Model Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin

Doğru sinir ağı mimarisini seçmek, başarılı her bilgisayarlı görü projesinin temelidir. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldin! Bu sayfa, en güncel Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki ödünleşimleri inceleyen ayrıntılı teknik analizleri ve performans kıyaslamalarını bir araya getiriyor.

Uygulaman ister uç yapay zeka için milisaniyelik gecikme süreleri gerektirsin, ister tıbbi görüntüleme için gereken yüksek doğruluk oranına ihtiyaç duysun, bu kılavuz bilinçli bir seçim yapman için gereken veri odaklı içgörüleri sunar. Modelleri ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

Etkileşimli Performans Kıyaslamaları

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

Bu grafik, farklı modeller arasındaki ödünleşimleri hızla değerlendirmeni sağlayan temel performans metriklerini görselleştirir. Bu metrikleri anlamak, özel dağıtım kısıtlamalarınla uyumlu bir model seçmek için temel teşkil eder.

Hızlı Karar Verme Kılavuzu

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

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[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

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

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

Güncel Durum: YOLO26 ve Ötesi

Nesne algılama alanı hızla ilerliyor. Eski modeller miras desteği için önemini korusa da, yeni mimariler mümkün olanın sınırlarını zorluyor.

Ultralytics YOLO26

Ocak 2026'da yayınlanan YOLO26, en son teknoloji ürünü modeldir ve tüm yeni projeler için önerilen başlangıç noktasıdır. Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını ortadan kaldıran ve daha hızlı, daha öngörülebilir çıkarım süreleri sağlayan Uçtan Uca NMS-Free Tasarım dahil olmak üzere çığır açan mimari yenilikler sunar. YOLO26, önceki nesillere kıyasla CPU'larda %43'e kadar daha hızlıdır ve bu da onu uç dağıtım için ideal kılar.

Temel yenilikler şunlardır:

• NMS-Free Uçtan Uca: Son işlem gerektirmeyen basitleştirilmiş dağıtım
• DFL Kaldırma: ONNX, TensorRT ve CoreML'ye optimize edilmiş dışa aktarma
• MuSGD Optimize Edici: Kararlı yakınsama için LLM eğitiminden esinlenilmiş hibrit SGD/Muon optimize edici
• ProgLoss + STAL: Geliştirilmiş küçük nesne algılama performansı

Ultralytics YOLO11

YOLO11, YOLOv8'e kıyasla parametrelerde %22'lik bir azalma sunarken algılama doğruluğunu artıran oldukça yetenekli bir model olmaya devam ediyor. Tam olarak desteklenmektedir ve kanıtlanmış stabiliteye ihtiyaç duyan veya mevcut YOLO11 iş akışlarına sahip olan kullanıcılar için önerilir.

Topluluk Modelleri: YOLO12 ve YOLO13 Hakkında Bir Not

Topluluk tartışmalarında veya depolarında YOLO12 veya YOLO13 referanslarına rastlayabilirsin.

Ayrıntılı Model Karşılaştırmaları

Omurga seçimi, baş tasarımı ve kayıp fonksiyonları gibi belirli mimari farklılıkları anlamak için derinlemesine teknik karşılaştırmalarımızı keşfet. Kolay erişim için bunları modele göre düzenledik:

YOLO26 karşılaştırması:

YOLO26; NMS'siz uçtan uca algılama, MuSGD optimize edici ve %43'e kadar daha hızlı CPU çıkarımı özelliklerine sahip en yeni Ultralytics modelidir. En son teknoloji doğruluğunu sağlarken uç dağıtım için optimize edilmiştir.

• YOLO26 ve YOLO11
• YOLO26 ve YOLOv10
• YOLO26 ve YOLOv9
• YOLO26 ve YOLOv8
• YOLO26 ve YOLOv7
• YOLO26 ve YOLOv6-3.0
• YOLO26 ve YOLOv5
• YOLO26 ve PP-YOLOE+
• YOLO26 ve DAMO-YOLO
• YOLO26 ve YOLOX
• YOLO26 ve RT-DETR
• YOLO26 ve EfficientDet

YOLO11 karşılaştırması:

YOLO11, önceki sürümlerinin başarısını en son araştırmalarla birleştirir. Daha iyi özellik çıkarımı ve optimize edilmiş verimlilik için iyileştirilmiş bir omurga ve boyun mimarisine sahiptir.

