YOLO11 ile YOLOv10 karşılaştırması#
Gerçek zamanlı bilgisayarlı görü alanı sürekli evrim geçirmekte olup, yeni mimariler hem uç cihazlarda hem de bulut altyapısında mümkün olanın sınırlarını zorlamaktadır. Bu ayrıntılı teknik analizde, alandaki iki önemli model arasındaki nüansları inceliyoruz: Ultralytics YOLO11 ve YOLOv10. Her ikisi de nesne algılama yeteneklerinde önemli sıçramaları temsil eder, ancak performanslarına ulaşmak için temelde farklı mimari felsefeler benimserler.
YOLO11 Mimarisine Bakış#
YOLO11 Ayrıntıları:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11/
Çok yönlü bir güç merkezi olarak tanıtılan YOLO11, bilgisayarlı görü ve yapay zeka alanındaki yıll süren temel araştırmaların üzerine inşa edilmiştir. YOLO11'in temel tasarım felsefesi, zengin özellikler etrafında ve birden fazla bilgisayarlı görü görevinde aşırı çok yönlülük üzerine kuruludur.
YOLO11'deki dikkat çekici iyileştirmelerden biri, C3k2 Bloğunun uygulanmasıdır. Bu iyileştirilmiş darboğaz modülü, ağ genelindeki gradyan akışını optimize ederek yüksek doğruluğu korurken parametre verimliliğini büyük ölçüde artırır. Ek olarak YOLO11, küçük veya kısmen kapanmış öğeleri tanımlamak için kritik olan gelişmiş bir uzamsal dikkat mekanizması kullanır. Bu, onu havadan görüntüleme kullanım durumları ve ayrıntılı tıbbi görüntü analizi için olağanüstü bir seçim 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
YOLOv10 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
- Belgeler: https://docs.ultralytics.com/models/yolov10/
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, YOLO ailesinde uçtan uca bir öncü olarak ses getirdi. YOLOv10'un ayırt edici özelliği NMS Olmadan Eğitim metodolojisidir. Eğitim aşamasında tutarlı ikili atamalar kullanarak model, doğal olarak her nesne için tam olarak bir sınırlayıcı kutu tahmin eder. Bu çığır açan gelişme, dağıtım boru hatlarında geçmişte gecikme darboğazları yaratan bir son işleme adımı olan çıkarım sırasındaki Maksimum Olmayan Bastırma (NMS) ihtiyacını tamamen ortadan kaldırır.
Mimari ayrıca bütünsel bir verimlilik-doğruluk tasarım stratejisi sunar. Ağ aşamalarındaki gereksizliği seçici olarak azaltan uzamsal-kanallı ayrıştırılmış alt örnekleme ve rütbe kılavuzlu blok tasarımlarını içerir. Bu, mean Average Precision (mAP) değerinden önemli ölçüde ödün vermeden daha az FLOPs ve azaltılmış hesaplama yüküyle sonuçlanır. Her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için NMS'nin kaldırılması, edge AI devices için son derece uygun olan deterministik bir çıkarım grafiği sağlar.
YOLOv10 hakkında daha fazla bilgi edin
Performans Metrikleri ve Kıyaslamalar#
Bu iki modeli değerlendirirken doğruluk, parametre sayısı ve hız dengesine bakıyoruz. Aşağıdaki tablo, COCO veri setinde çeşitli ölçeklerde nasıl karşılaştırıldıklarını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (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 |
YOLO performans ölçümlerinde gözlemlendiği gibi, YOLO11 genellikle varyantları arasında, özellikle de daha büyük modellerde biraz daha yüksek mAP puanları elde eder. YOLOv10'un NMS içermeyen tasarımı son derece kararlı uçtan uca çıkarım süreleri sağlar, ancak YOLO11, NVIDIA donanımında TensorRT ile optimize edildiğinde yine de olağanüstü iş hacmi yönetir.
Modellerinizi dağıtıma hazırlarken optimize edilmiş formatlara dışa aktarmak çok önemlidir. Hem YOLO11 hem de YOLOv10, Ultralytics çerçevesi kullanılarak ONNX ve TensorRT gibi formatlara sorunsuz bir şekilde dışa aktarılabilir. Adım adım talimatlar için model dağıtım seçenekleri hakkındaki kılavuzumuza bakın.
Ultralytics 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 Platformu inanılmaz derecede kolaylaştırılmış bir kullanıcı deneyimi sunar. Basit ve birleştirilmiş bir Python API ile geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri ele alabilir. YOLO11, kutudan çıktığı gibi yerel örnek bölütleme, poz kestirimi, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler. Bu muazzam çok yönlülük, özel araştırma depolarında genellikle eksiktir.
Ayrıca ekosistem, kapsamlı belgelere ve aktif topluluk desteğine dayanmaktadır. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kütüphanenin içine inşa edilmiştir. Bir model eğitmek minimum düzeyde ortak kod gerektirir ve RT-DETR gibi ağır transformer modellerine göre daha az CUDA belleği gerektiren son derece verimli eğitim süreçlerinden yararlanır.
Uygulamalı 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()Kullanım Durumları ve Öneriler#
YOLO11 ile YOLOv10 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.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
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.
Yeni Nesil: YOLO26#
YOLOv10 devrim niteliğindeki NMS içermeyen paradigmayı sunarken ve YOLO11 çok görevli çok yönlülüğü mükemmelleştirirken, yapay zeka alanı hızla ilerlemektedir. Bugün yeni üretim dağıtımları başlatan geliştiriciler için Ultralytics YOLO26 keşfetmenizi şiddetle tavsiye ediyoruz.
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 hibrit bir optimizasyon aracı olan yenilikçi MuSGD Optimizer aracılığıyla bilgisayarlı görüye Büyük Dil Modeli (LLM) eğitim kararlılığı getirir. ProgLoss + STAL kayıp fonksiyonlarıyla birleştirilen YOLO26, ayrıntılı trafik videosu algılama ve karmaşık robotik otomasyon için çok önemli olan küçük nesnelerde benzersiz bir hassasiyet sunar.
YOLO26 hakkında daha fazla bilgi edin
Sonuç#
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 performansıyla birleştiren mutlak en son teknolojiyi isteyen mühendisler için en son YOLO26 sürümüne geçiş yapmak nihai tavsiyedir. Kapsamlı Ultralytics Platformu yararlanarak projelerinizin iyi bakımlı, son derece verimli ve geleceğe hazır bir temele inşa edilmesini sağlarsınız.