Link to this sectionYOLO11 ile YOLOv10 karşılaştırması#

Gerçek zamanlı bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler hem uç cihazlarda hem de bulut altyapısında mümkün olanın sınırlarını zorluyor. Bu detaylı teknik analizde, bu alandaki iki önemli model arasındaki nüansları keşfediyoruz: Ultralytics YOLO11 ve YOLOv10. Her ikisi de nesne algılama yeteneklerinde önemli sıçramaları temsil ediyor, ancak performanslarına ulaşmak için temelden farklı mimari felsefeleri benimsiyorlar.

Link to this sectionYOLO11 Mimarisine Bakış#

YOLO11 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: https://docs.ultralytics.com/models/yolo11/

Çok yönlü bir güç merkezi olarak tanıtılan YOLO11, bilgisayarlı görü ve yapay zeka alanındaki yılların temel araştırmaları üzerine inşa edilmiştir. YOLO11'in temel tasarım felsefesi, özellik zenginliği ve birden fazla bilgisayarlı görü görevi genelinde aşırı çok yönlülük etrafında şekillenir.

YOLO11'deki en dikkat çekici iyileştirmelerden biri C3k2 Blok uygulamasıdır. Bu rafine darboğaz modülü, ağ boyunca gradyan akışını optimize ederek yüksek doğruluğu korurken parametre verimliliğini ciddi ölçüde artırır. Ayrıca YOLO11, küçük veya kısmen gizlenmiş nesneleri tanımlamak için kritik öneme sahip gelişmiş bir uzamsal dikkat mekanizması kullanır. Bu, onu havadan görüntüleme kullanım durumları ve detaylı tıbbi görüntü analizi için olağanüstü bir seçenek haline getirir.

YOLO11, hiperparametre ayarlama karmaşıklığını en aza indiren ve çok çeşitli özel veri setleri genelinde sağlam bir genelleme sağlayan çapasız bir tasarım kullanır. Ayrıca, eğitim sırasındaki bellek gereksinimleri, transformer tabanlı mimarilere kıyasla önemli ölçüde daha düşüktür ve bu da araştırmacıların büyük modelleri standart tüketici donanımlarında verimli bir şekilde eğitmelerine olanak tanır.

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv10 Mimarisine Bakış#

YOLOv10 Detayları:

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Kurum: Tsinghua Üniversitesi
• Tarih: 23-05-2024
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Dokümanlar: https://docs.ultralytics.com/models/yolov10/

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, YOLO ailesinde uçtan uca bir öncü olarak dikkat çekti. YOLOv10'un ayırt edici özelliği, NMS-Free Training metodolojisidir. Eğitim aşamasında tutarlı ikili atamalar kullanarak model, her nesne için doğal olarak tam bir sınırlayıcı kutu tahmin eder. Bu atılım, dağıtım hatlarında tarihsel olarak gecikme darboğazlarına neden olan bir işlem sonrası adımı olan Non-Maximum Suppression (NMS) ihtiyacını tamamen ortadan kaldırır.

The architecture also introduces a holistic efficiency-accuracy design strategy. It incorporates spatial-channel decoupled downsampling and rank-guided block designs that selectively reduce redundancy in the network stages. This results in fewer FLOPs and reduced computational overhead without significantly sacrificing the mean Average Precision (mAP). For real-time applications where every millisecond counts, the removal of NMS provides a deterministic inference graph highly suitable for edge AI devices.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionPerformans Metrikleri ve Kıyaslamalar#

Bu iki modeli değerlendirirken doğruluk, parametre sayısı ve hız dengesine bakıyoruz. Aşağıdaki tablo, COCO veri seti üzerinde çeşitli ölçeklerde nasıl karşılaştırıldıklarını göstermektedir.

YOLO performans metriklerinde gözlemlendiği gibi, YOLO11 genellikle varyantlarında, özellikle de daha büyük modellerde biraz daha yüksek mAP puanlarına ulaşır. YOLOv10'un NMS-free tasarımı son derece kararlı uçtan uca çıkarım süreleri sağlar, ancak YOLO11 NVIDIA donanımında TensorRT ile optimize edildiğinde hala olağanüstü bir iş hacmi yönetir.

