YOLOv8 ve YOLOv6-3.0
Gerçek zamanlı computer vision alanı, daha hızlı, daha doğru ve daha çok yönlü modellere yönelik talebin etkisiyle sürekli gelişiyor. 2023'ün başlarında ortaya çıkan en dikkat çekici mimarilerden ikisi Ultralytics YOLOv8 ve Meituan'ın YOLOv6-3.0 modelidir. Her iki model de gerçek zamanlı kullanımda güçlü performans sunar, ancak farklı geliştirme yaklaşımlarına ve dağıtım senaryolarına hitap eder.
Bu kılavuz, mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını inceleyerek makine öğrenimi mühendislerinin ve araştırmacıların bir sonraki nesne algılama projeleri için doğru aracı seçmelerine yardımcı olur.
Model Kökeni ve Ayrıntılar#
Teknik ayrıntıları karşılaştırmadan önce, her iki modelin kökenlerini ve temel özelliklerini anlamak önemlidir. İkisi de popüler PyTorch çatısı üzerine kuruludur, ancak ekosistem entegrasyonları önemli ölçüde farklılık gösterir.
YOLOv8 Ayrıntıları#
Ultralytics YOLOv8 mimarisi, geliştirici deneyimi ve çok yönlülük için sıfırdan tasarlanmış, birleşik ve çok görevli bir çatıdır. Önceki sürümlerden gelen yıllarca süren araştırma ve topluluk geri bildirimleri üzerine inşa edilmiştir.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolov8
YOLOv6-3.0 Ayrıntıları#
İlk olarak Meituan'da endüstriyel uygulamalar için tanıtılan YOLOv6, 3.0 sürümünde büyük bir "Full-Scale Reloading" güncellemesi aldı. Öncelikli olarak optimize edilmiş endüstriyel dağıtımı hedefler ve öz damıtma ile RepOptimizer gibi tekniklerden yararlanır.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
- Kuruluş: Meituan
- Tarih: 2023-01-13
- arXiv: https://arxiv.org/abs/2301.05586
- GitHub: https://github.com/meituan/YOLOv6
- Belgeler: https://docs.ultralytics.com/models/yolov6
YOLOv6-3.0 hakkında daha fazla bilgi edin
Veri kümelerini, eğitim oturumlarını ve model dağıtımlarını yönetmek Ultralytics Platform ile daha kolaydır. Platform, MLOps iş akışlarında genellikle gereken şablon kod miktarını en aza indiren uçtan uca bir arayüz sunar.
Mimari ve Eğitim Yöntemleri#
Ultralytics YOLOv8 Mimarisi#
YOLOv8, iyileştirilmiş ve anchor-free bir algılama başlığıyla tanıtıldı. Önceden tanımlanmış anchor kutularını kaldırmak, modelin çeşitli veri kümelerinde daha iyi genelleme yapmasını sağlar ve son işlem aşamasında kullanılan buluşsal yöntemlerin sayısını azaltır. YOLOv8 ayrıca bulut sunucularından kaynakları kısıtlı uç cihazlara kadar farklı gerçek dünya dağıtım senaryoları için hız ve doğruluk arasında elverişli bir denge sunar.
YOLOv8'in bir diğer avantajı düşük bellek kullanımıdır. Eğitim sırasında Ultralytics modelleri genellikle RT-DETR gibi daha ağır, Transformer tabanlı alternatiflerden daha az CUDA belleği kullanır; böylece geliştiriciler standart tüketici GPU'larında daha büyük yığın boyutları kullanabilir ve verimli biçimde eğitim yapabilir.
YOLOv6-3.0 Mimarisi#
YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve anchor destekli eğitim (AAT) stratejisi kullanır. Daha küçük modellerde (N ve S) EfficientRep Backbone, daha büyük sürümlerde (M ve L) ise CSPStackRep Backbone kullanılır. Mimari, NVIDIA TensorRT yürütmesi için yoğun biçimde optimize edilmiştir; bu da uyumlu donanımlarda dağıtıldığında onu çok hızlı kılar. Ancak belirli donanım optimizasyonlarına bu kadar sıkı bağlı olması, platformlar arası dağıtımı bazen Ultralytics'in yerel, esnek ONNX dışa aktarma iş akışlarına kıyasla biraz daha kısıtlı hâle getirebilir.
Performans Karşılaştırması#
COCO doğrulama veri kümesi üzerinde değerlendirildiğinde her iki model de güçlü performans gösterir. Aşağıdaki tabloda temel ölçütler özetlenmiştir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
YOLOv6-3.0, çoğu boyutta T4 TensorRT üzerinde biraz daha hızlıdır ve mAP bakımından YOLOv8 ile yaklaşık aynı sonucu verir. YOLOv8 ise her boyutta daha az parametre, n, s ve m boyutlarında da daha az FLOP kullanır; bu da mobil ve gömülü CPU'lar dâhil farklı donanımlarda daha fazla esneklik sağlar.
