YOLO12: Dikkat Odaklı Nesne Algılama#

Genel Bakış#

2025'in başlarında yayımlanan YOLO12, önceki YOLO modellerinde kullanılan geleneksel CNN tabanlı yaklaşımlardan ayrılan, ancak birçok uygulama için gerekli olan gerçek zamanlı çıkarım hızını koruyan dikkat odaklı bir mimari sunar. Bu model, dikkat mekanizmaları ve genel ağ mimarisindeki yeni metodolojik yenilikler sayesinde yüksek nesne algılama doğruluğu elde ederken gerçek zamanlı performansı korur. Bu avantajlara rağmen YOLO12, ağır dikkat blokları nedeniyle eğitim kararsızlığı, yüksek bellek tüketimi ve daha yavaş CPU aktarım hızı sergileyebilen, topluluk odaklı bir sürüm olmaya devam eder; bu nedenle Ultralytics çoğu üretim iş yükü için YOLO11 veya YOLO26 kullanmanı önerir.

Temel Özellikler#

• Alan Dikkati Mekanizması: Geniş alıcı alanları verimli şekilde işleyen yeni bir öz-dikkat yaklaşımıdır. Özellik haritalarını l eşit boyutlu bölgeye (varsayılan olarak 4) yatay veya dikey şekilde ayırarak karmaşık işlemlerden kaçınır ve geniş bir etkin alıcı alanı korur. Bu, standart öz-dikkate kıyasla hesaplama maliyetini önemli ölçüde azaltır.
• Artıklı Verimli Katman Birleştirme Ağları (R-ELAN): Özellikle daha büyük ölçekli dikkat odaklı modellerdeki optimizasyon zorluklarını gidermek üzere tasarlanmış, ELAN tabanlı geliştirilmiş bir özellik birleştirme modülüdür. R-ELAN şunları sunar:
  • Ölçeklendirmeli blok düzeyi artıklı bağlantılar (katman ölçeklendirmeye benzer).
  • Darboğaz benzeri bir yapı oluşturan yeniden tasarlanmış bir özellik birleştirme yöntemi.
• Optimize Edilmiş Dikkat Mimarisi: YOLO12, daha yüksek verimlilik ve YOLO çatısıyla uyumluluk için standart dikkat mekanizmasını sadeleştirir. Buna şunlar dahildir:
  • Bellek erişimi ek yükünü en aza indirmek için FlashAttention kullanımı.
  • Daha sade ve hızlı bir model için konumsal kodlamanın kaldırılması.
  • Dikkat ve ileri beslemeli katmanlar arasındaki hesaplamayı daha iyi dengelemek için MLP oranının (tipik 4 değerinden 1.2 veya 2'ye) ayarlanması.
  • Optimizasyonu iyileştirmek için yığınlanmış blokların derinliğinin azaltılması.
  • Hesaplama verimlilikleri nedeniyle uygun yerlerde evrişim işlemlerinden yararlanılması.
  • Konumsal bilgiyi örtük olarak kodlamak amacıyla dikkat mekanizmasına 7x7 ayrılabilir bir evrişimin ("position perceiver") eklenmesi.
• Kapsamlı Görev Desteği: YOLO12; nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönelimli nesne algılama (OBB) gibi temel bilgisayarlı görü görevlerini destekler.
• Geliştirilmiş Verimlilik: Önceki birçok modele kıyasla daha az parametreyle daha yüksek doğruluk elde ederek hız ve doğruluk arasında daha iyi bir denge kurar.
• Esnek Dağıtım: Uç cihazlardan bulut altyapısına kadar çeşitli platformlarda dağıtım için tasarlanmıştır.

Desteklenen Görevler ve Modlar#

YOLO12 çeşitli bilgisayarlı görü görevlerini destekler. Aşağıdaki tablo, her görev için desteklenen görevleri ve etkinleştirilen çalışma modlarını (Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma) gösterir:

Eğitilmiş bir kontrol noktası kullanılabilir olduğunda tüm YOLO12 mimarileri her modu destekler. Pretrained Weights sütunu yalnızca Ultralytics'in ultralytics/assets üzerinde resmi bir önceden eğitilmiş .pt yayımlayıp yayımlamadığını gösterir: bölütleme, poz, sınıflandırma ve OBB için çıkarım, doğrulama veya dışa aktarma çalıştırmadan önce ilgili .yaml dosyasından kendi kontrol noktanı eğitmelisin.

