YOLOv8 ve YOLOv6-3.0#

Gerçek zamanlı bilgisayarlı görü dünyası, daha hızlı, daha doğru ve daha çok yönlü modellere olan talebin etkisiyle sürekli gelişiyor. 2023'ün başlarında ortaya çıkan en öne çıkan iki mimari, Ultralytics YOLOv8 ve Meituan tarafından geliştirilen YOLOv6-3.0'dır. Her iki model de en ileri teknoloji performansının sınırlarını zorluyor, ancak biraz farklı geliştirme yaklaşımlarına ve dağıtım senaryolarına hitap ediyor.

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

Model Kökeni ve Ayrıntıları#

Teknik ayrıntılara geçmeden önce her iki modelin kökenini ve temel özelliklerini anlamak önemlidir. Her iki depo da popüler PyTorch çatısını yoğun biçimde kullanır, ancak ekosistem entegrasyonları önemli ölçüde farklılık gösterir.

YOLOv8 Ayrıntıları#

Ultralytics YOLOv8 mimarisi, baştan olağanüstü bir geliştirici deneyimi ve çok yönlülük sunmak üzere tasarlanmış birleşik, çok görevli bir çatıdır. Önceki sürümlerden elde edilen yıllarca süren araştırma ve topluluk geri bildirimleri üzerine kurulmuştur.

• 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#

Başlangıçta Meituan'da endüstriyel uygulamalar için tanıtılan YOLOv6, 3.0 sürümünde büyük bir "Full-Scale Reloading" güncellemesi aldı. Öncelikli olarak, 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
• Belgeler: https://docs.ultralytics.com/models/yolov6

Learn more about YOLOv6-3.0

Mimari ve Eğitim Metodolojileri#

Ultralytics YOLOv8 Mimarisi#

YOLOv8, son derece geliştirilmiş, anchorsız bir algılama başlığı sunmuştur. Önceden tanımlanmış anchor kutularını kaldırarak model, çeşitli veri kümelerinde daha iyi genelleme yapar ve son işleme sezgisel kurallarının sayısını azaltır. Ayrıca YOLOv8, bulut sunucularından kaynakları kısıtlı uç cihazlara kadar çeşitli gerçek dünya dağıtım senaryoları için uygun olan hız ve doğruluk arasında sürekli olarak elverişli bir denge sağlayarak eşsiz bir Performans Dengesi sunar.

YOLOv8'in önemli bir avantajı Bellek gereksinimleridir. Eğitim sırasında Ultralytics modelleri, RT-DETR gibi ağır Transformer tabanlı alternatiflere kıyasla önemli ölçüde daha az CUDA belleği kullanır. Bu, geliştiricilerin standart tüketici GPU'larında daha büyük batch boyutlarından yararlanmasını ve bunun sonucunda mükemmel Eğitim Verimliliği elde etmesini sağlar.

YOLOv6-3.0 Mimarisi#

YOLOv6-3.0, Çift Yönlü Birleştirme (BiC) modülü ve çapa destekli eğitim (AAT) stratejisi kullanır. Daha küçük modellerde (N ve S) EfficientRep Backbone kullanılırken daha büyük varyantlar (M ve L) CSPStackRep Backbone'a geçer. Mimari, NVIDIA TensorRT çalıştırması için yoğun biçimde optimize edilmiştir; bu da uyumlu donanımlara dağıtıldığında olağanüstü hızlı olmasını sağlar. Ancak belirli donanım optimizasyonlarına yapılan bu sıkı bağlılık, Ultralytics'e özgü esnek ONNX dışa aktarma iş akışlarına kıyasla platformlar arası dağıtımı bazen biraz daha katı hâle getirebilir.

Performans Karşılaştırması#

Modeller COCO doğrulama veri kümesi üzerinde değerlendirildiğinde her ikisi de dikkat çekici bir performans sergiler. Aşağıdaki tablo temel metrikleri vurgular.

