Ultralytics YOLO27:
Get Started

YOLO11 ile RTDETRv2#

Bilgisayarlı görü alanı hızla genişleyerek geliştiricilere güçlü, görüntü tabanlı uygulamalar oluşturmak için çok sayıda seçenek sunuyor. Gerçek zamanlı nesne tespiti alanında Evrişimli Sinir Ağları (CNN'ler) ile Görüntü Transformer'ları (ViT'ler) arasındaki tartışma her zamankinden daha belirgin. Bu teknik karşılaştırma, önde gelen iki mimariyi ele alıyor: yüksek düzeyde optimize edilmiş CNN çerçevelerinin zirvesini temsil eden YOLO11 ve Detection Transformer ailesinin güçlü bir sürümü olan RTDETRv2.

Bu kılavuz, mimarileri, performans ölçütlerini ve ideal dağıtım senaryolarını analiz ederek makine öğrenimi mühendislerinin bilinçli kararlar almasına yardımcı olmayı amaçlıyor. Her iki model de doğruluğun sınırlarını zorlasa da Ultralytics YOLO modelleri genellikle gerçek dünya üretiminde hız, ekosistem desteği ve kullanım kolaylığı arasında daha üstün bir denge sunuyor.

YOLO11: Gerçek Dünya Çok Yönlülüğü İçin Ölçüt#

Ultralytics tarafından sunulan YOLO11, hızlı, doğru ve son derece çok yönlü bir model sağlamak için yılların temel araştırmalarını ileri taşıyor. Nesne tespitini, örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını yerel olarak ve sorunsuz biçimde gerçekleştirecek şekilde tasarlanmıştır.

Mimari ve Güçlü Yönler#

YOLO11, geliştirilmiş bir CNN omurgasına ve gelişmiş uzamsal özellik piramitlerine sahiptir; bu da onu son derece kaynak verimli kılar. Eğitim ve çıkarım sırasında bellekte çok az yer kaplayarak donanım kısıtlarının sıkı olduğu ortamlarda başarılı olur. Ultralytics Platform, YOLO11 için yerel destek sunarak farklı MLOps araçlarını bir araya getirme ihtiyacı olmadan model izlemeyi, veri etiketlemeyi ve bulut eğitimini kolaylaştırır.

Uç bilişimi hedefleyen geliştiriciler için YOLO11 son derece düşük gecikme süresi sunar. Hafif yapısı sayesinde Raspberry Pi cihazlarından tüketici sınıfı cep telefonlarına kadar çok çeşitli cihazlarda verimli biçimde çalışabilir; bu da onu akıllı perakende, üretimde kalite kontrolü ve otomatik trafik yönetimi için standart bir seçenek hâline getirir.

RTDETRv2: Baidu'nun Gerçek Zamanlı Transformer'ları#

RTDETRv2 (Gerçek Zamanlı Detection Transformer sürüm 2), Transformer tabanlı mimarileri gerçek zamanlı görevlerde kullanılabilir kılmaya yönelik Baidu çalışmasını temsil eder. Çıkarım gecikmesini artırmadan temel doğruluğu iyileştirmek için "bedava iyileştirmeler paketi" yaklaşımını kullanarak özgün RT-DETR'ı geliştirir.

RTDETRv2 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

Geleneksel CNN'lerden farklı olarak RTDETRv2, bir görüntünün genel bağlamını yakalamasını sağlayan öz dikkat mekanizmalarına sahip kodlayıcı-kod çözücü mimarisini kullanır. Bu özellik, örtüşmelerin sık yaşandığı kalabalık sahnelerde özellikle avantajlıdır. RTDETRv2, son işleme aşamasında Maksimum Olmayan Bastırma (NMS) ihtiyacını ortadan kaldırır; bunun yerine eğitim sırasında bire bir iki parçalı eşleştirme için Macar eşleştirmesine dayanır.

Ancak Transformer modellerinin VRAM ve CUDA belleği tüketimi oldukça yüksektir. RTDETRv2'yi sıfırdan eğitmek veya özel veri kümelerinde ince ayar yapmak genellikle üst düzey GPU kümeleri gerektirir. Bu durum, Ultralytics modellerinin hafif eğitim gereksinimleriyle karşılaştırıldığında küçük ve çevik ekipler için engel oluşturabilir.

Performans ve Ölçüt Analizi#

Bu modeller standart COCO veri kümesi üzerinde değerlendirildiğinde parametre sayısı, FLOP ve ham doğruluk arasında belirgin ödünleşimler görülüyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Sonuçları Anlamak#

Tabloda görüldüğü üzere YOLO11, boyutuna kıyasla olağanüstü performans sunuyor. YOLO11x, önemli ölçüde daha az parametre (56.9M'ye karşı 76M) ve çok daha az hesaplama FLOP'u (195.3B'ye karşı 259B) kullanırken RTDETRv2-x'e (54.3) kıyasla daha yüksek bir mAPval (54.7) elde ediyor.

