Başla

YOLO11 ve YOLOv10

Gerçek zamanlı bilgisayarlı görü mimarileri hem uç cihazlarda hem de bulut altyapısında gelişmeye devam ediyor. Bu teknik inceleme, etkili iki modeli karşılaştırıyor: Ultralytics YOLO11 ve YOLOv10. Her ikisi de 2024'te nesne algılamayı ileri taşıdı, ancak performansa ulaşmak için farklı mimari yaklaşımlar benimsiyor.

YOLO11 Mimarisi Ayrıntıları#

YOLO11 Ayrıntıları:

YOLO11, bilgisayarlı görü ve yapay zekâ alanındaki yıllarca süren araştırmaları temel alır. Tasarımı, birden fazla bilgisayarlı görü görevinde zengin özellikleri ve çok yönlülüğü öne çıkarır.

YOLO11'deki öne çıkan iyileştirmelerden biri C3k2 Bloğu uygulamasıdır. Bu geliştirilmiş darboğaz modülü, yüksek doğruluğu korurken ağdaki gradyan akışını ve parametre verimliliğini iyileştirir. Ayrıca YOLO11, küçük veya kısmen örtülmüş öğeleri belirlemeye yardımcı olan geliştirilmiş bir uzamsal dikkat mekanizması kullanır. Bu özellik, modeli hava görüntüsü kullanım senaryoları ve ayrıntılı tıbbi görüntü analizi için iyi bir seçenek hâline getirir.

YOLO11, hiperparametre ayarlama ihtiyacını azaltan ve çok çeşitli özel veri kümelerine iyi genellenen çapasız bir tasarım kullanır. Eğitim sırasında gereken bellek de transformer tabanlı mimarilere kıyasla daha düşüktür; böylece araştırmacılar büyük modelleri standart tüketici donanımlarında verimli biçimde eğitebilir.

YOLOv10 Mimarisi Ayrıntıları#

YOLOv10 Ayrıntıları:

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, YOLO ailesindeki ilk uçtan uca modeldir. Belirleyici özelliği NMS'siz Eğitim'dir: model, eğitim sırasında tutarlı ikili atamalar kullanarak çıkarımda nesne başına tek bir sınırlayıcı kutu tahmin etmeyi öğrenir. Bu, geçmişte dağıtım işlem hatlarında gecikme darboğazlarına yol açan bir son işlem adımı olan Maksimum Olmayan Bastırma (NMS) ihtiyacını çıkarım sırasında ortadan kaldırır.

Mimari ayrıca bütüncül bir verimlilik-doğruluk tasarım stratejisi sunar. Uzamsal-kanal ayrıştırmalı alt örnekleme ve ağ aşamalarındaki fazlalığı seçici biçimde azaltan derece yönlendirmeli blok tasarımları içerir. Böylece FLOPs ve hesaplama yükü azalırken ortalama hassasiyetten (mAP) önemli ölçüde ödün verilmez. Her milisaniyenin önemli olduğu gerçek zamanlı uygulamalarda NMS'nin kaldırılması, uç yapay zekâ cihazları için uygun, belirleyici bir çıkarım grafiği sağlar.

YOLOv10 hakkında daha fazla bilgi edin

Performans Ölçütleri ve Kıyaslamalar#

Bu karşılaştırma doğruluk, parametre sayısı ve hız arasındaki dengeyi ele alıyor. Aşağıdaki tabloda modellerin farklı ölçeklerde COCO veri kümesi üzerindeki performansı gösteriliyor.

Modelboyut
(piksel)
mAPval50-95Hız
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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLO11, karşılaştırılabilir her ölçekte biraz daha yüksek mAP elde eder (örneğin nano modellerde 39,5'e karşı 38,5, x modellerde 54,7'ye karşı 54,4); YOLOv10 ise büyük ölçeklerde daha az parametre kullanır (x modellerde 29,5M'ye karşı 56,9M). T4 TensorRT gecikmesi iki ailede benzerdir.

Üretim İçin Dışa Aktarma

Modellerini dağıtıma hazırlarken optimize edilmiş biçimlere aktarmak önemlidir. Hem YOLO11 hem de YOLOv10, Ultralytics çerçevesi kullanılarak ONNX ve TensorRT gibi biçimlere aktarılabilir. Adım adım yönergeler için model dağıtım seçenekleri kılavuzumuza göz at.

