YOLOv7 YOLOv6. YOLOv6: Nesne Algılamada Yenilik ve Hız Arasındaki Denge

Hızla gelişen gerçek zamanlı nesne algılama alanında, performansı ve verimliliği optimize etmek için doğru mimariyi seçmek çok önemlidir. Bu ayrıntılı karşılaştırma, YOLOv7 ve YOLOv6 karşılaştırmaktadır . Bu iki model, bu alanda önemli bir etkiye sahiptir. Mimari yeniliklerini, karşılaştırma ölçütlerini ve çeşitli bilgisayar görme görevleri için uygunluklarını analiz ediyoruz. Ayrıca, bu temeller üzerine inşa edilen ve üstün performans ve kullanılabilirlik sunan yeni nesil YOLO26'yı tanıtıyoruz.

Modele Genel Bakış

YOLOv7

YOLOv7 , hem hız hem de doğruluk açısından önceki en gelişmiş dedektörleri aşmak üzere tasarlanmıştır. Çıkarım maliyetini artırmadan eğitimi optimize eden, eğitilebilir bir "bag-of-freebies" (ücretsiz paket) sunar.

Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş:Institute of Information Science, Academia Sinica
Tarih: 6 Temmuz 2022
Arxiv:YOLOv7: Eğitilebilir "bag-of-freebies" gerçek zamanlı nesne algılayıcıları için yeni bir son teknoloji belirliyor
GitHub:WongKinYiu/yolov7

YOLOv7 hakkında daha fazla bilgi edinin.

YOLOv6-3.0

YOLOv6.YOLOv6 ( YOLOv6 .0 olarak da bilinir), endüstriyel uygulamalara yoğun bir şekilde odaklanır ve GPU'larda donanım verimini optimize eder. Bu, önceki YOLOv6 göre önemli ölçüde iyileştirilen "yeniden yükleme" güncellemesinin bir parçasıdır.

Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
Kuruluş:Meituan
Tarih: 13 Ocak 2023
Arxiv:YOLOv6 v3.0: Tam Ölçekli Bir Yeniden Yükleme
GitHub:meituan/YOLOv6

YOLOv6 hakkında daha fazla bilgi edinin.

Teknik Karşılaştırma

Her iki model de gerçek zamanlı performans hedefliyor ancak bunu farklı mimari felsefelerle gerçekleştiriyor.

Mimari

YOLOv7 Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN) kullanır. Bu mimari, en kısa ve en uzun gradyan yollarını kontrol ederek ağın gradyan akışını bozmadan daha çeşitli özellikleri öğrenmesini sağlar. Ayrıca, sadece derinliği veya genişliği ölçeklemek yerine katmanları birleştiren model ölçeklemeyi kullanır ve ölçekleme sırasında optimum yapıyı korur.

YOLOv6.YOLOv6, boynunda Çift Yönlü Birleştirme (BiC) modülü ve tamamen çapa içermeyen bir tasarım kullanır. Donanım dostu yapılara odaklanarak GPU'lar için bellek erişim maliyetlerini optimize eder. 3.0 sürümü güncellemesi, yakınsama hızını ve nihai doğruluğu artırmak için özellikle algılama başlığı ve etiket atama stratejilerini yenilemiştir.

Performans Metrikleri

Aşağıdaki tablo, COCO setindeki temel performans ölçütlerini karşılaştırmaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

Güçlü ve Zayıf Yönler

YOLOv7'nin Güçlü Yönleri:

Zengin Özellikler: E-ELAN yapısı, küçük nesnelerin algılanması için faydalı olan ince ayrıntıları yakalamada mükemmeldir.
Yardımcı Başlık: "Kaba-ince" kurşun kılavuzlu etiket ataması kullanır ve eğitim sırasında daha güçlü denetim sağlar.

YOLOv7 Zayıflıkları:

Karmaşıklık: Mimari, belirli gömülü donanımlar için değiştirilmesi veya budanması karmaşık olabilir.
NMS : Gecikme varyansı ekleyen standart Maksimum Baskılama sonrası işleme gerektirir.

YOLOv6-3.0'ın Güçlü Yönleri:

Verim: TensorRT kullanılarak Tesla T4 ve benzer GPU'larda yüksek verim senaryoları için özel olarak optimize edilmiştir.
Kuantizasyon: Kuantizasyon farkında eğitim (QAT) göz önünde bulundurularak tasarlanmıştır, bu sayede uç cihazlarda INT8 olarak daha kolay bir şekilde kullanılabilir.

YOLOv6-3.0'ın Zayıf Yönleri:

CPU : GPU mükemmel olsa da, mimari seçimleri yeni "Lite" veya mobil cihazlara özel varyantlara kıyasla saf CPU için daha az optimize edilmiştir.

Gerçek Dünya Uygulamaları

Bu modeller arasında seçim yapmak, büyük ölçüde dağıtım donanımınıza ve özel kullanım durumunuza bağlıdır.

