Ultralytics YOLO27:
Get Started

Model Karşılaştırmaları#

Doğru sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldin! Bu sayfada ayrıntılı teknik analizler ve performans kıyaslamaları bir araya getirilerek en yeni Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki ödünleşimler inceleniyor.

Uygulaman ister uç yapay zekânın milisaniyelik gecikme süresini, ister tıbbi görüntüleme için gereken yüksek hassasiyetli doğruluğu gerektirsin, bu kılavuz bilinçli bir seçim yapman için gereken veriye dayalı bilgileri sunar. Modelleri ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

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 değerlendirmeni sağlayan temel performans ölçümlerini görselleştirir. Bu ölçümleri anlamak, belirli dağıtım kısıtlarına uygun bir model seçmek için çok önemlidir.

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 tespiti alanı hızla ilerliyor. Eski modeller eski sistemlerle uyumluluk için önemini korusa 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, sonradan işlem olarak Maksimum Olmayan Bastırma uygulama gereksinimini ortadan kaldıran isteğe bağlı Uçtan Uca, NMS Olmadan Tasarım (nms=False) dahil çığır açan mimari yenilikler sunar; bu da daha hızlı ve daha öngörülebilir çıkarım süreleri sağlar. YOLO26, önceki nesillere kıyasla CPU'larda %43'e kadar daha hızlıdır ve bu özelliğiyle uçta dağıtım için idealdir.

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 verimliliğinin en iyi yönlerini Transformer benzeri uçtan uca yeteneklerle birleştirerek Ultralytics mühendisliğinin zirvesini temsil eder. Algılama, örnek ve anlamsal bölümleme, derinlik tahmini, sınıflandırma, poz tahmini ve OBB dahil tüm görevleri destekler; üstelik her zamankinden daha küçük, hızlı ve kolay dağıtılabilir.

Ultralytics YOLO11#

YOLO11 son derece yetkin bir model olmaya devam ediyor: YOLO11m, daha yüksek algılama doğruluğu sağlarken YOLOv8m'ye göre %22 daha az parametre kullanıyor. Kanıtlanmış kararlılığa ihtiyaç duyan veya mevcut YOLO11 işlem hatlarına sahip kullanıcılar için tam olarak 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 fonksiyonları gibi mimari farklılıkları anlamak için kapsamlı teknik karşılaştırmalarımızı incele. Kolayca erişebilmen için bunları modellere göre düzenledik:

YOLO26 ile karşılaştırıldığında#

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 doğruluk düzeyine ulaşırken uçta dağıtım için optimize edilmiştir.

YOLO11 ile karşılaştırıldığında#

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

YOLOv10 ile karşılaştırıldığında#

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

YOLOv9 ile karşılaştırıldığında#

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

YOLOv8 ile karşılaştırıldığında#

Ultralytics YOLOv8, gelişmiş omurga ve boyun mimarileriyle ve doğruluk-hız dengesi için optimize edilmiş bağlantısız, ayrık bir başlıkla son derece popüler bir seçenek olmaya devam ediyor.

YOLOv7 ile karşılaştırıldığında#

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

YOLOv6 ile karşılaştırma#

Meituan'ın YOLOv6 modeli, Bi-directional Concatenation (BiC) modülleri ve anchor destekli eğitim stratejileriyle endüstriyel uygulamalar için tasarlanmıştır.

YOLOv5 ile karşılaştırma#

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

RT-DETR ile karşılaştırma#

RT-DETR (Gerçek Zamanlı Algılama Transformer'ı), gerçek zamanlı performansla yüksek doğruluk elde etmek için vision transformer'lardan yararlanır ve küresel bağlamı anlama konusunda 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, statik kıyaslama testlerinde doğruluğu en üst düzeye çıkarmak için Neural Architecture Search (NAS) ve verimli RepGFPN 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 geliştirildikçe sürekli güncellenir. Bir sonraki bilgisayarlı görü projen için en uygun modeli bulmak üzere bu kaynakları incelemeni öneririz. Özel lisanslama sunan kurumsal düzeyde çözümler arıyorsan Lisanslama sayfamızı ziyaret et. İyi karşılaştırmalar!

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Yorumlar