YOLO Vision 2026:

YOLO11 ile RTDETRv2 karşılaştırması#

Bilgisayarlı görü alanı hızla genişleyerek geliştiricilere sağlam görü tabanlı uygulamalar oluşturmaları için sayısız seçenek sunuyor. Gerçek zamanlı nesne algılama dünyasında, Evrişimli Sinir Ağları (CNN'ler) ile Vision Transformer'lar (ViT'ler) arasındaki tartışma her zamankinden daha belirgin. Bu teknik karşılaştırma, iki önde gelen mimariyi derinlemesine inceliyor: son derece optimize edilmiş CNN çerçevelerinin zirvesini temsil eden YOLO11 ve Detection Transformer ailesinin güçlü bir yinelemesi olan RTDETRv2.

Mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ederek, bu kılavuz makine öğrenmesi mühendislerinin bilinçli kararlar almasına yardımcı olmayı amaçlar. Her iki model de doğruluk sınırlarını zorlarken, Ultralytics YOLO modelleri genellikle gerçek dünya üretimi için hız, ekosistem desteği ve kullanım kolaylığı açısından üstün bir denge sunar.

YOLO11: Gerçek Dünya Çok Yönlülüğü için Kıyaslama#

Ultralytics tarafından sunulan YOLO11, hızlı, doğru ve inanılmaz derecede çok yönlü bir model sunmak için yıllarca süren temel araştırmalar üzerine inşa edilmiştir. nesne tespiti, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını yerel olarak sorunsuz bir şekilde ele almak üzere tasarlanmıştır.

YOLO11 hakkında daha fazla bilgi edinin

Mimari ve Güçlü Yönler#

YOLO11, gelişmiş bir CNN omurgasına ve gelişmiş uzaysal özellik piramitlerine sahiptir ve bu da onu olağanüstü kaynak verimli kılar. Hem eğitim hem de çıkarım sırasında minimum bellek ayak izi sunarak katı donanım kısıtlamalarına sahip ortamlarda başarılı olur. Ultralytics Platform, farklı MLOps araçlarını birbirine bağlamaya gerek kalmadan akıcı model izleme, veri etiketleme ve bulut eğitimi sağlayarak YOLO11 için yerel destek sunar.

uç bilişim hedefleyen geliştiriciler için YOLO11, ultra düşük gecikme süresine sahiptir. Hafif yapısı, Raspberry Pi'lerden tüketici sınıfı cep telefonlarına kadar değişen cihazlarda verimli bir şekilde çalışmasını sağlayarak akıllı perakende, üretim kalite kontrolü ve otomatik trafik yönetimi için bir standart haline getirir.

RTDETRv2: Baidu'dan Gerçek Zamanlı Transformer'lar#

RTDETRv2 (Gerçek Zamanlı Detection Transformer sürüm 2), Baidu'nun transformatör tabanlı mimarileri gerçek zamanlı görevler için uygulanabilir hale getirme çabasını temsil eder. Orijinal RT-DETR üzerine inşa edilerek, çıkarım gecikmesini artırmadan temel doğruluğu iyileştirmek için bir "bag-of-freebies" yaklaşımını bünyesine katar.

RTDETR hakkında daha fazla bilgi edinin

Mimari ve Güçlü Yönler#

Geleneksel CNN'lerin aksine RTDETRv2, kendi kendine dikkat mekanizmalarına sahip bir kodlayıcı-kod çözücü mimarisi kullanarak bir görüntüdeki küresel bağlamı yakalamasına olanak tanır. Bu, özellikle örtüşmelerin sık görüldüğü kalabalık sahnelerde avantajlıdır. RTDETRv2, işlem sonrası NMS (Non-Maximum Suppression) ihtiyacını ortadan kaldırır ve bunun yerine bire bir iki parçalı eşleştirme için eğitim sırasında Macar eşleştirmesine dayanır.

Ancak transformatör modelleri VRAM ve CUDA belleği açısından oldukça açtır. RTDETRv2'yi sıfırdan eğitmek veya özel veri setlerinde ince ayar yapmak, Ultralytics modellerinin hafif eğitim ayak izine kıyasla daha küçük çevik ekipler için bir engel olabilecek önemli üst düzey GPU kümeleri gerektirir.

Performans ve Metrik Analizi#

Bu modelleri standart COCO dataset üzerinde değerlendirirken parametreler, FLOP'lar ve ham doğruluk arasında net ödünleşimler gözlemliyoruz.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Sonuçların İncelenmesi#

Tabloda görüldüğü gibi, YOLO11 inanılmaz bir performans/boyut oranı sağlar. YOLO11x, önemli ölçüde daha az parametre (56,9M'ye karşı 76M) ve çok daha az hesaplama FLOP'u (194,9B'ye karşı 259B) kullanırken RTDETRv2-x'e (54,3) kıyasla daha yüksek bir mAPval (54,7) elde eder.