YOLOv6-3.0 belirli TensorRT kıyaslamalarında küçük hız avantajlarına sahip olsa da YOLOv8, daha küçük kategorilerde parametre açısından daha verimli bir tasarım sunar; bu da mobil ve gömülü CPU'lar dâhil olmak üzere farklı donanımlarda daha iyi esneklik sağlar.

Ekosistem ve Çok Yönlülük#

İki model arasındaki en belirgin fark ekosistem desteğinde görülür.

YOLOv6 öncelikli olarak sınırlayıcı kutu algılama motorudur. Buna karşılık YOLOv8, Çok Yönlülüğü ile öne çıkar. YOLOv8, tek bir birleşik çatı içinde örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler.

Ayrıca Ultralytics ekosisteminin Kullanım Kolaylığı benzersizdir. Basit bir Python API ile araştırmacılar, karmaşık standart kodlar yazmadan eğitimi başlatabilir, sonuçları doğrulayabilir ve modelleri çok sayıda formata aktarabilir. İyi Bakımı Yapılan Ekosistem, etkin geliştirme, sık güncellemeler ve popüler deney izleme araçlarıyla sorunsuz entegrasyonlar sağlar.

Kod Örneği: YOLOv8 Eğitimi#

Bir YOLOv8 modelini eğitmek için minimum kurulum gerekir; bu da çatının erişilebilir tasarımını vurgular:

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 Alanları ve Öneriler#

YOLOv8 ile YOLOv6 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8 Ne Zaman Seçilmeli?#

YOLOv8 şu durumlar için güçlü bir seçenektir:

• Çok Görevli Çok Yönlü Dağıtım: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Kurulu Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve kapsamlı biçimde test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

İleriye Bakış: YOLO26'ya Geçiş#

YOLOv8 ve YOLOv6-3.0 mükemmel seçenekler olsa da yeni projelere başlayan geliştiricilerin yeni nesil Ultralytics YOLO26 modelini incelemesi önemle önerilir. Ocak 2026'da yayımlanan YOLO26, uç öncelikli görsel yapay zekâ standardını yeniden tanımlar.

YOLO26, son işleme sırasında Non-Maximum Suppression gereksinimini tamamen ortadan kaldıran Uçtan Uca NMS'siz Tasarım sunar. Bu yerel uçtan uca yaklaşım, özellikle uç ortamlarda daha hızlı ve basit dağıtım mantığını garanti eder. DFL Kaldırma (Dağılımsal Odak Kayıp) ile birlikte model başlığı önemli ölçüde hafifler ve %43'e Kadar Daha Hızlı CPU Çıkarımı sağlar.

Eğitim kararlılığı ve yakınsama hızı da LLM eğitim metodolojilerinden esinlenen SGD ve Muon'un bir melezi olan MuSGD Optimizer sayesinde büyük ölçüde geliştirilmiştir. Ayrıca ProgLoss + STAL yönteminin kullanıma sunulması, drone görüntüleri ve yoğun endüstriyel denetim için kritik olan küçük nesne tanıma performansını önemli ölçüde artırır.

Sonuç#

YOLOv8 ile YOLOv6-3.0 arasındaki seçim, nihayetinde dağıtım işlem hattının önceliklerine bağlıdır. YOLOv6-3.0, ham GPU hızının mutlak öncelik olduğu katı TensorRT ortamları için son derece yetenekli bir modeldir. Ancak ekiplerin büyük çoğunluğu için Ultralytics YOLOv8 modeli daha üstün bir seçenek sunar. Daha düşük eğitim belleği gereksinimleri, çok görevli çok yönlülüğü ve Ultralytics Platform tarafından sağlanan sektör lideri ekosisteminin birleşimi, pazara sunma süresini büyük ölçüde kısaltır.

Modern verimliliğin en üst düzeyini isteyen geliştiriciler için YOLO26 modeline sorunsuz geçiş, tüm bilgisayarlı görü uygulamalarını geleceğe hazır hâle getiren benzersiz, NMS'siz bir deneyim sunar.