Link to this sectionYOLOv8 ve YOLOv6-3.0#

Gerçek zamanlı bilgisayarlı görü alanı, daha hızlı, daha doğru ve daha çok yönlü modellere olan taleple sürekli gelişiyor. 2023 başlarında ortaya çıkan en öne çıkan iki mimari Ultralytics YOLOv8 ve Meituan tarafından geliştirilen YOLOv6-3.0'dır. Her iki model de en son teknoloji performansının sınırlarını zorlasa da, biraz farklı geliştirme felsefelerine ve dağıtım senaryolarına hitap ediyorlar.

Bu kapsamlı rehber, mimarilerinin, performans metriklerinin ve ideal kullanım alanlarının derinlemesine bir analizini sunarak makine öğrenimi mühendislerinin ve araştırmacıların bir sonraki nesne algılama projeleri için doğru aracı seçmelerine yardımcı olur.

Link to this sectionModel Soy ağacı ve Detaylar#

Teknik nüanslara dalmadan önce, her iki modelin kökenlerini ve temel özelliklerini anlamak önemlidir. Her iki depo da popüler PyTorch çerçevesinden büyük ölçüde yararlanır, ancak ekosistem entegrasyonları önemli ölçüde farklılık gösterir.

Link to this sectionYOLOv8 Detayları#

Ultralytics YOLOv8 mimarisi, olağanüstü geliştirici deneyimi ve çok yönlülük için sıfırdan tasarlanmış birleşik, çok görevli bir çerçeveyi temsil eder. Önceki yinelemelerden gelen yılların araştırmalarına ve topluluk geri bildirimlerine dayanır.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: https://docs.ultralytics.com/models/yolov8/

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv6-3.0 Detayları#

Başlangıçta Meituan'da endüstriyel uygulamalar için tanıtılan YOLOv6, 3.0 sürümünde büyük bir "Full-Scale Reloading" güncellemesi aldı. Öncelikle, öz damıtma ve RepOptimizer gibi teknikleri kullanarak yüksek düzeyde optimize edilmiş dağıtım ortamlarını hedefler.

• 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
• Dokümanlar: https://docs.ultralytics.com/models/yolov6/

YOLOv6-3.0 hakkında daha fazla bilgi edin

Link to this sectionMimari ve Eğitim Metodolojileri#

Link to this sectionUltralytics YOLOv8 Mimarisi#

YOLOv8, oldukça rafine edilmiş, çapasız (anchor-free) bir algılama kafası sundu. Önceden tanımlanmış çapa kutularını kaldırarak, model farklı veri setlerinde daha iyi genelleme yapar ve işlem sonrası sezgisel yöntemlerin sayısını azaltır. Ayrıca YOLOv8, bulut sunucularından kaynak kısıtlı uç cihazlara kadar çeşitli gerçek dünya dağıtım senaryolarına uygun, hız ve doğruluk arasında tutarlı bir şekilde uygun bir denge sağlayan benzersiz bir Performans Dengesi sunar.

YOLOv8'in en büyük avantajlarından biri Bellek gereksinimleridir. Eğitim sırasında Ultralytics modelleri, RT-DETR gibi ağır, Transformer tabanlı alternatiflere kıyasla önemli ölçüde daha düşük CUDA bellek kullanımı sergiler. Bu, geliştiricilerin standart tüketici GPU'larında daha büyük yığın boyutları kullanmasına olanak tanıyarak mükemmel bir Eğitim Verimliliği sağlar.

Link to this sectionYOLOv6-3.0 Mimarisi#

YOLOv6-3.0, çift yönlü bir birleştirme (BiC) modülü ve çapa destekli eğitim (AAT) stratejisi kullanır. Daha küçük modeller (N ve S) için EfficientRep Backbone kullanırken, daha büyük varyantlar (M ve L) CSPStackRep Backbone'a geçer. Mimari, NVIDIA TensorRT yürütmesi için yoğun bir şekilde optimize edilmiştir, bu da onu uyumlu donanımlarda dağıtıldığında olağanüstü hızlı hale getirir. Ancak, belirli donanım optimizasyonları ile bu sıkı bağlantı, Ultralytics'e özgü esnek ONNX dışa aktarma iş akışlarına kıyasla bazen platformlar arası dağıtımı biraz daha katı hale getirebilir.