• YOLO11 ve YOLO26
• YOLO11 ve YOLOv10
• YOLO11 ve YOLOv9
• YOLO11 ve YOLOv8
• YOLO11 ve YOLOv7
• YOLO11 ve YOLOv6-3.0
• YOLO11 ve YOLOv5
• YOLO11 ve PP-YOLOE+
• YOLO11 ve DAMO-YOLO
• YOLO11 ve YOLOX
• YOLO11 ve RT-DETR
• YOLO11 ve EfficientDet

YOLOv10 karşılaştırması:

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10, gecikme değişkenliğini azaltmak için Non-Maximum Suppression (NMS) adımını kaldırmaya odaklanır ve azaltılmış hesaplama yüküyle en son teknoloji performans sunar.

• YOLOv10 ve YOLO26
• YOLOv10 ve YOLO11
• YOLOv10 ve YOLOv9
• YOLOv10 ve YOLOv8
• YOLOv10 ve YOLOv7
• YOLOv10 ve YOLOv6-3.0
• YOLOv10 ve YOLOv5
• YOLOv10 ve PP-YOLOE+
• YOLOv10 ve DAMO-YOLO
• YOLOv10 ve YOLOX
• YOLOv10 ve RT-DETR
• YOLOv10 ve EfficientDet

YOLOv9 karşılaştırması:

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

• YOLOv9 ve YOLO26
• YOLOv9 ve YOLO11
• YOLOv9 ve YOLOv10
• YOLOv9 ve YOLOv8
• YOLOv9 ve YOLOv7
• YOLOv9 ve YOLOv6-3.0
• YOLOv9 ve YOLOv5
• YOLOv9 ve PP-YOLOE+
• YOLOv9 ve DAMO-YOLO
• YOLOv9 ve YOLOX
• YOLOv9 ve RT-DETR
• YOLOv9 ve EfficientDet

YOLOv8 karşılaştırması:

Ultralytics YOLOv8, gelişmiş omurga ve boyun mimarileri ile optimum doğruluk-hız ödünleşimleri için çapaya bağlı olmayan bölünmüş bir başlık içeren oldukça popüler bir tercih olmaya devam ediyor.

• YOLOv8 ve YOLO26
• YOLOv8 ve YOLO11
• YOLOv8 ve YOLOv10
• YOLOv8 ve YOLOv9
• YOLOv8 ve YOLOv7
• YOLOv8 ve YOLOv6-3.0
• YOLOv8 ve YOLOv5
• YOLOv8 ve PP-YOLOE+
• YOLOv8 ve DAMO-YOLO
• YOLOv8 ve YOLOX
• YOLOv8 ve RT-DETR
• YOLOv8 ve EfficientDet

YOLOv7 karşılaştırması:

YOLOv7, çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklanan "eğitilebilir ücretsiz özellikler çantası" (trainable bag-of-freebies) ve model yeniden parametrelendirme yöntemlerini tanıttı.

• YOLOv7 ve YOLO26
• YOLOv7 ve YOLO11
• YOLOv7 ve YOLOv10
• YOLOv7 ve YOLOv9
• YOLOv7 ve YOLOv8
• YOLOv7 ve YOLOv6-3.0
• YOLOv7 ve YOLOv5
• YOLOv7 ve PP-YOLOE+
• YOLOv7 ve DAMO-YOLO
• YOLOv7 ve YOLOX
• YOLOv7 ve RT-DETR
• YOLOv7 ve EfficientDet

YOLOv6 ve

Meituan'ın YOLOv6 modeli, Çift Yönlü Birleştirme (BiC) modülleri ve çıpa destekli (anchor-aided) eğitim stratejileri ile endüstriyel uygulamalar için tasarlanmıştır.

• YOLOv6-3.0 ve YOLO26
• YOLOv6-3.0 ve YOLO11
• YOLOv6-3.0 ve YOLOv10
• YOLOv6-3.0 ve YOLOv9
• YOLOv6-3.0 ve YOLOv8
• YOLOv6-3.0 ve YOLOv7
• YOLOv6-3.0 ve YOLOv5
• YOLOv6-3.0 ve PP-YOLOE+
• YOLOv6-3.0 ve DAMO-YOLO
• YOLOv6-3.0 ve YOLOX
• YOLOv6-3.0 ve RT-DETR
• YOLOv6-3.0 ve EfficientDet

YOLOv5 ve

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

• YOLOv5 ve YOLO26
• YOLOv5 ve YOLO11
• YOLOv5 ve YOLOv10
• YOLOv5 ve YOLOv9
• YOLOv5 ve YOLOv8
• YOLOv5 ve YOLOv7
• YOLOv5 ve YOLOv6-3.0
• YOLOv5 ve PP-YOLOE+
• YOLOv5 ve DAMO-YOLO
• YOLOv5 ve YOLOX
• YOLOv5 ve RT-DETR
• YOLOv5 ve EfficientDet

RT-DETR ve

RT-DETR (Gerçek Zamanlı Tespit Transformer'ı), küresel bağlamı anlamada mükemmel performans göstererek, gerçek zamanlı performansla yüksek doğruluk elde etmek için vision transformer yapısından yararlanır.

