YOLOv9 ve YOLOv6-3.0#
Gerçek zamanlı nesne algılamanın evrimi, sinir ağı mimarilerindeki sürekli yeniliklerle, çıkarım hızı, doğruluk ve hesaplama verimliliği arasındaki hassas dengenin optimize edilmesiyle yönlendirilmiştir. Geliştiriciler ve araştırmacılar bilgisayarlı görü çerçevelerinin kalabalık ortamında gezinirken, iş için doğru aracı seçmek adına önde gelen mimarileri karşılaştırmak esastır.
Bu teknik kılavuz, oldukça yetenekli iki model arasında derinlemesine bir karşılaştırma sunar: Derin öğrenme bilgi tutma kapasitesiyle tanınan YOLOv9 ve endüstriyel uygulamalar için özel olarak tasarlanmış YOLOv6-3.0.
YOLOv9'a Genel Bakış: Özellik Tutma Kapasitesini En Üst Düzeye Çıkarma#
2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarındaki en kalıcı zorluklardan birini ele alıyor: ileri beslemeli süreç sırasında bilgi kaybı. Gradyanların güvenilir olmasını ve özellik haritalarının kritik verileri korumasını sağlayarak, teorik doğruluk sınırlarını zorlar.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
- Tarih: 21 Şubat 2024
- Bağlantılar: Arxiv Makalesi, GitHub Deposu
Mimari ve Metodolojiler#
YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte Programlanabilir Degradan Bilgisi (PGI) kavramını sunar. PGI, çıkarım yükü eklemeden ana ağın sağlam ve güvenilir özellikler öğrenmesini sağlayan yardımcı denetim sağlayarak bilgi darboğazını ele alır. Bu arada GELAN, parametre kullanımını optimize ederek modelin hesaplama maliyetini yönetilebilir tutarken son teknoloji ortalama Duyarlılık (mAP) elde etmesini sağlar. Bu, onu tıbbi görüntü analizi veya özellik doğruluğunun kritik olduğu son derece küçük nesneleri tespit etmek için olağanüstü bir seçim haline getirir.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv6-3.0'a Genel Bakış: Endüstriyel Ölçek İçin İnşa Edilmiştir#
Meituan tarafından geliştirilen YOLOv6-3.0 (v3.0 olarak da bilinir), ağır hizmet tipi endüstriyel uygulamalara hizmet etmek için temelden tasarlanmıştır. 2023'ün başlarında piyasaya sürülen model, uç donanımlarda mükemmel performans gösteren niceleme dostu bir model paketi sunarak dağıtım verimliliğine büyük ölçüde odaklanır.
- Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
- Kuruluş: Meituan
- Tarih: 13 Ocak 2023
- Bağlantılar: Arxiv Makalesi, GitHub Deposu
Mimari ve Metodolojiler#
YOLOv6-3.0, RepOptimizer ve Çapa Destekli Eğitim (AAT) stratejileriyle öne çıkar. Model, katmanları birleştirerek çıkarım sırasında GPU'larda son derece hızlı çalışmasını sağlayan, RepVGG'den ilham alan donanım farkında bir sinir ağı tasarımı kullanır. 3.0 güncellemesi, yerelleştirme doğruluğunu artırmak için Çift Yönlü Birleştirme (BiC) modülü sunarak mimariyi daha da iyileştirdi. TensorRT ve OpenVINO gibi dağıtım formatları için yüksek oranda optimize edildiğinden YOLOv6-3.0 lojistik, üretim otomasyonu ve yüksek verimli sunucu ortamlarında sıklıkla benimsenir.
YOLOv6-3.0 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri standart COCO veri kümesinde değerlendirirken, doğruluk ve ham çıkarım hızı arasında belirgin ödünleşmeler gözlemleyebiliriz.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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 |
Teknik Analiz#
YOLOv6-3.0n, T4 donanımında ham hız (1,17 ms) konusunda liderliği ele alırken YOLOv9t, parametrelerin yarısından azını (2,0 M'ye karşı 4,7 M) ve önemli ölçüde daha az FLOP kullanarak biraz daha yüksek bir mAP (%38,3) elde etmeyi başarır. Karmaşık, yüksek doğruluk gereksinimleri için devasa YOLOv9e, derin ağlarda PGI mimarisinin gücünü göstererek doğruluğu %55,6 mAP'ye çıkarır.
