Ultralytics YOLO27:

Model Karşılaştırmaları#

Doğru sinir ağı mimarisini seçmek, başarılı herhangi bir bilgisayarlı görü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldin! Bu sayfa, en yeni Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki ödünleşimleri ayrıntılı teknik analizler ve performans kıyaslamalarıyla ele alır.

Uygulaman ister uç AI için milisaniyelik gecikme ister tıbbi görüntüleme için gereken yüksek doğruluk gerektirsin, bu kılavuz bilinçli bir seçim yapman için gereken veriye dayalı içgörüleri sunar. Modelleri Ortalama Kesinlik (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

Etkileşimli Performans Kıyaslamaları#

Hız ile doğruluk arasındaki ilişkiyi görselleştirmek, nesne algılamada belirli bir hız kısıtı için en iyi doğruluğu sunan modellerden oluşan "Pareto sınırını" belirlemek açısından önemlidir. Aşağıdaki grafik, standart COCO gibi veri kümelerindeki temel metrikleri karşılaştırır.

Bu grafik, farklı modeller arasındaki ödünleşimleri hızlıca değerlendirmeni sağlayan temel performans metriklerini görselleştirir. Bu metrikleri anlamak, belirli dağıtım kısıtlarınla uyumlu bir model seçmenin temelidir.

Hızlı Karar Kılavuzu#

Nereden başlayacağından emin değil misin? Donanımına ve performans gereksinimlerine en uygun mimariyi daraltmak için bu karar ağacını kullan.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Güncel Görünüm: YOLO26 ve Ötesi#

Nesne algılama alanı hızla ilerliyor. Eski modeller geriye dönük destek için hâlâ geçerli olsa da yeni mimariler mümkün olanın sınırlarını zorluyor.

Ultralytics YOLO26#

Ocak 2026'da yayımlanan YOLO26, en yeni son teknoloji modeldir ve tüm yeni projeler için önerilen başlangıç noktasıdır. Model, işlem sonrası Maksimum Olmayan Bastırma ihtiyacını ortadan kaldıran Uçtan Uca NMS İçermeyen Tasarım da dâhil olmak üzere çığır açan mimari yenilikler sunar; bunun sonucunda daha hızlı ve daha öngörülebilir çıkarım süreleri elde edilir. YOLO26, önceki nesillere kıyasla CPU'larda %43'e kadar daha hızlıdır ve bu da onu uç dağıtım için ideal kılar.

Temel yenilikler şunlardır:

  • NMS İçermeyen Uçtan Uca: İşlem sonrası gerektirmeyen basitleştirilmiş dağıtım
  • DFL'nin Kaldırılması: ONNX, TensorRT ve CoreML dışa aktarımlarını kolaylaştırır
  • MuSGD Optimize Edicisi: Kararlı yakınsama için LLM eğitiminden ilham alan hibrit SGD/Muon optimize edicisi
  • ProgLoss + STAL: Küçük nesne algılama performansını artırır
Neden YOLO26'yı Seçmelisin?

YOLO26, CNN verimliliğinin en iyi yönlerini Transformer benzeri uçtan uca yeteneklerle birleştirerek Ultralytics mühendisliğinin zirvesini temsil eder. Tüm görevleri (algılama, segmentasyon, poz tahmini, sınıflandırma ve OBB) desteklerken her zamankinden daha küçük, hızlı ve kolay dağıtılabilir.

Ultralytics YOLO11#

YOLO11, algılama doğruluğunu artırırken YOLOv8'e kıyasla parametre sayısını %22 azaltarak son derece yetkin bir model olmayı sürdürüyor. Tamamen desteklenir ve kanıtlanmış kararlılığa ihtiyaç duyan veya mevcut YOLO11 işlem hatlarına sahip kullanıcılar için önerilir.

Topluluk Modelleri: YOLO12 ve YOLO13 Hakkında Not#

Topluluk tartışmalarında veya depolarında YOLO12 ya da YOLO13 referanslarıyla karşılaşabilirsin.

Üretim Kullanımı İçin Uyarı

Şu anda YOLO12 veya YOLO13'ün üretimde kullanılmasını önermiyoruz.

