YOLO11 YOLOv10: Gerçek Zamanlı Nesne Algılamada Evrim ve Devrim Arasındaki Köprü
Bilgisayar görüşünün manzarası, hızlı yinelemeler ve çığır açan atılımlarla tanımlanmaktadır. YOLO11 ve YOLOv10 , bu evrimde iki farklı felsefeyi temsil eder. YOLO11 , maksimum çok yönlülük ve üretim hazırlığı için yerleşik, sağlam Ultralytics YOLO11 , YOLOv10 , YOLO26 gibi daha yeni modelleri etkileyen NMS eğitim gibi devrim niteliğinde kavramları YOLOv10 .
Bu kapsamlı karşılaştırma, geliştiricilerin bir sonraki bilgisayar görme projeleri için doğru aracı seçmelerine yardımcı olmak amacıyla her iki modelin mimari kararlarını, performans ölçütlerini ve ideal kullanım örneklerini incelemektedir.
Performans Metriklerine Genel Bakış
Her iki model de etkileyici yetenekler sunar, ancak çıkarım sürecinin farklı yönlerine öncelik verir. Aşağıdaki tablo, standart veri kümeleri üzerindeki temel performans istatistiklerini göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Mimari Derinlemesine İnceleme
YOLO11: Çok Yönlü Güç Merkezi
YOLO11, Ultralytics tarafından Eylül Ultralytics piyasaya sürüldü ve kapsamlı gerçek dünya testlerinin mirası üzerine inşa edildi. Zengin özellikler için tasarlanmış gelişmiş bir backbone boyun mimarisi kullanır, bu da onu sadece nesne algılamada değil, aynı zamanda örnek segmentasyonu ve poz tahmini gibi karmaşık aşağı akış görevlerinde de üstün kılar.
Temel mimari özellikler şunları içerir:
- C3k2 Bloğu: Gradyan akışını ve parametre verimliliğini optimize eden CSP darboğaz bloğunun geliştirilmiş bir versiyonu.
- Geliştirilmiş Uzamsal Dikkat: Modelin küçük veya kısmen örtülü nesnelere odaklanma yeteneğini geliştirir; bu, hava görüntüsü analizi için kritik bir gerekliliktir.
- Anchor-Free Tasarım: Hiperparametre ayarlamasının karmaşıklığını azaltır ve çeşitli veri kümeleri arasında genellemeyi iyileştirir.
YOLO11 hakkında daha fazla bilgi edinin
YOLOv10: Uçtan Uca Öncü
YOLOv10, Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen, Non-Maximum Suppression (NMS) son işlem adımını ortadan kaldırmaya odaklanmasıyla manşetlere taşındı. Bu mimari değişiklik, NMS algılanan nesnelerin sayısına bağlı olarak öngörülemez şekilde değişebildiği dağıtım süreçlerindeki uzun süredir devam eden bir darboğazı ortadan kaldırıyor.
Temel yenilikler şunları içerir:
- NMS Eğitim: Eğitim sırasında tutarlı ikili atamalar kullanmak, modelin nesne başına tam olarak bir kutu tahmin etmesini sağlar ve NMS olan ihtiyacı ortadan kaldırır.
- Bütünsel Verimlilik-Doğruluk Tasarımı: Mimari, hesaplama yükünü azaltmak için hafif sınıflandırma kafaları ve uzamsal kanal ayrıştırılmış aşağı örnekleme içerir.
- Sıra Kılavuzlu Blok Tasarımı: Modelin aşamalarını optimize ederek yinelemeleri azaltır ve doğruluktan ödün vermeden FLOP'ları düşürür.
YOLOv10 hakkında daha fazla bilgi edinin.
Ekosistem ve Kullanım Kolaylığı
Ham metrikler önemli olmakla birlikte, geliştirici deneyimi genellikle projenin başarısını belirler.
Ultralytics'in Avantajı
YOLO11 , Ultralytics bir YOLO11 ve kurumsal ve araştırma iş akışları için önemli avantajlar sağlar:
- Birleşik API: Aynı Python algılama, segmentasyon, sınıflandırma, OBB ve poz tahminini destekler. Görevler arasında geçiş yapmak, model dosyasını değiştirmek kadar basittir.
- Platform Entegrasyonu: Veri kümelerini yönetmek, eğitim çalıştırmalarını görselleştirmek ve uç cihazlara dağıtmak için Ultralytics ile sorunsuz bir şekilde bağlantı kurun.