Yeni bir bilgisayarlı görü girişimi başlatıyorsan, YOLO26 kullanmanı şiddetle tavsiye ederiz. 2026 yılında piyasaya sürülen bu model, son işleme gecikmesini tamamen ortadan kaldıran ve %43'e varan Daha Hızlı CPU Çıkarımı sağlayan yerel bir Uçtan Uca NMS İçermeyen Tasarım özelliğine sahiptir.
Ultralytics Ekosistemi Avantajı#
Hangi modelin mimari felsefesi sana hitap ederse etsin, bunları Ultralytics Python API aracılığıyla yerel olarak uygulamak üstün bir geliştirici deneyimi sağlar.
Kullanım Kolaylığı ve Eğitim Verimliliği#
Karmaşık derin öğrenme modellerini eğitmek geleneksel olarak devasa ortak kod gerektirir. Ultralytics Platform bu karmaşıklıkları soyutlar. İster kusur tespiti için YOLOv9'da ince ayar yapıyor ol ister mobil uygulamalar için YOLOv6 dışarı aktarıyor ol, iş akışı son derece tutarlı kalır.
Ayrıca Ultralytics mimarileri, hantal transformatör tabanlı modellerle karşılaştırıldığında eğitim sırasında genellikle daha düşük CUDA bellek gereksinimlerine sahiptir. Bu, geliştiricilerin tüketici sınıfı GPU'larda daha büyük grup boyutları kullanmasına olanak tanıyarak eğitim verimliliğini büyük ölçüde artırır.
from ultralytics import YOLO
# Easily swap architectures by changing the weights file string
# model = YOLO("yolov6n.pt")
model = YOLO("yolov9c.pt")
# Train the model with built-in data augmentation and caching
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Export to ONNX or TensorRT seamlessly
model.export(format="engine", quantize=16)Görü Görevlerinde Eşsiz Çok Yönlülük#
YOLOv6-3.0 hızlı sınırlayıcı kutu üretimi için yoğun bir şekilde optimize edilmiş olsa da modern bilgisayarlı görü projeleri genellikle çok görevli bir yaklaşım gerektirir. Ultralytics modelleri aşırı çok yönlülükleriyle kutlanır. Ultralytics YOLOv8 ve daha yeni YOLO26 gibi araçlarla tek bir çerçeve; nesne tespiti, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) sorunsuz bir şekilde yönetir.
YOLO26 ile Tanışın: Yeni Standart#
Hem performansı hem de dağıtım kolaylığını en üst düzeye çıkarmak isteyen kuruluşlar için YOLO26, hız ve doğruluğun nihai yakınsamasını temsil eder.
YOLO11 başarısının üzerine inşa edilen YOLO26, paradigma değiştiren birkaç özellik sunar:
- MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen bu hibrit optimize edici, inanılmaz derecede kararlı eğitim ve hızlı yakınsama sağlar.
- DFL Kaldırma: Dağılım Odak Kaybı'nı ortadan kaldırarak YOLO26 dışa aktarma grafiğini basitleştirir ve onu düşük güçte uç bilgi işlem çipleriyle çok daha uyumlu hale getirir.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve IoT uygulamaları için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, segmentasyon için yerel çok ölçekli prototipleme, iskelet takibi için Artık Log-Olabilirlik Tahmini (RLE) ve OBB algılamasındaki uç durumları çözmek için özel açı kayıp algoritmaları içerir.
İdeal Dağıtım Senaryoları#
Doğru mimariyi seçmek nihayetinde üretim kısıtlamalarına bağlıdır.
Endüstriyel üretimde yerleşik bir hattın varsa, büyük ölçüde nicelemeye güveniyorsan ve mutlak en düşük milisaniye altı donanım gecikmesine ihtiyaç duyduğun özel çıkarım hızlandırıcıları kullanıyorsan YOLOv6-3.0'ı seç.
İnce, piksel düzeyindeki özellikleri kaçırmanın bir seçenek olmadığı karmaşık sağlık teşhisleri veya uzun menzilli gözetim ile ilgileniyorsan YOLOv9'u seç.
Bununla birlikte, basitleştirilmiş, NMS'siz dağıtımla birlikte en son teknoloji doğruluğu sunan mükemmel dengeli bir yaklaşım için, Ultralytics YOLO26 modern bilgisayarlı görü mühendisliği için kesin öneridir. Aktif geliştirme döngüsü, kapsamlı belgeleri ve canlı topluluk desteği, onu hem araştırmacılar hem de geliştiriciler için vazgeçilmez bir araç haline getirir.