YOLOv9 ve YOLOv6-3.0#
Gerçek zamanlı nesne algılamanın evrimi, sinir ağı mimarilerindeki sürekli yeniliklerle şekillenmiş; çıkarım hızı, doğruluk ve hesaplama verimliliği arasındaki hassas dengeyi optimize etmeye odaklanmıştır. Geliştiriciler ve araştırmacılar, bilgisayarlı görü çerçevelerinin kalabalık ekosisteminde yol alırken, iş için doğru aracı seçmek açısından önde gelen mimarileri karşılaştırmak büyük önem taşır.
Bu teknik kılavuz, iki son derece yetkin model arasında kapsamlı bir karşılaştırma sunar: derin öğrenme bilgilerinin korunmasıyla tanınan YOLOv9 ve özellikle endüstriyel uygulamalar için tasarlanmış bir model olan YOLOv6-3.0.
YOLOv9 Genel Bakış: Özellik Korunumunu En Üst Düzeye Çıkarma#
2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarındaki en kalıcı zorluklardan birini ele alır: ileri besleme sürecindeki bilgi kaybı. Gradyanların güvenilir olmasını ve özellik haritalarının kritik verileri korumasını sağlayarak teorik doğruluğun sınırlarını zorlar.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
- Tarih: 21 Şubat 2024
- Bağlantılar: Arxiv Makalesi, GitHub Deposu
Mimari ve Yöntemler#
YOLOv9, Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ile birlikte Programlanabilir Gradyan Bilgisi (PGI) kavramını tanıtır. PGI, çıkarım yükü eklemeden ana ağın sağlam ve güvenilir özellikler öğrenmesini sağlayan yardımcı denetim sunarak bilgi darboğazını giderir. Bu sırada GELAN, parametre kullanımını optimize ederek modelin, hesaplama maliyetini yönetilebilir düzeyde tutarken en gelişmiş ortalama Kesinlik (mAP) değerine ulaşmasını sağlar. Bu özellik, onu tıbbi görüntü analizi veya özellik doğruluğunun kritik olduğu son derece küçük nesnelerin algılanması için olağanüstü bir seçenek hâline getirir.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv6-3.0 Genel Bakış: Endüstriyel Ölçek İçin Tasarlandı#
Meituan tarafından geliştirilen YOLOv6-3.0 (v3.0 olarak da adlandırılır), baştan sona ağır hizmet tipi endüstriyel uygulamalara hizmet etmek üzere tasarlanmıştır. 2023'ün başlarında piyasaya sürülen model, dağıtım verimliliğine güçlü biçimde odaklanır ve uç donanımlarda üstün performans gösteren, nicelemeye uygun bir model ailesi sunar.
- 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 Yöntemler#
YOLOv6-3.0, RepOptimizer ve Çapa Destekli Eğitim (AAT) stratejileriyle öne çıkar. Model, RepVGG'den esinlenen donanım farkındalıklı bir sinir ağı tasarımından yararlanır. Bu tasarım, katmanları birleştirerek çıkarım sırasında GPU'larda olağanüstü hızlı çalışmasını sağlar. 3.0 güncellemesi, yerelleştirme doğruluğunu iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü tanıtarak mimariyi daha da geliştirmiştir. TensorRT ve OpenVINO gibi dağıtım biçimleri için yüksek düzeyde optimize edildiğinden YOLOv6-3.0; lojistikte, üretim otomasyonunda ve yüksek verimli sunucu ortamlarında sıkça tercih edilir.
YOLOv6-3.0 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri standart COCO veri kümesi üzerinde değerlendirirken doğruluk ile ham çıkarım hızı arasındaki belirgin ödünleşimleri gözlemleyebiliriz.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 açısından (1.17 ms) öne çıkarken YOLOv9t, yarıdan daha az parametre (2.0M'e karşı 4.7M) ve önemli ölçüde daha az FLOPs kullanarak biraz daha yüksek bir mAP değerine (%38.3) ulaşır. Karmaşık ve yüksek doğruluk gerektiren durumlarda büyük YOLOv9e, doğruluğu %55.6 mAP seviyesine çıkararak PGI mimarisinin derin ağlardaki gücünü gösterir.