Ultralytics Ekosisteminin Avantajı#

Bağımsız performans ölçütleri önemli olsa da bir makine öğrenimi projesinin uygulamadaki başarısını çevresindeki çerçeve belirler. Ultralytics ekosisteminin yerel bir parçası olan YOLO11 bu noktada öne çıkar.

Ultralytics Platform akıcı bir kullanıcı deneyimi sunar. Basit ve birleşik Python API sayesinde geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri de gerçekleştirebilir. YOLO11 kutudan çıktığı hâliyle örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı desteklerken YOLOv10 algılamaya odaklanır. Bu çok yönlülük, özel araştırma depolarında çoğu zaman bulunmaz.

Ekosistem ayrıca kapsamlı belgeler ve aktif topluluk desteğiyle güçlendirilir. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kitaplığa eklenmiştir. Model eğitimi çok az gereksiz kod gerektirir ve RT-DETR gibi daha ağır transformer modellerine kıyasla daha az CUDA belleği kullanır.

Uygulamalı Kod Örneği#

Ultralytics ile eğitim ve çıkarım çalıştırmak birkaç satır kodla mümkündür; aynı API hem YOLO11'i hem de YOLOv10'u destekler.

from ultralytics import YOLO

# Modeli başlat (YOLO11n veya YOLOv10n)
model = YOLO("yolo11n.pt")

# Modeli özel bir veri kümesinde verimli şekilde eğit
# Ultralytics, hiperparametreleri ve bellek optimizasyonunu otomatik olarak yönetir
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Bir görüntü üzerinde çıkarım yap
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Tespit edilen nesneleri göster
inference_results[0].show()

Kullanım Alanları ve Öneriler#

YOLO11 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına 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.
  • Çoklu Görevli Görü Uygulamaları: Algılama, bölütleme, sınıflandırma, poz tahmini ve OBB görevlerinin tek bir birleşik çerçevede yürütülmesini gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Ultralytics Python API'sini kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Yeni Nesil: YOLO26#

YOLOv10, NMS'siz YOLO algılamayı tanıttı; YOLO11 ise çoklu görev esnekliğini geliştirdi. Bugün üretim için yeni dağıtımlara başlayan geliştiricilere Ultralytics YOLO26'yı öneriyoruz.

Ocak 2026'da yayımlanan YOLO26, her iki yaklaşımın da güçlü yönlerini bir araya getirir. YOLOv10'un uçtan uca, NMS içermeyen tasarımını isteğe bağlı bire bir başlık (nms=False) olarak sunarak dağıtım işlem hattını basitleştirir ve gecikmeyi tutarlı kılar. YOLO26 ayrıca uç cihazlara yönelik optimizasyonlar ekler: DFL'nin Kaldırılması (Dağılımsal Odak Kaybı'nın kaldırılması) dışa aktarma işlemini basitleştirir ve YOLO26n, YOLO11n'e kıyasla CPU'da %43'e kadar daha hızlı çalışır. Bu da YOLO26'yı düşük güç tüketen IoT cihazları ve mobil uygulamalar için güçlü bir seçenek hâline getirir.

YOLO26, MuSGD Optimizasyonu (SGD ile Muon'un melezi) sayesinde büyük dil modeli (LLM) eğitiminin kararlılığını bilgisayarlı görüye de taşır. YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) ile birlikte küçük nesnelerde kesinliği artırır; bu, ayrıntılı trafik videosu algılama ve karmaşık robotik otomasyon için önemlidir.

Sonuç#

Doğru görü modelini seçmek, özel operasyonel kısıtlamalarına bağlıdır. YOLOv10, YOLO algılama işlem hattından NMS'nin kaldırılabileceğini göstererek önemli bir araştırma dönüm noktası oldu. Performans, görev esnekliği ve dağıtım araçları arasında daha iyi bir denge için YOLO11, güvenilir ve kurumsal kullanıma hazır bir çözüm sunar.

İsteğe bağlı uçtan uca çıkarımı yüksek uç performansıyla birlikte isteyen mühendisler için YOLO26'ya geçiş önerilen yoldur. Ultralytics Platform'u kullanmak projelerin bakımı düzenli yapılan, verimli bir temel üzerinde kalmasını sağlar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.