Model Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin

Doğru sinir ağı mimarisini seçmek, başarılı bir bilgisayarla görme projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldiniz! Bu sayfa ayrıntılı teknik analizleri ve performans kıyaslamalarını merkezileştirerek en yeni ürünler arasındaki dengeleri incelemektedir. Ultralytics YOLO11 ve YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler.

Uygulamanız ister uç yapay zekanın milisaniyelik gecikmesini ister tıbbi görüntüleme için gereken yüksek doğrulukta hassasiyeti talep etsin, bu kılavuz bilinçli bir seçim yapmak için gereken veri odaklı içgörüleri sağlar. Modelleri Ortalama Ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

İnteraktif Performans Ölçütleri

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, belirli bir hız kısıtlaması için en iyi doğruluğu sunan nesne algılama modellerinin "Pareto sınırını" belirlemek için çok önemlidir. Aşağıdaki grafik, COCO gibi standart veri kümelerindeki temel metrikleri karşılaştırmaktadır.

Bu grafik, temel performans metriklerini görselleştirerek farklı modeller arasındaki dengeleri hızlı bir şekilde değerlendirmenizi sağlar. Bu metrikleri anlamak, özel dağıtım kısıtlamalarınızla uyumlu bir model seçmek için esastır.

Hızlı Karar Rehberi

Nereden başlayacağınızdan emin değil misiniz? Donanım ve performans gereksinimlerinize en uygun mimariyi daraltmak için bu karar ağacını kullanın.

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

    C -- "Extreme Speed (Real-time)" --> E[YOLO11n / YOLO11s]
    C -- "Balanced Legacy" --> F[YOLOv5s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO11x / RT-DETR-X]
    D -- "Balanced Performance" --> H[YOLO11m / YOLO11l]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO11 / YOLOv8]
    I -- "Video Analytics" --> L[YOLO11 + Tracking]

Mevcut Manzara: YOLO11 ve Ötesi

Nesne algılama alanı hızla ilerliyor. Eski modeller eski destek için geçerli olmaya devam ederken, yeni mimariler mümkün olanın sınırlarını zorluyor.

Ultralytics YOLO11

En son kararlı sürüm olarak, YOLO11 yeni projeler için önerilen başlangıç noktasıdır. Gelişmiş özellik çıkarma yetenekleri ve optimize edilmiş hesaplama grafikleri de dahil olmak üzere önceki sürümlere göre önemli mimari iyileştirmeler sunar. Tek ve birleşik bir çerçeve içinde algılama, segmentasyon, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) gibi eksiksiz bir görev paketini destekler.

Neden YOLO11'i Seçmelisiniz?

YOLO11 , Ultralytics mühendisliğinin zirvesini temsil eder ve gerçek dünya uygulamaları için en iyi hız ve doğruluk dengesini sunar. Ekosistemimiz tarafından tamamen desteklenerek uzun vadeli bakım ve uyumluluk sağlar.

Topluluk Modelleri: YOLO12 ve YOLO13 Üzerine Bir Not

Topluluk tartışmalarında veya depolarında YOLO12 veya YOLO13 referanslarıyla karşılaşabilirsiniz.

Üretim Dikkat

Şu anda YOLO12 veya YOLO13'ü üretim kullanımı için 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 göre sadece marjinal doğruluk kazanımları gösterirken, daha büyük ve daha yavaştır. Raporlanan sonuçlar tekrarlanabilirlik ile ilgili sorunlar göstermiştir.

Geleceğe Bakış: YOLO26 ve Ultralytics Platformu

Ultralytics , 2025'in sonlarında açık kaynaklı bir sürüm hedefleyerek YOLO26'yı aktif olarak geliştirmektedir. Bu yeni nesil model, tüm YOLO11 görevlerini desteklerken daha küçük, daha hızlı ve yerel olarak uçtan uca olmayı hedefliyor. Ayrıca, 2026 yılında Ultralytics Platformu, veri kaynağı, otomatik açıklama ve bulut eğitimi için kapsamlı bir SaaS çözümü olarak piyasaya sürülecek ve tüm MLOps yaşam döngüsünü basitleştirecektir.

İzle: YOLO Modelleri Karşılaştırması: Ultralytics YOLO11 vs YOLOv10 vs YOLOv9 vs Ultralytics YOLOv8 🎉

Detaylı Model Karşılaştırmaları

backbone seçimi, kafa tasarımı ve kayıp fonksiyonları gibi belirli mimari farklılıkları anlamak için derinlemesine teknik karşılaştırmalarımızı keşfedin. Kolay erişim için bunları modele göre düzenledik:

YOLO11 -

YOLO11 , en son araştırmalarla seleflerinin başarısı üzerine inşa edilmiştir. Daha iyi özellik çıkarımı ve optimize edilmiş verimlilik için geliştirilmiş bir backbone ve boyun mimarisine sahiptir.

YOLOv10 vs

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10 , gecikme varyansını azaltmak için Maksimum Olmayan Bastırma (NMS) adımını kaldırmaya odaklanarak, daha az hesaplama ek yükü ile son teknoloji performans sunar.

YOLOv9 vs

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

YOLOv8 -e karşı

Ultralytics YOLOv8 , gelişmiş backbone ve boyun mimarileri ve optimum doğruluk-hız ödünleşimleri için çapasız bir bölünmüş kafa ile oldukça popüler bir seçim olmaya devam ediyor.

YOLOv7 vs

YOLOv7 , çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklanarak "eğitilebilir ücretsiz torba" ve model yeniden parametrelendirmeyi tanıttı.

YOLOv6 vs

Meituan'ın YOLOv6 'sı, Çift Yönlü Birleştirme (BiC) modülleri ve çapa destekli eğitim stratejileri içeren endüstriyel uygulamalar için tasarlanmıştır.

YOLOv5 -e karşı

Ultralytics YOLOv5 , kullanım kolaylığı, kararlılığı ve hızı ile ünlüdür. Geniş cihaz uyumluluğu gerektiren projeler için sağlam bir seçim olmaya devam etmektedir.

RT-DETR -e karşı

RT-DETR (Gerçek Zamanlı Algılama Dönüştürücüsü), gerçek zamanlı performansla yüksek doğruluk elde etmek için görüntü dönüştürücülerinden yararlanır ve küresel bağlam anlayışında mükemmeldir.

PP-YOLOE+ -e karşı

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

DAMO-YOLO -e karşı

Alibaba Group'a ait YOLO , statik kıyaslamalarda doğruluğu en üst düzeye çıkarmak için Sinirsel Mimari Arama (NAS) ve verimli RepGFPN kullanır.

YOLOX - Karşılaştırmalar

Megvii tarafından geliştirilen YOLOX, ayrılmış kafa ve SimOTA etiket atama stratejisi ile bilinen çapasız bir evrimdir.

EfficientDet - Karşılaştırmalar

Google Brain tarafından sunulan EfficientDet, parametre verimliliğini optimize etmek için bileşik ölçeklendirme ve BiFPN kullanır ve farklı kısıtlamalar için bir dizi model (D0-D7) sunar.

Bu dizin, yeni modeller yayınlandıkça ve kıyaslamalar geliştirildikçe sürekli olarak güncellenmektedir. Bir sonraki bilgisayarla görme projenize mükemmel uyumu bulmak için bu kaynakları keşfetmenizi öneririz. Özel lisanslama ile kurumsal düzeyde çözümler arıyorsanız, lütfen Lisanslama sayfamızı ziyaret edin. Mutlu karşılaştırmalar!