülük ve dağıtım kolaylığı sunar.


Yorumlar