Performans Metrikleri#

YOLO12, tüm model ölçeklerinde önemli doğruluk iyileştirmeleri gösterir; ancak önceki en hızlı YOLO modellerine kıyasla hızda bazı ödünleşimler vardır. Aşağıda COCO doğrulama veri kümesinde nesne algılama için nicel sonuçlar verilmiştir:

Algılama Performansı (COCO val2017)#

• Çıkarım hızı, TensorRT FP16 hassasiyeti ile NVIDIA T4 GPU üzerinde ölçülmüştür.
• Karşılaştırmalar, mAP'teki göreli iyileşmeyi ve hızdaki yüzde değişimini gösterir (pozitif değer daha hızlı, negatif değer daha yavaş anlamına gelir). Karşılaştırmalar, mevcut olduğunda YOLOv10, YOLO11 ve RT-DETR için yayımlanmış sonuçlara göre yapılmıştır.

Kullanım Örnekleri#

Bu bölümde YOLO12 ile eğitim ve çıkarım örnekleri sunulmaktadır. Bunlar ve diğer modlar ( Doğrulama ve Dışa Aktarma dahil) hakkında daha kapsamlı belgeler için özel Predict ve Train sayfalarına başvur.

Aşağıdaki örnekler YOLO12 Detect modellerine (nesne algılama için) odaklanır. Desteklenen diğer görevler (bölütleme, sınıflandırma, poz tahmini ve yönelimli nesne algılama) için ilgili göreve özel belgelere başvur: Segment, Classify, Pose ve OBB.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO12n model
model = YOLO("yolo12n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO12n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Temel İyileştirmeler#

1. Geliştirilmiş Özellik Çıkarımı:

   • Alan Dikkati: Geniş alıcı alanları verimli şekilde işler ve hesaplama maliyetini azaltır.
   • Optimize Edilmiş Denge: Dikkat ve ileri beslemeli ağ hesaplamaları arasındaki dengeyi iyileştirir.
   • R-ELAN: R-ELAN mimarisini kullanarak özellik birleştirmeyi geliştirir.

2. Optimizasyon Yenilikleri:

   • Artıklı Bağlantılar: Özellikle daha büyük modellerde eğitimi kararlı hâle getirmek için ölçeklendirmeli artıklı bağlantılar sunar.
   • İyileştirilmiş Özellik Entegrasyonu: R-ELAN içinde özellik entegrasyonu için geliştirilmiş bir yöntem uygular.
   • FlashAttention: Bellek erişimi ek yükünü azaltmak için FlashAttention'ı kullanır.

3. Mimari Verimlilik:

   • Azaltılmış Parametre Sayısı: Önceki birçok modele kıyasla doğruluğu korurken veya iyileştirirken daha düşük parametre sayısına ulaşır.
   • Sadeleştirilmiş Dikkat: Konumsal kodlamadan kaçınan basitleştirilmiş bir dikkat uygulaması kullanır.
   • Optimize Edilmiş MLP Oranları: Hesaplama kaynaklarını daha etkili tahsis etmek için MLP oranlarını ayarlar.

Gereksinimler#

Ultralytics YOLO12 uygulaması varsayılan olarak FlashAttention gerektirmez. Ancak FlashAttention isteğe bağlı olarak derlenebilir ve YOLO12 ile kullanılabilir. FlashAttention'ı derlemek için aşağıdaki NVIDIA GPU'lardan biri gerekir:

• Turing GPU'ları (ör. T4, Quadro RTX serisi)
• Ampere GPU'ları (ör. RTX30 serisi, A30/40/100)
• Ada Lovelace GPU'ları (ör. RTX40 serisi)
• Hopper GPU'ları (ör. H100/H200)

Atıflar ve Teşekkürler#

YOLO12'yi araştırmanda kullanırsan lütfen özgün çalışmaya University at Buffalo ve University of Chinese Academy of Sciences tarafından atıfta bulun:

@inproceedings{tian2025yolov12,
  title={YOLOv12: Attention-Centric Real-Time Object Detectors},
  author={Tian, Yunjie and Ye, Qixiang and Doermann, David},
  booktitle={Advances in Neural Information Processing Systems},
  volume={38},
  pages={78433--78457},
  year={2025},
  url={https://proceedings.neurips.cc/paper_files/paper/2025/file/7103444259031cc58051f8c9a4868533-Paper-Conference.pdf}
}

@software{yolo12,
  author = {Tian, Yunjie and Ye, Qixiang and Doermann, David},
  title = {YOLO12: Attention-Centric Real-Time Object Detectors},
  year = {2025},
  url = {https://github.com/sunsmarterjie/yolov12},
  license = {AGPL-3.0}
}

YOLO12 makalesi NeurIPS 2025 bildirilerinde yayımlanmıştır; ayrıca arXiv üzerinde bir ön baskı bulunmaktadır.

SSS#