Link to this sectionUltralytics Ekosistemi Avantajı#

Bağımsız performans metrikleri önemli olsa da, çevresel çerçeve bir makine öğrenimi projesinin pratik başarısını belirler. İşte YOLO11'in Ultralytics ekosisteminin yerel bir parçası olarak gerçekten parladığı nokta burasıdır.

Ultralytics Platform inanılmaz derecede akıcı bir kullanıcı deneyimi sunar. Basit ve birleşik bir Python API ile geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri yönetebilir. YOLO11; örnek bölümleme, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama işlemlerini kutudan çıktığı gibi destekler. Bu muazzam çok yönlülük, genellikle özel araştırma depolarında eksiktir.

Ayrıca ekosistem, kapsamlı dokümantasyon ve aktif topluluk desteği ile desteklenmektedir. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kütüphaneye dahil edilmiştir. Bir model eğitmek, minimum kod hazırlığı gerektirir ve RT-DETR gibi ağır transformer modellerinden daha az CUDA belleği gerektiren son derece verimli eğitim süreçlerinden yararlanır.

Link to this sectionUygulamalı Kod Örneği#

Ultralytics ile eğitim ve çıkarım çalıştırma, mümkün olduğunca sezgisel olacak şekilde tasarlanmıştır. Aynı API, hem YOLO11 hem de YOLOv10'u zahmetsizce yönetir.

from ultralytics import YOLO

# Initialize the model (YOLO11n or YOLOv10n)
model = YOLO("yolo11n.pt")

# Train the model efficiently on a custom dataset
# Ultralytics automatically handles hyperparameters and memory optimization
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Run inference on an image
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Display the detected objects
inference_results[0].show()

Link to this sectionKullanım Durumları ve Öneriler#

YOLO11 ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için önerilir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionYeni Nesil: YOLO26#

YOLOv10 devrim niteliğindeki NMS-free paradigmasını tanıtırken ve YOLO11 çoklu görev çok yönlülüğünü mükemmelleştirirken, yapay zeka alanı hızla ilerlemektedir. Bugün yeni üretim dağıtımlarına başlayan geliştiriciler için Ultralytics YOLO26 modelini keşfetmelerini şiddetle öneriyoruz.

Ocak 2026'da piyasaya sürülen YOLO26, her iki dünyanın en iyi yanlarını birleştirir. YOLOv10'un öncülük ettiği Uçtan Uca NMS-Free Tasarımı yerel olarak benimser, dağıtım hattını önemli ölçüde basitleştirir ve tutarlı gecikme sağlar. Ayrıca YOLO26, özel uç bilişim optimizasyonlarını içerir. DFL Removal (Dağılım Odak Kaybı'nın kaldırılması) işlemini yürüterek, mimari daha kolay dışa aktarılabilirlik garantisi verir ve eski modellere kıyasla %43'e kadar daha hızlı CPU çıkarımı elde eder; bu da onu düşük güç tüketen IoT cihazları ve mobil uygulamalar için birinci sınıf bir seçim haline getirir.

YOLO26 ayrıca, son teknoloji yapay zeka araştırmalarından ilham alan bir hibrit olan yenilikçi MuSGD Optimizer aracılığıyla bilgisayarlı görüye Büyük Dil Modeli (LLM) eğitim kararlılığını getirir. ProgLoss + STAL kayıp fonksiyonlarıyla birleştirilen YOLO26, ayrıntılı trafik videosu algılama ve karmaşık robotik otomasyon için gerekli olan küçük nesnelerde benzersiz bir hassasiyet sunar.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionSonuç#

Doğru görü modelini seçmek, özel operasyonel kısıtlamalarına bağlıdır. YOLOv10, NMS'nin algılama hattından etkili bir şekilde çıkarılabileceğini kanıtlayarak akademide önemli bir dönüm noktası oluşturur. Ancak performans, kapsamlı görev çok yönlülüğü ve sorunsuz dağıtım araçlarının üstün bir dengesi için YOLO11, kurumsal kullanıma hazır, sağlam bir çözüm sunar.

Uçtan uca basitliği son derece hızlı uç performansla birleştirerek mutlak son teknolojiyi isteyen mühendisler için en nihai öneri, en son YOLO26 modeline geçmektir. Kapsamlı Ultralytics Platformundan yararlanarak projelerinin bakımlı, son derece verimli ve geleceğe hazır bir temel üzerine inşa edilmesini sağlarsın.