YOLOv8 YOLOv6. YOLOv6: Gerçek Zamanlı Nesne Algılamaya Derinlemesine Bir Bakış

Bilgisayar görüşünün manzarası, hızlı yineleme ve rekabet ile tanımlanır. Bu evrimdeki iki önemli dönüm noktası şunlardır Ultralytics YOLOv8, 2023'ün başlarında piyasaya sürülen çok yönlü bir güç merkezi ve Meituan'ın yüksek verimli dedektörü YOLOv6.YOLOv6. Her iki model de gerçek zamanlı nesne algılama sorununu çözmeyi amaçlasa da, mimari, kullanılabilirlik ve dağıtım konusunda farklı felsefelerle bu soruna yaklaşmaktadır.

Bu karşılaştırma, bu mimariler arasındaki teknik farklılıkları inceleyerek, geliştiricilerin otonom araçlardan endüstriyel denetime kadar çeşitli uygulamalar için doğru aracı seçmelerine yardımcı olur.

Performans Metrikleri

Üretim için bir model seçerken, genellikle karar faktörü, çıkarım hızı ile ortalama hassasiyet (mAP) arasındaki dengedir. Aşağıdaki tablo, nesne algılama için standart bir ölçüt olan COCO inde her iki modelin performansını göstermektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv6.0, özel GPU rekabetçi bir performans sergilerken, Ultralytics YOLOv8 olağanüstü bir çok yönlülük sergileyerek, tüm ölçeklerde yüksek doğruluğu korurken, üstün kullanım kolaylığı ve daha geniş donanım uyumluluğu sunar.

Ultralytics YOLOv8: Çok Yönlü Standart

Yayınlayan Ultralytics tarafından piyasaya sürülen YOLOv8 , önceki modellerden önemli bir mimari değişim YOLOv8 . YOLOv8, sadece bir algılama modeli olarak değil, aynı anda birden fazla görme görevini yerine getirebilen birleşik bir çerçeve olarak tasarlandı.

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics/ultralytics

Mimari Öne Çıkanlar

YOLOv8 , veri kümesi dağılımına göre manuel olarak bağlantı kutuları yapılandırma ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren bağlantısız algılama başlığı özelliğini YOLOv8 . Bu özellik, özel veri kümelerine genelleştirme yaparken modeli daha sağlam hale getirir.

Mimari, YOLOv5 bulunan C3 modülünün yerini alan bir C2f modülü (iki konvolüsyonlu çapraz aşamalı kısmi darboğaz) içerir. C2f modülü, gradyan akışını iyileştirir ve modelin hesaplama maliyetinde önemli bir artış olmadan daha zengin özellik temsillerini öğrenmesini sağlar. Ayrıca, YOLOv8 , yakınsama hızını ve doğruluğunu iyileştirdiği kanıtlanmış, nesnelliği, sınıflandırmayı ve regresyon görevlerini ayıran ayrıştırılmış bir başlık yapısı YOLOv8 .

Ekosistem ve Kullanılabilirlik

YOLOv8 belirleyici güçlerinden biri YOLOv8 Ultralytics YOLOv8 . Kullanıcılar, Hyperparameter Tuning ve deney izleme için yerleşik destek ile basit bir CLI Python kullanarak modelleri eğitebilir, doğrulayabilir ve dağıtabilir.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=50)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

YOLOv8 hakkında daha fazla bilgi edinin.

YOLOv6.0: Endüstriyel Verimlilik

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6.YOLOv6, "endüstriyel uygulamalar için yeni nesil nesne algılayıcı" olarak tanımlanmaktadır. NVIDIA gibi donanım hızlandırıcılarında verimi en üst düzeye çıkarmaya odaklanmaktadır.

Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, ve diğerleri.
Kuruluş: Meituan
Tarih: 2023-01-13
Arxiv:2301.05586

Mimari Odak

YOLOv6.YOLOv6, özellik birleştirmeyi iyileştirmek için boyun kısmında Çift Yönlü Birleştirme (BiC) modülü kullanır. Ayrıca, eğitim aşamasında çapa tabanlı ve çapa içermeyen paradigmaların avantajlarını birleştirmeye çalışan Çapa Destekli Eğitim (AAT) stratejisini kullanır, ancak çıkarım çapa içermez.

backbone , GPU için donanım dostu olarak tasarlanmış EfficientRep'e backbone . Bu optimizasyon, YOLOv6 çevrimdışı video analizi gibi sunucularda toplu işleme yapılabilen senaryolarda YOLOv6 etkili hale getirir. Ancak, bu uzmanlık bazen genel amaçlı bilgi işlem için optimize edilmiş modellere kıyasla CPU uç cihazlarda daha yüksek gecikme süresine neden olabilir.

YOLOv6 hakkında daha fazla bilgi edinin.

Detaylı Karşılaştırma

1. Eğitim Verimliliği ve Bellek

Ultralytics , eğitim verimliliği için tasarlanmıştır. YOLOv8 dönüştürücü tabanlı alternatiflere veya eski mimarilere göre daha az CUDA gerektirir. Bu verimlilik, geliştiricilerin daha büyük modelleri eğitmelerine veya tüketici sınıfı GPU'larda ( NVIDIA 3060 veya 4090 gibi) daha büyük parti boyutları kullanmalarına olanak tanır.

