Başla

Model Karşılaştırmaları

Doğru sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi, en yeni Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki ödünleşimleri kapsayan ayrıntılı teknik analizleri ve performans kıyaslamalarını bir araya getirir.

Uygulaman ister uç yapay zekâ için gereken milisaniyelik gecikme süresine ister tıbbi görüntüleme için gereken yüksek hassasiyete ihtiyaç duysun, bu kılavuz bilinçli bir seçim yapman için gereken verileri sunar. Modeller ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığı açısından değerlendirilir.

Etkileşimli Performans Kıyaslamaları#

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, nesne tespitinde "Pareto sınırını" — belirli bir hız kısıtı için en iyi doğruluğu sunan modelleri — belirlemek açısından önemlidir. Aşağıdaki grafik, COCO gibi standart veri kümelerindeki temel ölçümleri karşılaştırır.

Bu grafik, farklı modeller arasındaki ödünleşimleri hızla değerlendirebilmen için temel performans ölçütlerini görselleştirir. Bu ölçütleri anlamak, dağıtım kısıtlarına uygun bir model seçmenin temelidir.

Hızlı Karar Rehberi#

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

Mevcut Durum: YOLO26 ve Ötesi#

Nesne algılama hızla gelişiyor. Eski modeller mevcut dağıtımlarda önemini korurken yeni mimariler hız ve doğruluğu artırmaya devam ediyor.

Ultralytics YOLO26#

Ocak 2026'da yayımlanan YOLO26, en yeni Ultralytics modelidir ve tüm yeni projeler için önerilen başlangıç noktasıdır. İsteğe bağlı Uçtan Uca NMS'siz Tasarım (nms=False) dâhil olmak üzere mimari yenilikler sunar. Bu tasarım, Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırarak daha hızlı ve öngörülebilir çıkarım süreleri sağlar. YOLO26n, CPU'larda YOLO11n'den %43'e kadar daha hızlıdır; bu da YOLO26'yı uç dağıtımlar için uygun kılar.

Öne çıkan yenilikler:

  • NMS Olmadan Uçtan Uca: NMS son işlemi gerektirmeyen, kolaylaştırılmış dağıtım (nms=False)
  • DFL'nin Kaldırılması: ONNX, TensorRT ve CoreML'e aktarımın kolaylaştırılması
  • MuSGD Optimize Edicisi: Kararlı yakınsama için LLM eğitiminden esinlenen hibrit SGD/Muon optimize edicisi
  • ProgLoss + STAL: Küçük nesne algılama performansını artırır
YOLO26'yı Neden Seçmelisin?

YOLO26, CNN verimliliğini Transformer benzeri uçtan uca yeteneklerle birleştirir. Önceki nesillere kıyasla daha küçük, daha hızlı ve dağıtımı daha kolay olmasının yanı sıra tüm Ultralytics görevlerini (algılama, örnek ve anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB) destekler.

Ultralytics YOLO11#

YOLO11 son derece yetenekli bir model olmayı sürdürüyor: YOLO11m, daha yüksek algılama doğruluğu sağlarken YOLOv8m'den %22 daha az parametre kullanıyor. Kanıtlanmış kararlılığa ihtiyaç duyan veya mevcut YOLO11 işlem hatlarına sahip kullanıcılar için tam destekleniyor ve öneriliyor.

Topluluk Modelleri: YOLO12 ve YOLO13 Hakkında Not#

Topluluk tartışmalarında veya depolarında YOLO12 ya da YOLO13 ile ilgili bilgilere rastlayabilirsin.

Üretim Kullanımıyla İlgili Uyarı

Şu anda YOLO12 veya YOLO13'ü üretimde kullanmanı önermiyoruz.

  • YOLO12: Eğitim kararsızlığına, aşırı bellek tüketimine ve CPU'da çok daha yavaş çıkarım hızlarına yol açabilen dikkat katmanlarını kullanır.
  • YOLO13: Karşılaştırma sonuçları, daha büyük ve yavaş olmasına rağmen YOLO11'e kıyasla doğruluk artışının yalnızca marjinal olduğunu gösteriyor. Bildirilen sonuçlarda tekrarlanabilirlik sorunları görülüyor.


