YOLOv8 ve YOLOv6-3.0#
Gerçek zamanlı bilgisayarlı görü alanı; daha hızlı, daha doğru ve daha çok yönlü modellere yönelik talebin etkisiyle sürekli gelişiyor. 2023'ün başlarında ortaya çıkan en öne çıkan iki mimari, Ultralytics YOLOv8 ve Meituan'ın YOLOv6-3.0 modelidir. Her iki model de son teknoloji performansının sınırlarını zorlasa da biraz farklı geliştirme yaklaşımlarına ve dağıtım senaryolarına hitap ediyor.
Bu kapsamlı kılavuz; mimarilerini, performans ölçümlerini ve ideal kullanım alanlarını derinlemesine analiz ederek makine öğrenimi mühendislerinin ve araştırmacıların bir sonraki nesne algılama projeleri için doğru aracı seçmelerine yardımcı oluyor.
Model Kökeni ve Ayrıntılar#
Teknik ayrıntılara geçmeden önce her iki modelin kökenini ve temel özelliklerini anlamak önemlidir. Her iki depo da popüler PyTorch çerçevesinden yoğun biçimde yararlanıyor, ancak ekosistem entegrasyonları önemli ölçüde farklılık gösteriyor.
YOLOv8 Ayrıntıları#
Ultralytics YOLOv8 mimarisi, olağanüstü bir geliştirici deneyimi ve çok yönlülük sunmak için en başından itibaren tasarlanmış, birleşik ve çok görevli bir çerçevedir. Önceki sürümlerden gelen yılların araştırma birikimi 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 sunulan YOLOv6, 3.0 sürümünde büyük bir "Tam Ölçekli Yeniden Yapılandırma" güncellemesi aldı. Öncelikli olarak, öz damıtma ve RepOptimizer gibi tekniklerden yararlanarak yüksek düzeyde optimize edilmiş dağıtım ortamlarını hedefliyor.
- 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 Ultralytics Platform ile yönetmek çok daha kolaydır. Platform, MLOps iş akışlarında genellikle gereken standart kod miktarını en aza indiren uçtan uca bir arayüz sunar.
Mimari ve Eğitim Yöntemleri#
Ultralytics YOLOv8 Mimarisi#
YOLOv8, son derece iyileştirilmiş ve çapadan bağımsız bir algılama başlığı sundu. Önceden tanımlanmış çapa kutularını kaldıran model, çeşitli veri kümelerinde daha iyi genelleme yapıyor ve son işleme sezgisel yöntemlerinin sayısını azaltıyor. Ayrıca YOLOv8, Performans Dengesi açısından eşsiz bir çözüm sunarak bulut sunucularından kaynakları kısıtlı uç cihazlara kadar çeşitli gerçek dünya dağıtım senaryolarına uygun hız ve doğruluk dengesi sağlıyor.
YOLOv8'in önemli avantajlarından biri Bellek gereksinimleridir. Eğitim sırasında Ultralytics modelleri, RT-DETR gibi yoğun Transformer tabanlı alternatiflere kıyasla CUDA belleğini önemli ölçüde daha az kullanır. Bu sayede geliştiriciler standart tüketici GPU'larında daha büyük yığın boyutlarından yararlanabilir ve mükemmel Eğitim Verimliliği elde edebilir.
YOLOv6-3.0 Mimarisi#
YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülünü ve çapayla desteklenen eğitim (AAT) stratejisini kullanır. Daha küçük modellerde (N ve S) EfficientRep Backbone kullanılırken daha büyük çeşitler (M ve L) CSPStackRep Backbone'a geçer. Mimari, NVIDIA TensorRT üzerinde çalışacak şekilde yoğun biçimde optimize edilmiştir; bu sayede uyumlu donanımlara dağıtıldığında son derece hızlıdır. Ancak belirli donanım optimizasyonlarına bu denli bağlı olması, platformlar arası dağıtımı bazen Ultralytics'in yerleşik esnek ONNX dışa aktarma iş akışlarına kıyasla biraz daha katı hâle getirebilir.
