Model Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin

Doğru sinir ağı mimarisini seçmek, başarılı herhangi bir bilgisayar görüşü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldiniz! Bu sayfa, en son Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki ödünleşimleri inceleyerek ayrıntılı teknik analizleri ve performans karşılaştırmalarını merkezileştirir.

Uygulamanız uç nokta yapay zekasının milisaniye gecikmesini veya tıbbi görüntüleme için gereken yüksek doğruluklu hassasiyeti gerektirsin, bu kılavuz bilinçli bir seçim yapmak için gereken veriye dayalı içgörüleri sağlar. Modelleri ortalama Ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

İnteraktif Performans Kıyaslamaları

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, nesne tespiti için "Pareto sınırını" (belirli bir hız kısıtlaması için en iyi doğruluğu sunan modeller) belirlemek için önemlidir. Aşağıdaki grafik, standart COCO gibi veri kümelerindeki temel metrikleri karşılaştırır.

Bu grafik, farklı modeller arasındaki ödünleşimleri hızlı bir şekilde değerlendirmenizi sağlayan temel performans metriklerini görselleştirir. Bu metrikleri anlamak, özel dağıtım kısıtlamalarınızla uyumlu bir model seçmek için temeldir.

Hızlı Karar Verme Rehberi

Nereden başlayacağınızdan emin değil misiniz? Donanımınıza 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[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]

Mevcut Durum: YOLO26 ve Ötesi

Nesne tespiti alanı hızla gelişiyor. Eski modeller eski destek için hala geçerliliğini korurken, yeni mimariler mümkün olanın sınırlarını zorluyor.

Ultralytics YOLO26

Ocak 2026'da piyasaya sürülen YOLO26, en son teknolojiye sahip modeldir ve tüm yeni projeler için önerilen başlangıç noktasıdır. Non-Maximum Suppression sonrası işlem ihtiyacını ortadan kaldırarak daha hızlı ve daha öngörülebilir çıkarım süreleri sağlayan Uçtan Uca NMS İçermeyen Tasarım dahil çığır açan mimari yenilikler sunar. YOLO26, önceki nesillere göre CPU'larda %43'e kadar daha hızlıdır, bu da onu kenar dağıtımı için ideal kılar.

Temel yenilikler şunları içerir:

NMS İçermeyen Uçtan Uca: Sonraki işlem gerektirmeyen basitleştirilmiş dağıtım
DFL Kaldırma: ONNX, TensorRT ve CoreML'e kolaylaştırılmış dışa aktarımlar
MuSGD Optimize Edici: Kararlı yakınsama için LLM eğitiminden ilham alan Hibrit SGD/Muon optimize edici
ProgLoss + STAL: Gelişmiş küçük nesne algılama performansı

Neden YOLO26'yı Seçmelisiniz?

YOLO26, CNN verimliliğinin en iyisini transformatör benzeri uçtan uca yeteneklerle birleştirerek Ultralytics mühendisliğinin zirvesini temsil eder. Algılama, segmentasyon, poz tahmini, sınıflandırma ve obb gibi tüm görevleri desteklerken, her zamankinden daha küçük, daha hızlı ve dağıtımı daha kolaydır.

Ultralytics YOLO11

YOLO11 oldukça yetenekli bir model olmaya devam etmektedir; YOLOv8'e kıyasla parametrelerde %22'lik bir azalma sunarken algılama doğruluğunu artırır. Kanıtlanmış kararlılığa ihtiyaç duyan veya mevcut YOLO11 işlem hatlarına sahip kullanıcılar için tam olarak desteklenir ve önerilir.

Topluluk Modelleri: YOLO12 ve YOLO13 Üzerine Bir Not

Topluluk tartışmalarında veya depolarda YOLO12 veya YOLO13 referanslarına rastlayabilirsiniz.

Üretim Uyarısı

Şu anda YOLO12 veya YOLO13'ü üretim kullanımı için önermiyoruz.

YOLO12: Genellikle eğitimde kararsızlığa, aşırı bellek tüketimine ve önemli ölçüde daha yavaş CPU çıkarım hızlarına neden olan dikkat katmanlarını kullanır.
YOLO13: Kıyaslamalar, YOLO11'e göre yalnızca marjinal doğruluk kazanımları olduğunu gösterirken, daha büyük ve daha yavaştır. Raporlanan sonuçlar, yeniden üretilebilirlik ile ilgili sorunlar göstermiştir.

İzle: YOLO Modelleri Karşılaştırması: Ultralytics YOLO11'e Karşı YOLOv10'a Karşı YOLOv9'a Karşı Ultralytics YOLOv8

Detaylı Model Karşılaştırmaları

Backbone seçimi, başlık tasarımı ve kayıp fonksiyonları gibi belirli mimari farklılıkları anlamak için derinlemesine teknik karşılaştırmalarımızı inceleyin. Kolay erişim için bunları modele göre düzenledik:

YOLO26'ya Karşı

YOLO26, NMS içermeyen uçtan uca algılama, MuSGD optimize edicisi ve %43'e kadar daha hızlı CPU çıkarımı sunan en son Ultralytics modelidir. Kenar dağıtımı için optimize edilmiş olup en son teknoloji doğruluğunu elde eder.

YOLO11 -

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

YOLOv10 vs.

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10, gecikme varyansını azaltmak için Non-Maximum Suppression (NMS) adımını kaldırmaya odaklanarak, azaltılmış hesaplama yükü ile son teknoloji performans sunar.

YOLOv9 vs.

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

YOLOv8 vs.

Ultralytics YOLOv8, optimum doğruluk-hız dengesi için gelişmiş backbone ve neck mimarilerine ve ankraj içermeyen bölünmüş bir başlığa sahip, oldukça popüler bir seçim olmaya devam ediyor.

YOLOv7 vs.

YOLOv7, çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklanarak "eğitilebilir bedava hediyeler çantası" ve modelin yeniden parametrelendirilmesini tanıttı.

YOLOv6 vs.

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

YOLOv5 vs.

Ultralytics YOLOv5, kullanım kolaylığı, kararlılığı ve hızı ile kutlanır. Geniş cihaz uyumluluğu gerektiren projeler için güçlü bir seçim olmaya devam ediyor.

RT-DETR -e karşı

RT-DETR (Gerçek Zamanlı Algılama Dönüştürücüsü), gerçek zamanlı performansla yüksek doğruluk elde etmek için görsel dönüştürücüleri kullanır ve küresel bağlamı anlamada üstünlük sağlar.

PP-YOLOE+ -e karşı

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

DAMO-YOLO -e karşı

Alibaba Group'tan DAMO-YOLO, statik kıyaslamalarda doğruluğu en üst düzeye çıkarmak için Nöral Mimari Arama (NAS) ve verimli RepGFPN kullanır.

YOLOX - Karşılaştırmalar

Megvii tarafından geliştirilen YOLOX, ayrıştırılmış başlığı ve SimOTA etiket atama stratejisiyle bilinen, bağlantısız bir evrimdir.

EfficientDet - Karşılaştırmalar

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

Yeni modeller yayınlandıkça ve kıyaslamalar iyileştirildikçe bu dizin sürekli olarak güncellenmektedir. Bir sonraki bilgisayarla görme projeniz için mükemmel uyumu bulmak için bu kaynakları keşfetmenizi öneririz. Özel lisanslamaya sahip kurumsal düzeyde çözümler arıyorsanız, lütfen Lisanslama sayfamızı ziyaret edin. İyi karşılaştırmalar!