Yeni bir bilgisayarlı görü girişimi başlatıyorsan YOLO26 kullanmanı önemle öneririz. 2026'da piyasaya sürülen bu model, işlem sonrası gecikmeyi tamamen ortadan kaldıran yerel bir Uçtan Uca NMS'siz Tasarım sunar ve %43 Daha Hızlı CPU Çıkarımı sağlar.
Ultralytics Ekosisteminin Avantajı#
Hangi modelin mimari yaklaşımı sana daha uygun gelirse gelsin, bunları Ultralytics Python API aracılığıyla yerel olarak uygulamak üstün bir geliştirici deneyimi sunar.
Kullanım Kolaylığı ve Eğitim Verimliliği#
Karmaşık derin öğrenme modellerini eğitmek, geleneksel olarak çok miktarda şablon kodu gerektirir. Ultralytics Platformu bu karmaşıklıkları soyutlar. YOLOv9'u kusur algılama için ince ayarlıyor veya YOLOv6'yı mobil uygulamalar için dışa aktarıyor ol, iş akışı olağanüstü tutarlılığını korur.
Ayrıca Ultralytics mimarileri, hantal Transformer tabanlı modellere kıyasla eğitim sırasında genellikle daha düşük CUDA bellek gereksinimlerine sahiptir. Bu sayede geliştiriciler, tüketici sınıfı GPU'larda daha büyük toplu iş boyutları kullanabilir ve eğitim verimliliğini büyük ölçüde artırabilir.
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 BBox üretimi için yoğun biçimde optimize edilmiş olsa da modern bilgisayarlı görü projeleri çoğu zaman çok görevli bir yaklaşım gerektirir. Ultralytics modelleri olağanüstü çok yönlülükleriyle tanınır. Ultralytics YOLOv8 ve daha yeni YOLO26 gibi araçlarla tek bir çerçeve; nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş BBox'lar (OBB) işlemlerini sorunsuz biçimde ele alır.
YOLO26'yı Tanıtıyoruz: Yeni Standart#
Hem performansı hem de dağıtım kolaylığını en üst düzeye çıkarmak isteyen kuruluşlar için YOLO26, hız ve doğruluğun nihai birleşimini temsil eder.
YOLO11'in başarıları üzerine inşa edilen YOLO26, paradigma değiştiren çeşitli özellikler sunar:
- MuSGD Optimizer: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen bu hibrit optimizer, son derece kararlı eğitim ve hızlı yakınsama sağlar.
- DFL'nin Kaldırılması: Distribution Focal Loss çıkarılarak YOLO26'nın dışa aktarma grafiği basitleştirilir ve düşük güçlü uç bilişim çipleriyle uyumluluk önemli ölçüde artırılır.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone operasyonları ve IoT uygulamaları için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, bölütleme için yerel çok ölçekli prototipleme, iskelet takibi için Artık Log-Olasılık Tahmini (RLE) ve OBB algılamasındaki uç durumları çözmek için özel açı kaybı algoritmaları içerir.
İdeal Dağıtım Senaryoları#
Doğru mimariyi seçmek, nihayetinde üretim kısıtlarına bağlıdır.
Endüstriyel üretimde yerleşik bir işlem hattın varsa, nicelemeye büyük ölçüde güveniyorsan ve milisaniyenin altındaki en düşük donanım gecikmesine ihtiyaç duyduğun özel çıkarım hızlandırıcılarını kullanıyorsan YOLOv6-3.0'ı seç.
Karmaşık sağlık hizmeti tanıları üzerinde çalışıyorsan veya ince, piksel düzeyindeki özelliklerin gözden kaçırılmasının kabul edilemeyeceği uzun menzilli gözetim gerçekleştiriyorsan YOLOv9'u seç.
Bununla birlikte son teknoloji doğruluğu basitleştirilmiş, NMS'siz dağıtımla birlikte sunan, mükemmel dengelenmiş bir yaklaşım için Ultralytics YOLO26, modern bilgisayarlı görü mühendisliği açısından kesin öneri olarak öne çıkar. Etkin geliştirme döngüsü, kapsamlı belgeleri ve canlı topluluk desteği, onu araştırmacılar ve geliştiriciler için vazgeçilmez bir araç hâline getirir.