Başla

YOLOv7 ve YOLOv6-3.0

Bilgisayarlı görü alanı sürekli gelişiyor; yeni nesne algılama modelleri hızı ve doğruluğu düzenli olarak artırıyor. Bu gelişimdeki iki önemli kilometre taşı YOLOv7 ve YOLOv6-3.0'dır. Her iki model de gerçek dünya uygulamalarında verimi ve hassasiyeti en üst düzeye çıkarmak üzere tasarlanmış özgün mimari yenilikler getirdi. Bu sayfa, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak amacıyla her iki mimariyi derinlemesine teknik açıdan inceliyor ve performanslarını, eğitim yöntemlerini ve ideal kullanım alanlarını karşılaştırıyor.

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 işlem için optimize edilmiş EfficientRep omurgasını kullanır. Bu sayede büyük ölçekli toplu işlemlerde oldukça verimlidir. 3.0 sürümü, farklı ölçeklerde özellik birleştirmeyi iyileştirmek ve modelin farklı boyutlardaki nesneleri algılama yeteneğini artırmak için boyun kısmına Çift Yönlü Birleştirme (BiC) modülü ekledi.

Ayrıca YOLOv6-3.0, Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu yaklaşım, çapa tabanlı eğitimin avantajlarını çapadan bağımsız çıkarımla birleştirir; öğrenme aşamasında çapaların kararlılığını, dağıtım sırasında ise çapadan bağımsız tasarımın hızını ve basitliğini korur.

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)
mAPval50-95Hız
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, TensorRT gibi yüksek verimli GPU ortamları için çok uygundur; YOLOv7 ise özellik korumaya öncelik veren sistemler için dengeli bir seçenektir.

Ultralytics Avantajı#

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

  • Kullanım Kolaylığı: Ultralytics API'si, YOLOv6 modellerini (YAML yapılandırmalarından) veya YOLO26 gibi modern modelleri en az ek kodla oluşturmanı, eğitmeni ve dağıtıma almanı sağlar. YOLOv7 yerel olarak desteklenmez; yukarı akıştan alınan YOLOv7 kontrol noktalarının önce ONNX veya TensorRT biçiminde dışa aktarılması gerekir. Model dosyasını değiştirerek desteklenen mimariler arasında geçiş yapabilirsin.
  • İyi Bakımı Yapılan Ekosistem: Ultralytics, sık güncellemelerle etkin biçimde bakımı yapılan bir ortam sunar ve en yeni PyTorch dağıtımlarıyla CUDA sürümleriyle yerel uyumluluk sağlar.
  • Eğitim Verimliliği: Eğitim işlem hatları, GPU kaynaklarını etkili kullanacak şekilde optimize edilmiştir. Ayrıca Ultralytics YOLO modelleri, RT-DETR gibi ağır Transformer tabanlı modellere kıyasla eğitim sırasında genellikle daha az bellek gerektirir ve tüketici sınıfı donanımlarda daha büyük yığın boyutlarına olanak tanır.
  • Çok Yönlülük: Standart sınırlayıcı kutu algılamasının yanı sıra Ultralytics çerçevesi, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve uyumlu model ailelerinde yönlendirilmiş sınırlayıcı kutular gibi görevleri destekler; bu özellik, bağımsız araştırma depolarında sıklıkla bulunmaz.

Kod Örneği: Eğitim ve Çıkarım#

Bu modelleri Python işlem hattına entegre etmek kolaydır. Veri kümenin YOLO algılama biçimini (COCO veri kümesindeki gibi) kullandığından emin ol 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 kusurlarının algılanması için çok uygundur.
  • Yüksek Verimli Analitik: Saniyedeki kare sayısını en üst düzeye çıkarmanın temel amaç olduğu çevrimdışı video arşivlerini işlemek için kullanışlıdır.

Gelecek: YOLO26#

YOLOv7 ve YOLOv6-3.0 çok yetenekli olsalar da yapay zekâ yeniliklerinin hızlı ilerleyişi daha yüksek verimlilik gerektiriyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, eski mimarilerin birçok kısıtlamasını ele alıyor.

Yeni bir projeye başlıyorsan önceki nesiller yerine YOLO26 önerilir. YOLO26 çeşitli temel özellikler sunar:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10 ile atılan temeller üzerine kurulan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Non-Maximum Suppression (NMS) adımını atlar. Bu, son işlem yükünü azaltır, mobil uygulamalara dağıtımı basitleştirir ve çıkarım gecikmesini düşük ve tutarlı tutar.
  • MuSGD Optimizasyon Algoritması: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'nin Kimi K2'sinde kullanılanlar gibi) esinlenen YOLO26, SGD ile Muon'u birleştiren hibrit bir optimizasyon algoritması kullanır. Bu, daha kararlı eğitim ve daha hızlı yakınsama sağlar.
  • CPU Çıkarımında %43'e Varan Hız Artışı: Distribution Focal Loss'u (DFL) kaldırarak YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır. Bu özellik YOLO26'yı Raspberry Pi ve uzak IoT sensörleri gibi uç ortamlar için çok uygun kılar.
  • ProgLoss + STAL: Küçük nesnelerin tanınmasını iyileştirmek üzere tasarlanmış aşamalı bir kayıp ve küçük hedefleri dikkate alan etiket ataması; bu, tek aşamalı algılayıcıların tarihsel bir zayıflığıdır.

Bu yenilikleri Ultralytics Platform ile birleştiren YOLO26, makine öğrenimi mühendisleri için güçlü performans, çoklu görev desteği ve kolay dağıtım sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.