- Dışa Aktarım Esnekliği: Aşağıdakilere dışa aktarım için yerleşik destek ONNX, TensorRT, CoreML ve OpenVINO içe OpenVINO için yerleşik destek, modelinizin herhangi bir donanımda verimli bir şekilde çalışmasını OpenVINO .
Kolaylaştırılmış İş Akışı
Ultralytics kullanmak, standart kod yazmaya daha az zaman harcayıp, alana özgü sorunları çözmeye daha fazla zaman ayırmak anlamına gelir. En son teknolojiye sahip bir modeli eğitmek için birkaç satır kod yazmak yeterlidir.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train on a custom dataset with minimal configuration
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
YOLOv10
YOLOv10 , Ultralytics içinde de YOLOv10 ve kullanıcıların aynı kullanışlı sözdizimini kullanmasına olanak tanır. Ancak, akademik bir katkı olarak, temel Ultralytics kıyasla görevlere özgü güncellemeler (OBB veya izleme iyileştirmeleri gibi) aynı sıklıkta yapılmayabilir. NMS mimarinin belirli bir gecikme avantajı sağladığı saf algılama görevleri için mükemmel bir seçenek olarak hizmet eder.
Gerçek Dünya Uygulamaları
Bu modeller arasında seçim yapmak genellikle dağıtım ortamınızın belirli kısıtlamalarına bağlıdır.
YOLO11 için İdeal Senaryolar
YOLO11 çok yönlülüğü, onu karmaşık, çok yönlü uygulamalar için tercih edilen seçenek haline getirir:
- Akıllı Perakende: track (Pose) ve raf stoklarını (Detection) aynı anda track mağaza düzenini ve envanteri optimize edin.
- Otonom Robotik: Robotların yatay olarak mükemmel şekilde hizalanmamış nesneleri kavramasına yardımcı olmak için Yönelimli Sınırlayıcı Kutular (OBB) kullanın.
- Tarım: Basit sınırlayıcı kutuların yetersiz kalacağı durumlarda, yapraklardaki bitki hastalıklarını kesin olarak tanımlamak için segmentasyon modelleri kullanın.
YOLOv10 için İdeal Senaryolar
YOLOv10 , son işlem gecikmesinin kritik bir darboğaz olduğu ortamlarda YOLOv10 :
- Yüksek Yoğunluklu Kalabalık Sayımı: Yüzlerce nesnenin bulunduğu senaryolarda NMS . YOLOv10 uçtan uca tasarımı, nesne sayısından bağımsız olarak tutarlı bir hız sağlar.
- Gömülü Sistemler: Son işlem için sınırlı CPU sahip cihazlarda, NMS 'nin kaldırılması değerli kaynakları NMS .
Sonuç: Hangi Modeli Seçmelisiniz?
YOLO11 çoğu geliştirici için en sağlam ve çok yönlü seçenek olmaya devam ediyor. Hız, doğruluk ve çoklu görme görevleri için destek arasındaki dengesi, kapsamlı Ultralytics desteklenerek, ticari kullanım için güvenli ve güçlü bir seçim haline getiriyor.
YOLOv10 , özellikle NMS ortadan kaldırılmasının gecikme kararlılığında somut bir fayda NMS durumlarda, yalnızca algılama içeren belirli iş akışları için cazip bir alternatif sunar.
Ancak, en son teknolojiyi arayanlar için YOLO26'yı keşfetmelerini öneririz. Ocak 2026'da piyasaya sürülen YOLO26, her iki dünyanın en iyi özelliklerini etkili bir şekilde birleştirir: YOLOv10 tarafından öncülüğünü yaptığı uçtan uca NMS tasarımı YOLOv10 YOLO11 zengin özelliklerini, görev çok yönlülüğünü ve ekosistem desteğini korur. MuSGD eğitimi ve DFL kaldırma gibi optimizasyonlarla YOLO26, hem uç hem de bulut dağıtımları için üstün performans sunar.
YOLO26 hakkında daha fazla bilgi edinin
Keşfedilecek Diğer Modeller
- YOLO26: Ultralytics en son teknoloji ürünü modeli Ultralytics Ocak 2026), NMS mimari ve CPU ile öne çıkıyor.
- YOLOv8: Güvenilirliği ve geniş uyumluluğu ile tanınan, yaygın olarak benimsenen bir endüstri standardıdır.
- RT-DETR: Yüksek doğruluk sunan, GPU bol olduğu senaryolar için ideal olan transformatör tabanlı bir dedektör.
- SAM : Meta'nın Segment Anything Modeli, eğitim verilerinin yetersiz olduğu sıfır atış segmentasyon görevleri için mükemmeldir.