YOLOv8 ve YOLOv6-3.0#
Gerçek zamanlı bilgisayarlı görü manzarası, daha hızlı, daha doğru ve daha çok yönlü modellere duyulan taleple birlikte sürekli olarak evrilmektedir. 2023'ün başlarında ortaya çıkan en önemli iki mimariden biri Ultralytics YOLOv8, diğeri ise Meituan tarafından geliştirilen YOLOv6-3.0'dır. Her iki model de son teknoloji performansının sınırlarını zorlar, ancak biraz farklı geliştirme felsefelerine ve dağıtım senaryolarına hitap ederler.
Bu kapsamlı kılavuz; mimarilerinin, performans metriklerinin ve ideal kullanım durumlarının derinlemesine bir analizini sunarak makine öğrenimi mühendislerinin ve araştırmacılarının bir sonraki object detection projeleri için doğru aracı seçmesine yardımcı olur.
Model Soy ağacı ve Detaylar#
Teknik nüanslara dalmadan önce, her iki modelin kökenlerini ve temel özelliklerini anlamak önemlidir. Her iki depo da popüler PyTorch çerçevesinden yoğun bir şekilde yararlanır, ancak ekosistem entegrasyonları önemli ölçüde farklılık gösterir.
YOLOv8 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
YOLOv6-3.0 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
Veri kümelerini, eğitim oturumlarını ve model dağıtımlarını yönetmek, Ultralytics Platform kullanılarak büyük ölçüde basitleştirilmiştir. MLOps iş akışlarında tipik olarak gereken şablon kod miktarını en aza indiren uçtan uca bir arayüz sağlar.
Mimari ve Eğitim Metodolojileri#
Ultralytics 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 Memory requirements (Bellek gereksinimleri) özelliğidir. Eğitim sırasında Ultralytics modelleri, RT-DETR gibi ağır transformer tabanlı alternatiflere kıyasla çok daha düşük CUDA bellek kullanımı sergiler. Bu, geliştiricilerin standart tüketici GPU'larında daha büyük grup boyutları kullanmasına olanak tanıyarak mükemmel bir Training Efficiency (Eğitim Verimliliği) sağlar.
YOLOv6-3.0 Mimarisi#
YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve çapa destekli eğitim (AAT) stratejisi kullanır. Daha küçük modeller (N ve S) için EfficientRep Omurga kullanırken, daha büyük varyantlar (M ve L) CSPStackRep Omurga'ya geçer. Mimari, NVIDIA TensorRT çalıştırması için yoğun bir şekilde optimize edilmiştir; bu da uyumlu donanımlarda dağıtıldığında olağanüstü derecede hızlı olmasını sağlar. Ancak, belirli donanım optimizasyonları ile bu sıkı entegrasyon, Ultralytics'e özgü esnek ONNX dışa aktarma iş akışlarına kıyasla çapraz platform dağıtımını bazen biraz daha katı hale getirebilir.
Performans Karşılaştırması#
COCO validation dataset üzerinde modeller değerlendirilirken, her iki model de olağanüstü performans sergiler. Aşağıdaki tablo temel metrikleri vurgulamaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 | 165.2 |
| 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 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.
Ekosistem ve Çok Yönlülük#
İki model arasındaki en keskin fark ekosistem desteğinde yatmaktadır.
YOLOv6 öncelikle bir sınırlayıcı kutu algılama motorudur. Buna karşılık YOLOv8, Versatility (Çok Yönlülük) özelliğiyle bilinir. Tek bir birleşik çerçeve içinde YOLOv8; instance segmentation, image classification, pose estimation ve Oriented Bounding Box (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.
Kod 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")Kullanım Durumları ve Öneriler#
YOLOv8 ile YOLOv6 arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv8 Ne Zaman Seçilmeli#
YOLOv8 şunlar için güçlü bir tercihtir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren 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.
Ne 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's teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.
Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Geleceğe Bakış: YOLO26'ya Yükseltme#
YOLOv8 ve YOLOv6-3.0 mükemmel seçenekler olsa da, yeni projelere başlayan geliştiricilerin yeni nesil Ultralytics YOLO26 modelini keşfetmesi şiddetle tavsiye edilir. Ocak 2026'da piyasaya sürülen YOLO26, uç odaklı görü yapay zekası standartlarını 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
Özel kısıtlamalarına bağlı olarak, son derece dengeli eski iş akışları için YOLO11 modelini veya kapsamlı yeniden eğitim gerektirmeden sıfır atışlı, açık kelime dağarcığına sahip algılama görevleri için YOLO-World modelini keşfetmekle de ilgilenebilirsin.
Sonuç#
YOLOv8 ve YOLOv6-3.0 arasında seçim yapmak nihayetinde dağıtım boru hattının önceliklerine bağlıdır. YOLOv6-3.0, ham GPU hızının mutlak öncelik olduğu katı TensorRT ortamları için son derece yetenekli bir modeldir. Bununla birlikte, ekiplerin çok büyük bir kısmı için Ultralytics YOLOv8 modeli üstün bir seçenek sunar. Daha düşük eğitim belleği gereksinimleri, çoklu görev çok yönlülüğü ve Ultralytics Platform tarafından sağlanan sektör lideri bir ekosistemin birleşimi, pazara çıkış süresini büyük ölçüde kısaltır.
Modern verimliliğin mutlak zirvesini isteyen geliştiriciler için YOLO26 modeline sorunsuz bir şekilde geçiş yapmak, herhangi bir bilgisayarlı görü uygulamasını geleceğe hazırlayan benzersiz, NMS'siz bir deneyim sunar.