• RT-DETR ve YOLO26
• RT-DETR ve YOLO11
• RT-DETR ve YOLOv10
• RT-DETR ve YOLOv9
• RT-DETR ve YOLOv8
• RT-DETR ve YOLOv7
• RT-DETR ve YOLOv6-3.0
• RT-DETR ve YOLOv5
• RT-DETR ve PP-YOLOE+
• RT-DETR ve DAMO-YOLO
• RT-DETR ve YOLOX
• RT-DETR ve EfficientDet

PP-YOLOE+ ve

Baidu tarafından geliştirilen PP-YOLOE+, verimlilik ile doğruluk arasında denge kurmak için Görev Hizalama Öğrenimi (TAL) ve ayrıştırılmış bir başlık (decoupled head) kullanır.

• PP-YOLOE+ ve YOLO26
• PP-YOLOE+ ve YOLO11
• PP-YOLOE+ ve YOLOv10
• PP-YOLOE+ ve YOLOv9
• PP-YOLOE+ ve YOLOv8
• PP-YOLOE+ ve YOLOv7
• PP-YOLOE+ ve YOLOv6-3.0
• PP-YOLOE+ ve YOLOv5
• PP-YOLOE+ ve DAMO-YOLO
• PP-YOLOE+ ve YOLOX
• PP-YOLOE+ ve RT-DETR
• PP-YOLOE+ ve EfficientDet

DAMO-YOLO ve

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

• DAMO-YOLO ve YOLO26
• DAMO-YOLO ve YOLO11
• DAMO-YOLO ve YOLOv10
• DAMO-YOLO ve YOLOv9
• DAMO-YOLO ve YOLOv8
• DAMO-YOLO ve YOLOv7
• DAMO-YOLO ve YOLOv6-3.0
• DAMO-YOLO ve YOLOv5
• DAMO-YOLO ve PP-YOLOE+
• DAMO-YOLO ve YOLOX
• DAMO-YOLO ve RT-DETR
• DAMO-YOLO ve EfficientDet

YOLOX ve

Megvii tarafından geliştirilen YOLOX, ayrıştırılmış başlığı ve SimOTA etiket atama stratejisi ile bilinen, çıpasız (anchor-free) bir evrimdir.

• YOLOX ve YOLO26
• YOLOX ve YOLO11
• YOLOX ve YOLOv10
• YOLOX ve YOLOv9
• YOLOX ve YOLOv8
• YOLOX ve YOLOv7
• YOLOX ve YOLOv6-3.0
• YOLOX ve YOLOv5
• YOLOX ve RT-DETR
• YOLOX ve PP-YOLOE+
• YOLOX ve DAMO-YOLO
• YOLOX ve EfficientDet

EfficientDet ve

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

• EfficientDet ve YOLO26
• EfficientDet ile YOLO11 karşılaştırması
• EfficientDet ile YOLOv10 karşılaştırması
• EfficientDet ile YOLOv9 karşılaştırması
• EfficientDet ile YOLOv8 karşılaştırması
• EfficientDet ile YOLOv7 karşılaştırması
• EfficientDet ile YOLOv6-3.0 karşılaştırması
• EfficientDet ile YOLOv5 karşılaştırması
• EfficientDet ile PP-YOLOE+ karşılaştırması
• EfficientDet ile DAMO-YOLO karşılaştırması
• EfficientDet ile YOLOX karşılaştırması
• EfficientDet ile RT-DETR karşılaştırması

Bu dizin, yeni modeller çıktıkça ve performans testleri iyileştirildikçe sürekli olarak güncellenir. Bir sonraki bilgisayarlı görü projen için en uygun olanı bulmak adına bu kaynakları keşfetmeni öneririz. Özel lisanslama içeren kurumsal düzeyde çözümler arıyorsan, lütfen Lisanslama sayfamızı ziyaret et. İyi karşılaştırmalar!