Ayrıca, YOLO11'in T4 TensorRT üzerindeki çıkarım hızları olağanüstü derecede hızlıdır. YOLO11s çıkarımı sadece 2.5ms'de tamamlarken, en küçük RTDETRv2-s 5.03ms sürmektedir. Bu, çerçeve işleme süresinin birincil darboğaz olduğu yüksek hızlı, gerçek zamanlı video analitiği akışları için YOLO11'i kesin seçim haline getirir.

Transformatörlerin Maliyeti

RTDETRv2, dikkat katmanları aracılığıyla mükemmel doğruluk sağlasa da, bu mekanizmalar görüntü çözünürlüğü ile karesel olarak ölçeklenir ve hem eğitim hem de çıkarım sırasında daha yüksek VRAM tüketimine yol açar. YOLO11, hiper verimli evrişimli bloklarıyla bunun önüne geçer.

Eğitim Ekosistemi ve Kullanılabilirlik#

Bir Ultralytics modeli benimsemenin temel avantajı, çevresindeki ekosistemde yatar. RTDETRv2'yi eğitmek genellikle karmaşık araştırma düzeyi depolar arasında gezinmeyi, karmaşık iki parçalı eşleştirme kaybı ağırlıklarını ayarlamayı ve önemli bellek yükünü yönetmeyi gerektirir.

Buna karşılık Ultralytics, geliştirici deneyimine yoğun bir şekilde odaklanır. Birleşik Python API, ortak kodları soyutlayarak deney takibi için Weights & Biases gibi araçlarla sorunsuz bir şekilde bütünleşir ve veri artırımlarını otomatik olarak yönetir.

ultralytics paketini kullanarak bir model eğitmek ve dışa aktarmak işte bu kadar basit:

from ultralytics import YOLO

# Initialize YOLO11 model with pre-trained weights
model = YOLO("yolo11n.pt")

# Train the model efficiently on a local GPU or cloud instance
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize CUDA GPU
)

# Export the trained model to ONNX for widespread deployment
export_path = model.export(format="onnx")

Eğitildikten sonra, bir YOLO11 modelini ONNX, OpenVINO veya CoreML gibi formatlara aktarmak yalnızca tek bir komut gerektirir ve vizyon boru hattınızın farklı donanım altyapılarında zahmetsizce ölçeklenebilmesini sağlar.

Çoklu Görev Yetenekleri

RTDETRv2 yalnızca sınırlayıcı kutu tespitine odaklanırken, YOLO11 mimarisinin poz tahmini ve örnek bölütleme işlemlerini yerel olarak desteklediğini ve birden fazla vizyon görevini tek bir model ailesinde birleştirmenize olanak tanıdığını unutmayın.

Kullanım Durumları ve Öneriler#

YOLO11 ile RT-DETR arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
  • Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

RT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için önerilir:

  • Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
  • Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
  • Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

  • NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
  • Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLO11 mükemmel bir üretim seçeneği olarak dururken, mutlak son teknoloji arayan ekipler kesinlikle YOLO26 modelini değerlendirmelidir. Ocak 2026'da piyasaya sürülen YOLO26, ilk olarak YOLOv10'da öncülük edilen bir End-to-End NMS-Free Design özelliğini doğrudan çekirdeğine dahil ederek mimari boşluğu kapatır ve son işlem gecikmesi ile dağıtım mantığı karmaşıklığını tamamen ortadan kaldırır.

YOLO26 ayrıca birkaç devrim niteliğinde özellik sunar:

  • MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'sinin LLM eğitim tekniklerinden esinlenen bu SGD ve Muon melezi, inanılmaz derecede kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.
  • DFL Kaldırma: Dağılım Odaklı Kayıp (Distribution Focal Loss), daha temiz ve basitleştirilmiş bir dışa aktarma süreci için kaldırılmış olup, düşük güçlü uç cihaz uyumluluğunu büyük ölçüde iyileştirmiştir.
  • ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, dron gözetimi, tarımsal izleme ve IoT uç sensörleri için kritik bir gereksinim olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lara sahip olmayan dağıtımlar için YOLO26, CPU yürütme için özel olarak optimize edilmiş olup önceki nesillerden çok daha üstün performans gösterir.

YOLO26 hakkında daha fazla bilgi edin

Daha geniş bir mimari yelpazesini keşfetmek isteyenler için Ultralytics belgeleri ayrıca YOLOv8, yaygın olarak benimsenen YOLOv5 ve açık kelime dağarcığı tespiti uygulamaları için YOLO-World gibi özel modeller hakkında bilgiler sunar. Sonuç olarak, ister YOLO11'in kanıtlanmış kararlılığına ister YOLO26'nın çığır açan yeniliklerine öncelik verin, Ultralytics ekosistemi bilgisayarla görü çözümlerinizi hayata geçirmek için benzersiz araçlar sunar.

Katkıda Bulunanlar
GLglenn-jocher15PDpderrenger2

Yorumlar