Ekosistem ve Çok Yönlülük#
İki model arasındaki en büyük fark, ekosistem desteğidir.
YOLOv6 öncelikli olarak sınırlayıcı kutu algılama motorudur. Buna karşılık YOLOv8, çok yönlülüğüyle bilinir. YOLOv8, tek ve birleşik bir çatı içinde yerel olarak örnek segmentasyonu, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler.
Ultralytics ekosistemi kullanım kolaylığı için de tasarlanmıştır. Basit bir Python API'siyle araştırmacılar karmaşık şablon kodlar yazmadan eğitime başlayabilir, sonuçları doğrulayabilir ve modelleri çok sayıda biçime aktarabilir. Ekosistem, sık güncellemeler ve popüler deney izleme araçlarıyla entegrasyonlarla etkin biçimde geliştirilip sürdürülür.
Kod Örneği: YOLOv8 Eğitimi#
YOLOv8 modelini eğitmek için çok az kurulum gerekir; bu da çerçevenin erişilebilir tasarımını gösterir:
from ultralytics import YOLO
# Önceden eğitilmiş küçük bir YOLOv8 modelini yükle
model = YOLO("yolov8s.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Verimli eğitim için GPU kullan
batch=32,
)
# Platformlar arası dağıtım için kolayca ONNX biçimine aktar
model.export(format="onnx")Kullanım Alanları ve Öneriler#
YOLOv8 ile YOLOv6 arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLOv8'i Ne Zaman Seçmeli?#
YOLOv8 şu durumlarda iyi bir seçenektir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
- Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.
YOLOv6'yı Ne Zaman Seçmeli?#
YOLOv6 şu durumlarda önerilir:
- Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
- Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
- Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Geleceğe Bakış: YOLO26'ya Geçiş#
YOLOv8 ve YOLOv6-3.0 güçlü seçenekler olsa da yeni projelere başlayan geliştiriciler, yeni nesil Ultralytics YOLO26 modelini incelemelidir. Ocak 2026'da yayımlanan YOLO26, uç öncelikli görsel yapay zekâ için tasarlanmıştır.
YOLO26, son işlem sırasında Non-Maximum Suppression gereksinimini ortadan kaldıran isteğe bağlı bir Uçtan Uca NMS'siz Tasarım (nms=False) sunar. Bu yerel uçtan uca yaklaşım, özellikle uç ortamlarda daha hızlı ve basit dağıtım mantığı sağlar. DFL'nin Kaldırılması (Distribution Focal Loss) model başlığını da hafifletir ve YOLO26n, YOLO11n'den CPU çıkarımında %43'e kadar daha hızlıdır.
Eğitim kararlılığı ve yakınsama hızı da LLM eğitim yöntemlerinden esinlenen, SGD ile Muon'un melezi MuSGD Optimizer sayesinde iyileşir. ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması), drone görüntüleri ve yoğun endüstriyel denetim için kritik olan küçük nesne algılamayı iyileştirir.
Belirli kısıtlarına bağlı olarak, denenmiş ve test edilmiş mevcut iş akışları için YOLO11 veya kapsamlı yeniden eğitim gerektirmeyen sıfır örnekli, açık kelime dağarcıklı algılama görevleri için YOLO-World seçeneklerini de incelemek isteyebilirsin.
Sonuç#
YOLOv8 ile YOLOv6-3.0 arasında seçim yapmak, sonuçta dağıtım hattının önceliklerine bağlıdır. Ham GPU hızının en önemli öncelik olduğu katı TensorRT ortamları için YOLOv6-3.0 yetenekli bir modeldir. Ancak çoğu ekip için Ultralytics YOLOv8 daha pratik bir seçimdir: daha düşük eğitim belleği gereksinimleri, çok görevli çok yönlülük ve Ultralytics Platform ekosistemi pazara çıkış süresini kısaltır.
Yeni projeler için YOLO26, modern bilgisayarlı görü uygulamalarına NMS'siz çıkarım ve daha yüksek CPU performansı kazandırır.
Yorumlar1
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
colourpalettes3423(düzenlendi)
Excellent technical comparison! YOLOv6-3.0 brings some strong improvements in training efficiency and deployment optimization, especially with its industrial-grade performance focus. However, this YOLOv8 comparison highlights how v8 stands out with its modular design, multitask capabilities, and user-friendly pipeline. It's clear that both models cater to different priorities — YOLOv6 for pure speed and production use, while YOLOv8 focuses on flexibility and modern architecture.