YOLOv6.0 ile Endüstriyel Denetim

Yüksek hızlı üretim hatlarında, verimlilik çok önemlidir. YOLOv6.YOLOv6, konveyör bantlarındaki kusurları tespit etmek için sıklıkla tercih edilen bir seçenektir. TensorRT ile uyumluluğu TensorRT , kenar GPU'larda saniyede yüzlerce kareyi TensorRT ve hatalı ürünlerin kaçmasını önler.

YOLOv7 ile Karmaşık Gözetim

Kalabalık sahneler veya uzun mesafeli izleme içeren güvenlik uygulamaları için, YOLOv7 son derece etkilidir. Özellik ayrıntılarını koruma yeteneği, nesnelerin küçük veya kısmen engellenmiş olabileceği yol hasarlarının belirlenmesi veya trafik akışının izlenmesi gibi kentsel bakım işleri için uygun olmasını sağlar.

Dağıtım Esnekliği

Her iki model de güçlü olmakla birlikte, bunların kullanımı önemli ölçüde farklılık gösterebilir. YOLOv6 , agresif niceleme (INT8) kullanabileceğiniz ortamları YOLOv6 , YOLOv7 FP16 modlarında yüksek doğruluğu korur.

Ultralytics'in Avantajı

YOLOv7 YOLOv6 sağlam mimariler YOLOv6 birlikte, Ultralytics kullanılması geliştiriciler ve araştırmacılar için belirgin avantajlar sunmaktadır. Ultralytics Python , bu farklı modelleri tek bir modern API altında birleştirir.

Kullanım Kolaylığı: Tek bir kod satırı ile YOLOv7 ile daha yeni bir mimari arasında geçiş yapabilirsiniz.
İyi Yönetilen Ekosistem: Ultralytics, sık güncellemeler sağlayarak en son PyTorch sürümleri ve CUDA sürücüleri ile uyumluluğu garanti eder.
Çok yönlülük: Standart algılamanın ötesinde, ekosistem uyumlu model aileleri arasında poz tahmini ve örnek segmentasyonunu destekler.
Eğitim Verimliliği: Ultralytics boru hatları bellek verimliliği için optimize edilmiştir ve genellikle tüketici donanımlarında orijinal araştırma depolarından daha büyük toplu iş boyutlarına izin verir.

Kod Örneği

Ultralytics kullanarak bu modelleri ne kadar kolay bir şekilde deneyebileceğinizi aşağıda görebilirsiniz:

from ultralytics import YOLO

# Load a YOLOv7 model (or swap to 'yolov6n.pt')
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

Gelecek: YOLO26

YOLOv7 YOLOv6. YOLOv6 hala yetenekli olsa da, bu alanda ilerlemeler kaydedilmiştir. Ocak 2026'da piyasaya sürülen YOLO26, önceki sürümlerin sınırlamalarını ortadan kaldırarak verimlilik ve performans açısından yeni bir standart oluşturmaktadır.

YOLO26, hem uç hem de bulut dağıtımları için nihai çözüm olarak tasarlanmıştır ve şu özelliklere sahiptir:

Uçtan Uca NMS Tasarım: YOLOv7 farklı olarak, YOLO26 doğal olarak uçtan uca bir tasarımdır. NMS olan ihtiyacı ortadan kaldırarak, gerçek zamanlı robotik için gerekli olan daha hızlı ve deterministik çıkarım gecikmesini sağlar.
MuSGD Optimizer: LLM eğitimindeki yeniliklerden (Moonshot AI'nın Kimi K2 gibi) esinlenerek geliştirilen bu hibrit optimizer, SGD Muon'u birleştirerek eğitimi stabilize eder ve yakınsamayı hızlandırır.
%43'e kadar daha hızlı CPU : Dağıtım Odak Kaybı (DFL) özelliğini kaldırarak ve mimariyi optimize ederek, YOLO26 CPU'larda önemli ölçüde daha yüksek hızlara ulaşır ve Raspberry Pi gibi uç cihazlar için üstün bir performans sergiler.
ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, eski modellerin genellikle zorlandığı kritik bir alan olan küçük nesnelerin tanınmasını iyileştirir.

Hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi arayan geliştiriciler için YOLO26'ya geçişi şiddetle tavsiye ederiz.

YOLO26 hakkında daha fazla bilgi edinin

Keşfedilecek Diğer Modeller

Ultralytics içindeki diğer mimarileri keşfetmek istiyorsanız, şunları göz önünde bulundurun:

YOLO11: Önceki nesil en son teknoloji ürünü, özellikler arasında güçlü bir denge sunar.
YOLOv10: YOLO ailesinde NMS eğitim stratejilerinin öncüsü.
RT-DETR: Doğruluk açısından üstün olan ancak daha fazla GPU gerektiren transformatör tabanlı bir dedektör.

Ultralytics kullanarak, bu modelleri belirli veri kümelerinizle kolayca karşılaştırarak uygulamanız için en uygun olanı bulabilirsiniz.