İzle: YOLO Modellerinin Karşılaştırması: Ultralytics YOLO11, YOLOv10, YOLOv9 ve Ultralytics YOLOv8

Ayrıntılı Model Karşılaştırmaları#

Omurga seçimi, başlık tasarımı ve kayıp işlevleri gibi belirli mimari farklılıkları anlamak için aşağıdaki teknik karşılaştırmaları incele. Karşılaştırmalar modele göre düzenlenmiştir:

YOLO26 karşılaştırması#

En yeni Ultralytics modeli YOLO26; NMS'siz uçtan uca algılama, MuSGD optimize edici ve YOLO26n için YOLO11n'e kıyasla CPU'da %43'e kadar daha hızlı çıkarım sunar. Yüksek doğruluk sağlarken uç dağıtımlar için optimize edilmiştir.

YOLO11 karşılaştırması#

YOLO11, önceki modellerinin başarısını temel alır. Daha iyi özellik çıkarımı ve verimlilik için geliştirilmiş bir omurga ve boyun mimarisi sunar.

YOLOv10 karşılaştırması#

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10, gecikme değişkenliğini azaltmak için NMS adımını ortadan kaldırmaya odaklanır ve daha düşük hesaplama yüküyle güçlü performans sunar.

YOLOv9 karşılaştırması#

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

YOLOv8 karşılaştırması#

Ultralytics YOLOv8 popüler bir seçenek olmayı sürdürüyor. Mimarisi, güçlü doğruluk-hız dengesi sunmak için gelişmiş bir omurga ve boyun yapısını çapamsız, ayrık bir başlıkla birleştirir.

YOLOv7 karşılaştırması#

YOLOv7, çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklanarak "eğitilebilir ücretsiz avantajlar paketi"ni ve modelin yeniden parametrelendirilmesini sundu.

YOLOv6 karşılaştırması#

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

YOLOv5 karşılaştırması#

Ultralytics YOLOv5, kullanım kolaylığı, kararlılığı ve hızıyla bilinir. Geniş cihaz uyumluluğu gerektiren projeler için sağlam bir seçenek olmayı sürdürüyor.

RT-DETR karşılaştırması#

RT-DETR (Gerçek Zamanlı Algılama Transformer'ı), yüksek doğruluk ve gerçek zamanlı performans sunmak için bir CNN omurgasını Transformer kodlayıcı-kod çözücüsüyle birleştirir ve küresel bağlamı anlamada öne çıkar.

PP-YOLOE+ ile karşılaştırma#

Baidu tarafından geliştirilen PP-YOLOE+, verimlilik ve doğruluk arasında denge kurmak için Task Alignment Learning (TAL) ve ayrıştırılmış bir başlık kullanır.

DAMO-YOLO ile karşılaştırma#

Alibaba Group tarafından geliştirilen DAMO-YOLO, gecikme süresiyle doğruluk arasında denge kurmak için Sinir Ağı Mimarisi Araması (NAS) ve verimli bir RepGFPN boyun yapısı kullanır.

YOLOX ile karşılaştırma#

Megvii tarafından geliştirilen YOLOX, ayrıştırılmış başlığı ve SimOTA etiket atama stratejisiyle bilinen, anchor kullanmayan bir evrimsel modeldir.

EfficientDet ile karşılaştırma#

Google Brain tarafından geliştirilen EfficientDet, parametre verimliliğini optimize etmek için bileşik ölçekleme ve BiFPN kullanır; farklı kısıtlar için çeşitli modeller (D0-D7) sunar.

Bu dizin, yeni modeller yayımlandıkça ve kıyaslamalar iyileştirildikçe güncellenir. Özel lisans gerektiren kurumsal dağıtımlar için Ultralytics Lisanslama sayfasına bak.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.