Model Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin

Doğru sinir ağı mimarisini seçmek, başarılı bir bilgisayar görüşü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldiniz! Bu sayfa, en son Ultralytics YOLO11 ile YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki dengeyi 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[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]

Güncel Durum: YOLO11 ve Ötesi

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

Ultralytics YOLO11

En son kararlı sürüm olan YOLO11, yeni projeler için önerilen başlangıç noktasıdır. Gelişmiş özellik çıkarma yetenekleri ve optimize edilmiş hesaplama grafikleri dahil olmak üzere önceki sürümlere göre önemli mimari iyileştirmeler sunar. Tek, birleşik bir çerçeve içinde tam bir görev paketi olan detect, segment, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler.

Neden YOLO11'i Seçmelisiniz?

YOLO11, gerçek dünya uygulamaları için en iyi hız ve doğruluk dengesini sunan Ultralytics mühendisliğinin zirvesini temsil eder. Ekosistemimiz tarafından tam olarak desteklenir ve uzun vadeli bakım ve uyumluluk sağlar.

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.

Geleceğe Bakış: YOLO26 ve Ultralytics Platformu

Ultralytics, 2025'in sonlarında açık kaynaklı bir sürüm hedefleyerek aktif olarak YOLO26'yı geliştiriyor. Bu yeni nesil model, daha küçük, daha hızlı ve doğal olarak uçtan uca olurken tüm YOLO11 görevlerini desteklemeyi amaçlıyor. Ayrıca, 2026'da Ultralytics Platformu, veri kaynak kullanımı, otomatik etiketleme ve bulut eğitimi için kapsamlı bir SaaS çözümü olarak başlatılacak ve tüm MLOps yaşam döngüsünü basitleştirecektir.

İzle: YOLO Modellerinin Karşılaştırılması: Ultralytics YOLO11 - YOLOv10 - YOLOv9 - 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:

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 - Karşılaştırma

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 -

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

YOLOv8 -e karşı

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 - Karşılaştırma

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

YOLOv6 - Karşılaştırma

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

YOLOv5 -e karşı

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 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 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!