  • YOLO12: Genellikle eğitim kararsızlığına, aşırı bellek tüketimine ve önemli ölçüde daha yavaş CPU çıkarım hızlarına neden olan dikkat katmanlarını kullanır.
  • YOLO13: Kıyaslamalar, YOLO11'e kıyasla yalnızca marjinal doğruluk kazanımları sunarken daha büyük ve daha yavaş olduğunu gösteriyor. Bildirilen sonuçlar yeniden üretilebilirlikle ilgili sorunlar ortaya koydu.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Ayrıntılı Model Karşılaştırmaları#

Omurga seçimi, başlık tasarımı ve kayıp işlevleri gibi belirli mimari farklılıkları anlamak için derinlemesine teknik karşılaştırmalarımızı incele. Kolay erişim için bunları modele göre düzenledik:

YOLO26 ve#

YOLO26, NMS içermeyen uçtan uca algılama, MuSGD optimize edicisi ve CPU'da %43'e kadar daha hızlı çıkarım sunan en yeni Ultralytics modelidir. Son teknoloji doğruluğa ulaşırken uç dağıtım için optimize edilmiştir.

YOLO11 ve#

YOLO11, öncüllerinin başarısını en yeni araştırmalarla ileriye taşıyor. Daha iyi özellik çıkarımı ve optimize edilmiş verimlilik için geliştirilmiş bir omurga ve boyun mimarisine sahiptir.

YOLOv10 ve#

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10, gecikme değişkenliğini azaltmak için Maksimum Olmayan Bastırma (NMS) adımını kaldırmaya odaklanır ve daha düşük hesaplama yüküyle son teknoloji performans sunar.

YOLOv9 ve#

YOLOv9, derin sinir ağlarındaki bilgi kaybını ele almak için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) sunar.

YOLOv8 ve#

Ultralytics YOLOv8, gelişmiş omurga ve boyun mimarileri ile optimum doğruluk-hız ödünleşimi için bağlantı noktası içermeyen ayrık bir başlık sunarak popüler bir seçenek olmayı sürdürüyor.

YOLOv7 karşılaştırması#

YOLOv7, "eğitilebilir ücretsiz avantajlar paketi" ve model yeniden parametreleştirmeyi kullanıma sunarak çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklandı.

YOLOv6 karşılaştırması#

Meituan'ın YOLOv6 modeli endüstriyel uygulamalar için tasarlanmıştır; Çift Yönlü Birleştirme (BiC) modülleri ve çapa destekli eğitim stratejileri içerir.

YOLOv5 karşılaştırması#

Ultralytics YOLOv5 kullanım kolaylığı, kararlılığı ve hızıyla öne çıkar. Geniş cihaz uyumluluğu gerektiren projeler için sağlam bir seçenek olmaya devam eder.

RT-DETR karşılaştırması#

RT-DETR (Gerçek Zamanlı Algılama Transformer), gerçek zamanlı performansla yüksek doğruluk elde etmek için görsel Transformer'ları kullanır ve küresel bağlamı anlamada başarılıdır.

PP-YOLOE+ karşılaştırması#

Baidu tarafından geliştirilen PP-YOLOE+, verimlilik ile doğruluğu dengelemek için Görev Hizalama Öğrenimi (TAL) ve ayrıştırılmış bir başlık kullanır.

DAMO-YOLO karşılaştırması#

Alibaba Group tarafından geliştirilen DAMO-YOLO, statik kıyaslamalarda doğruluğu en üst düzeye çıkarmak için Sinir Ağı Mimarisi Araması (NAS) ve verimli RepGFPN kullanır.

YOLOX karşılaştırması#

Megvii tarafından geliştirilen YOLOX, ayrıştırılmış başlığı ve SimOTA etiket atama stratejisiyle tanınan, anchorsız bir evrimdir.

EfficientDet karşılaştırması#

Google Brain tarafından geliştirilen EfficientDet, parametre verimliliğini optimize etmek için bileşik ölçekleme ve BiFPN kullanır ve farklı kısıtlamalara yönelik bir model yelpazesi (D0-D7) sunar.

Yeni modeller yayımlandıkça ve kıyaslamalar geliştirildikçe bu dizin sürekli güncellenir. Bir sonraki bilgisayarlı görü projen için en uygun seçeneği bulmak üzere bu kaynakları incelemeni öneririz. Özel lisanslamaya sahip kurumsal düzeyde çözümler arıyorsan Lisanslama sayfamızı ziyaret et. İyi karşılaştırmalar!

Katkıda Bulunanlar
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Yorumlar