Link to this sectionPerformans Karşılaştırması#

COCO doğrulama veri setinde modelleri değerlendirirken, her iki model de dikkat çekici performans sergiler. Aşağıdaki tablo temel metrikleri vurgulamaktadır.

YOLOv6-3.0, belirli TensorRT kıyaslamalarında hafif hız avantajlarına sahip olsa da, YOLOv8 daha küçük kategorilerde daha parametre verimli bir tasarım sunar; bu da mobil ve gömülü CPU'lar dahil olmak üzere çeşitli donanımlarda daha iyi esneklik anlamına gelir.

Link to this sectionEkosistem ve Çok Yönlülük#

İki model arasındaki en keskin fark ekosistem desteğinde yatmaktadır.

YOLOv6 temel olarak bir sınırlayıcı kutu algılama motorudur. Buna karşılık YOLOv8, Çok Yönlülüğü ile ünlüdür. Tek bir birleşik çerçeve içinde YOLOv8; örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasını yerel olarak destekler.

Ayrıca, Ultralytics ekosisteminin Kullanım Kolaylığı eşsizdir. Basit bir Python API'si ile araştırmacılar, karmaşık kod kalabalığı yazmadan eğitimi başlatabilir, sonuçları doğrulayabilir ve modelleri birçok formata dışa aktarabilir. İyi Bakılan Ekosistem, aktif geliştirmeyi, sık güncellemeleri ve popüler deney izleme araçlarıyla sorunsuz entegrasyonları garanti eder.

Link to this sectionKod Örneği: YOLOv8 Eğitimi#

Bir YOLOv8 modelini eğitmek, çerçevenin erişilebilir tasarımını vurgulayan minimum kurulum gerektirir:

from ultralytics import YOLO

# Load a pretrained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize GPU for efficient training
    batch=32,
)

# Easily export to ONNX for cross-platform deployment
model.export(format="onnx")

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv8 ile YOLOv6 arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için güçlü bir tercihtir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Link to this sectionNe Zaman YOLOv6 Seçilmeli#

YOLOv6 şunlar için önerilir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGeleceğe Bakış: YOLO26'ya Yükseltme#

YOLOv8 ve YOLOv6-3.0 mükemmel seçenekler olsa da, yeni projelere başlayan geliştiricilerin yeni nesil Ultralytics YOLO26 modelini keşfetmeleri şiddetle tavsiye edilir. Ocak 2026'da piyasaya sürülen YOLO26, uç cihaz odaklı yapay zeka vizyonu için standardı yeniden tanımlıyor.

YOLO26, işlem sonrası sırasında Non-Maximum Suppression ihtiyacını tamamen ortadan kaldıran Uçtan Uca NMS-Free Tasarım sunar. Bu yerel olarak uçtan uca yaklaşım, özellikle uç ortamlarda daha hızlı ve daha basit dağıtım mantığını garanti eder. DFL Removal (Distribution Focal Loss) ile birleştirildiğinde, model kafası önemli ölçüde daha hafiftir ve %43'e varan Daha Hızlı CPU Çıkarımı sağlar.

Eğitim kararlılığı ve yakınsama hızı, LLM eğitim metodolojilerinden esinlenen SGD ve Muon'un bir hibriti olan MuSGD Optimizer sayesinde büyük yükseltmeler gördü. Ayrıca, ProgLoss + STAL'ın tanıtılması, dron görüntüleri ve yoğun endüstriyel denetim için kritik olan küçük nesne tanımayı önemli ölçüde artırır.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionSonuç#

YOLOv8 ile YOLOv6-3.0 arasında seçim yapmak sonuçta dağıtım hattının önceliklerine bağlıdır. YOLOv6-3.0, ham GPU hızının mutlak öncelik olduğu katı TensorRT ortamları için oldukça yetenekli bir modeldir. Ancak, ekiplerin büyük çoğunluğu için Ultralytics YOLOv8 modeli üstün seçeneği sunar. Daha düşük eğitim belleği gereksinimleri, çok görevli çok yönlülük ve Ultralytics Platform tarafından sağlanan sektör lideri bir ekosistemin birleşimi, pazara giriş süresini önemli ölçüde azaltır.

Modern verimliliğin zirvesini isteyen geliştiriciler için, YOLO26'ya sorunsuz geçiş yapmak, herhangi bir bilgisayarlı görü uygulamasını geleceğe hazırlayan, eşsiz ve NMS-free bir deneyim sağlar.