Performans Karşılaştırması#
COCO doğrulama veri kümesi üzerinde değerlendirildiğinde her iki model de kayda değer bir performans sergiliyor. Aşağıdaki tabloda temel ölçümler gösterilmiştir.
| Model | boyut (piksel) | mAPval 50-95 | 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, belirli TensorRT kıyaslamalarında biraz daha hızlı olsa da YOLOv8 küçük model kategorilerinde parametreleri daha verimli kullanıyor. Bu da mobil ve gömülü CPU'lar dâhil olmak üzere farklı donanımlarda daha fazla esneklik sağlıyor.
Ekosistem ve Çok Yönlülük#
İki model arasındaki en belirgin fark, ekosistem desteğinde yatıyor.
YOLOv6 öncelikli olarak sınırlayıcı kutu algılamaya yönelik bir motordur. Buna karşılık YOLOv8, Çok Yönlülüğü ile öne çıkar. Tek ve birleşik bir çerçevede YOLOv8; örnek bölütlemeyi, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler.
Ayrıca Ultralytics ekosisteminin Kullanım Kolaylığı eşsizdir. Basit bir Python API'siyle araştırmacılar karmaşık standart kodlar yazmadan eğitimi başlatabilir, sonuçları doğrulayabilir ve modelleri çok sayıda biçime aktarabilir. İyi Bakımlı Ekosistem, etkin geliştirme, sık güncellemeler ve popüler deney izleme araçlarıyla sorunsuz entegrasyonlar sağlar.
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, Çok Görevli Dağıtım: 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:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Geleceğe Bakış: YOLO26'ya Geçiş#
YOLOv8 ve YOLOv6-3.0 mükemmel seçenekler olsa da yeni projelere başlayan geliştiricilerin yeni nesil Ultralytics YOLO26 modelini incelemeleri önemle tavsiye edilir. Ocak 2026'da piyasaya sürülen YOLO26, uç öncelikli görsel yapay zekâ standardını yeniden tanımlıyor.
YOLO26, son işlem sırasında Maksimum Olmayan Bastırma 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 (Dağılımsal Odaklı Kayıp) ile birlikte model başlığı önemli ölçüde hafifler ve CPU Çıkarımında %43'e Varan Hız Artışı sağlanır.
MuSGD ve SGD'nin LLM eğitim yöntemlerinden esinlenen bir birleşimi olan MuSGD Optimize Edici sayesinde eğitim kararlılığı ve yakınsama hızı da büyük ölçüde iyileştirildi. Ayrıca ProgLoss + STAL'ın kullanıma sunulması, drone görüntüleri ve yoğun endüstriyel incelemeler için kritik önem taşıyan küçük nesneleri tanımayı önemli ölçüde geliştiriyor.
Özel kısıtlarına bağlı olarak, son derece dengeli eski iş akışları için YOLO11 modelini veya kapsamlı yeniden eğitim gerektirmeyen sıfır örnekli, açık kelime dağarcıklı algılama görevleri için YOLO-World modelini de inceleyebilirsin.
Sonuç#
YOLOv8 ile YOLOv6-3.0 arasındaki seçim, nihayetinde dağıtım iş hattının önceliklerine bağlıdır. Ham GPU hızının mutlak öncelik olduğu katı TensorRT ortamlarında YOLOv6-3.0 oldukça yetenekli bir modeldir. Ancak ekiplerin büyük çoğunluğu için Ultralytics YOLOv8 daha üstün bir seçenektir. Daha düşük eğitim belleği gereksinimlerinin, çok görevli çok yönlülüğün ve Ultralytics Platform tarafından sunulan sektör lideri ekosistemin birleşimi, pazara sunma süresini önemli ölçüde kısaltır.
Modern verimlilikte mutlak zirveyi hedefleyen geliştiriciler, YOLO26 modeline sorunsuz geçerek bilgisayarlı görü uygulamalarını geleceğe hazırlayan, eşsiz ve NMS'siz bir deneyim elde edebilir.