Ayrıca YOLO11'in T4 TensorRT çıkarım hızları olağanüstü yüksek. YOLO11s çıkarımı yalnızca 2.5 ms'de tamamlarken en küçük RTDETRv2-s modeli 5.03 ms sürüyor. Bu nedenle YOLO11, kare işleme süresinin temel darboğaz olduğu yüksek hızlı, gerçek zamanlı video analizi akışları için kesin tercihtir.

Transformer'ların Bedeli

RTDETRv2, dikkat katmanları sayesinde yüksek doğruluk elde etse de bu mekanizmalar görüntü çözünürlüğüyle karesel ölçekte büyür ve hem eğitim hem de çıkarım sırasında daha fazla VRAM tüketimine yol açar. YOLO11, son derece verimli evrişim bloklarıyla bu sorunu aşar.

Eğitim Ekosistemi ve Kullanılabilirlik#

Ultralytics modeli kullanmanın temel avantajı, modeli çevreleyen ekosistemdir. RTDETRv2 eğitimi genellikle karmaşık, araştırma düzeyindeki depoları kullanmayı öğrenmeyi, ayrıntılı iki parçalı eşleştirme kaybı ağırlıklarını ayarlamayı ve önemli bellek gereksinimini yönetmeyi gerektirir.

Buna karşılık Ultralytics, geliştirici deneyimine büyük önem verir. Birleşik Python API'si gereksiz kod ayrıntılarını soyutlar, deney takibi için Weights & Biases gibi araçlarla sorunsuz biçimde bütünleşir ve veri artırmalarını otomatik olarak yönetir.

ultralytics paketini kullanarak model eğitmek ve dışa aktarmak şöyle kolaydır:

from ultralytics import YOLO

# # Önceden eğitilmiş ağırlıklarla YOLO11 modelini başlat
model = YOLO("yolo11n.pt")

# # Modeli yerel bir GPU'da veya bulut örneğinde verimli biçimde eğit
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # # CUDA GPU'sunu kullan
)

# # Eğitilmiş modeli yaygın dağıtım için ONNX biçimine aktar
export_path = model.export(format="onnx")

Eğitim tamamlandığında YOLO11 modelini ONNX, OpenVINO veya CoreML gibi biçimlere aktarmak için tek bir komut yeterlidir. Böylece görüntü hattın farklı donanım arka uçlarında zahmetsizce ölçeklenebilir.

Çok Görevli Özellikler

RTDETRv2 yalnızca sınırlayıcı kutu tespitine odaklanırken YOLO11 mimarisinin yerel olarak örnek segmentasyonunu ve poz tahminini desteklediğini unutma. Böylece birden çok görüntü işleme görevini tek bir model ailesinde birleştirebilirsin.

Kullanım Alanları ve Öneriler#

YOLO11 ile RT-DETR arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlarda önerilir:

  • Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLO11 üretim için mükemmel bir seçenek olsa da en yeni teknolojileri arayan ekipler YOLO26 modelini mutlaka değerlendirmeli. Ocak 2026'da yayımlanan YOLO26, isteğe bağlı Uçtan Uca NMS'siz başlığı (nms=False, ilk kez YOLOv10'da kullanılmıştır) doğrudan çekirdeğine entegre ederek mimari farkı kapatır; NMS son işleme gecikmesini ve dağıtım mantığının karmaşıklığını ortadan kaldırır.

YOLO26 ayrıca birkaç çığır açan özellik sunuyor:

  • MuSGD Optimizer: Moonshot AI'ın Kimi K2'sinin LLM eğitim tekniklerinden ilham alan bu SGD ve Muon melezi, son derece kararlı eğitim ve çok daha hızlı yakınsama sağlar.
  • DFL'nin Kaldırılması: Daha temiz ve basit bir dışa aktarma süreci sağlamak ve düşük güçlü uç cihazlarla uyumluluğu önemli ölçüde artırmak için Distribution Focal Loss kaldırıldı.
  • ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone gözetimi, tarımsal izleme ve IoT uç sensörleri için kritik olan küçük nesneleri tanıma becerisinde kayda değer iyileşmeler sağlar.
  • %43'e Varan Daha Hızlı CPU Çıkarımı: Özel GPU'ları olmayan dağıtımlar için YOLO26, CPU'da çalışacak şekilde özel olarak optimize edilmiş ve önceki nesillerden çok daha iyi performans gösterecek biçimde tasarlanmıştır.

Daha geniş bir mimari yelpazesini keşfetmek isteyenler için Ultralytics belgelerinde yaygın olarak benimsenen YOLOv8 ve YOLOv5 ile açık söz dağarcıklı tespit uygulamalarına yönelik YOLO-World gibi özel modeller hakkında da bilgiler bulunuyor. Sonuç olarak ister YOLO11'in kanıtlanmış kararlılığını ister YOLO26'nın çığır açan yeniliklerini önceliklendir, Ultralytics ekosistemi bilgisayarlı görü çözümlerini hayata geçirmen için benzersiz araçlar sunar.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger2

Yorumlar