Buna karşılık, YOLOv6 eğitim süreci, etkili olmakla birlikte, istikrarı sağlamak için genellikle daha titiz bir hiperparametre ayarlaması gerektirir. Belirli başlatma stratejilerine bağımlı olması, yeni başlayanların kapsamlı denemeler yapmadan özel veri kümelerine uyum sağlamasını zorlaştırabilir.

Ultralytics Entegrasyonu

Ultralytics , Ultralytics (eski adıyla HUB) ile sorunsuz bir şekilde entegre olur. Bu web tabanlı araç, veri kümelerini görselleştirmenize, eğitimi gerçek zamanlı olarak izlemenize ve tek bir tıklama ile iOS, Android veya uç cihazlara modeller dağıtmanıza olanak tanır. Bu özellikler, geleneksel depolara kıyasla makine öğrenimi yaşam döngüsünü önemli ölçüde kolaylaştırır.

2. Görev Çok Yönlülüğü

Önemli bir fark, yerel olarak desteklenen görevlerin çeşitliliğidir.

YOLOv8 çok görevli bir çerçevedir. Şunları destekler:
- Nesne Algılama
- Örnek Segmentasyonu (piksel düzeyinde maskeleme)
- Poz Tahmini (anahtar nokta algılama)
- Yönlendirilmiş Sınır Kutuları (OBB) (havada veya döndürülmüş nesneler için)
- Görüntü Sınıflandırması
YOLOv6.0 öncelikle standart nesne algılama için tasarlanmıştır. Diğer görevler için deneysel sürümler olsa da, bunlar için ekosistem desteği ve belgeleri YOLOv8 için mevcut olanlara göre daha az kapsamlıdır.

3. Dağıtım ve İhracat

Her iki model de ONNX ve TensorRTUltralytics destekler. Ancak, Ultralytics boru hattı, operatör desteği ve dinamik eksenlerin karmaşıklığını otomatik olarak ele alarak, belirgin şekilde daha sağlamdır.

Örneğin, bir YOLOv8 mobil dağıtım için TensorFlow 'a aktarmak yerel bir özelliktir:

# Export YOLOv8 to TFLite format for Android/iOS
yolo export model=yolov8n.pt format=tflite

Bu kullanım kolaylığı OpenVINO ve CoreML'ye de uzanır ve YOLOv8 çapraz platform dağıtımı için üstün YOLOv8 seçim haline getirir.

Geleceğe Hazırlık: YOLO26 Örneği

YOLOv8 YOLOv6. YOLOv6 güçlü araçlar olmaya devam etse de, yapay zeka alanı hızla gelişmektedir. Bugün yeni projeler başlatan geliştiriciler için, Ultralytics verimlilik ve performansın zirvesini temsil etmektedir.

2026 yılının Ocak ayında piyasaya sürülen YOLO26, YOLOv8 güçlü yönlerini temel alır, YOLOv8 devrim niteliğinde değişiklikler getirir:

Uçtan uca NMS: Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak, YOLO26 çıkarım gecikmesini azaltır ve dağıtım süreçlerini basitleştirir.
MuSGD Optimizer: LLM eğitiminden esinlenerek geliştirilen bu optimizer, eğitim sırasında daha hızlı yakınsama ve daha fazla kararlılık sağlar.
Kenar Optimizasyonu: Dağıtım Odak Kaybı (DFL) kaldırıldığında, YOLO26 CPU'larda %43'e varan daha hızlı çıkarım elde ederek önceki yüksek doğruluklu modellerin temel sınırlamasını ortadan kaldırır.
Geliştirilmiş Kayıp Fonksiyonları: ProgLoss ve STAL' ın entegrasyonu, drone görüntüleri ve IoT sensörleri için kritik bir gereklilik olan küçük nesnelerin algılanmasını önemli ölçüde iyileştirir.

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

YOLOv6.YOLOv6, endüstriyel ortamlarda GPU için, özellikle donanımın sabit olduğu standart algılama görevleri için etkileyici bir referans noktası görevi gördü. Ancak, geliştiricilerin ve araştırmacıların büyük çoğunluğu için Ultralytics YOLOv8 daha dengeli, çok yönlü ve kullanıcı dostu bir deneyim sunmaktadır. Segmentasyon, poz ve OBB desteği, sağlam Ultralytics ile birleştiğinde, onu daha güvenli bir uzun vadeli yatırım haline getirmektedir.

En son teknolojiyi arayanlar için, v8'in çok yönlülüğünü yeni nesil mimari verimlilikle birleştiren YOLO26'ya geçiş yapmanızı öneririz.

Daha Fazla Okuma

Ultralytics ailesindeki diğer modelleri keşfedin:

YOLO11: YOLO26'nın sağlam öncülü.
YOLOv9: Programlanabilir Gradyan Bilgisi (PGI) ile tanınır.
YOLOv10: NMS yaklaşımın öncüsü.