YOLO11 ve YOLOv10#

Gerçek zamanlı bilgisayarlı görü alanı sürekli gelişiyor; yeni mimariler, hem uç cihazlarda hem de bulut altyapılarında mümkün olanın sınırlarını zorluyor. Bu ayrıntılı teknik analizde, alandaki iki önemli model arasındaki farkları inceliyoruz: Ultralytics YOLO11 ve YOLOv10. Her ikisi de nesne algılama yeteneklerinde önemli sıçramalar sunuyor, ancak performanslarına ulaşmak için temelde farklı mimari yaklaşımlar benimsiyor.

YOLO11 Mimarisi İnceleniyor#

YOLO11 Ayrıntıları:

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

Çok yönlü ve güçlü bir model olarak sunulan YOLO11, bilgisayarlı görü ve yapay zekâ alanındaki yıllarca süren temel araştırmaların üzerine inşa edilmiştir. YOLO11'in temel tasarım felsefesi, özellik zenginliği ve çeşitli bilgisayarlı görü görevlerinde olağanüstü çok yönlülük etrafında şekillenir.

YOLO11'deki öne çıkan iyileştirmelerden biri, C3k2 Block uygulamasıdır. Bu geliştirilmiş darboğaz modülü, ağ genelindeki gradyan akışını optimize ederek yüksek doğruluğu korurken parametre verimliliğini büyük ölçüde artırır. Ayrıca YOLO11, küçük veya kısmen örtülmüş nesneleri belirlemek için kritik önem taşıyan geliştirilmiş bir uzamsal dikkat mekanizması kullanır. Bu özellik, onu hava görüntüsü kullanım senaryoları ve ayrıntılı tıbbi görüntü analizi için olağanüstü bir seçenek haline getirir.

YOLO11, hiperparametre ayarlama karmaşıklığını azaltan anchorsız bir tasarım kullanır ve çok çeşitli özel veri kümelerinde güçlü bir genelleme sağlar. Ayrıca eğitim sırasında gereken bellek, Transformer tabanlı mimarilere kıyasla önemli ölçüde daha düşüktür; bu da araştırmacıların büyük modelleri standart tüketici donanımlarında verimli şekilde eğitmesine olanak tanır.

YOLOv10 Mimarisi İnceleniyor#

YOLOv10 Ayrıntıları:

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

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, YOLO ailesinde uçtan uca yaklaşımı benimseyen öncü bir model olarak büyük ilgi gördü. YOLOv10'un ayırt edici özelliği, NMS'siz Eğitim metodolojisidir. Eğitim aşamasında tutarlı ikili atamalar kullanılarak model, her nesne için doğal olarak tam bir sınırlayıcı kutu tahmin eder. Bu yenilik, dağıtım işlem hatlarında geçmişte gecikme darboğazlarına yol açan bir son işleme adımı olan çıkarım sırasında Maksimum Olmayan Bastırma (NMS) gereksinimini tamamen ortadan kaldırır.

Mimari ayrıca bütünsel bir verimlilik-doğruluk tasarım stratejisi sunar. Ağ aşamalarındaki gereksizliği seçici olarak azaltmak için uzamsal kanal ayrıştırmalı alt örnekleme ve sıralama yönlendirmeli blok tasarımlarını kullanır. Bunun sonucunda, ortalama Kesinlik (mAP) değerinden önemli ölçüde ödün vermeden daha az FLOPs ve daha düşük hesaplama yükü elde edilir. Her milisaniyenin önemli olduğu gerçek zamanlı uygulamalarda NMS'nin kaldırılması, uç yapay zekâ cihazları için son derece uygun, belirleyici bir çıkarım grafiği sağlar.

YOLOv10 hakkında daha fazla bilgi edin

Performans Ölçümleri ve Karşılaştırmalı Testler#

Bu iki modeli değerlendirirken doğruluk, parametre sayısı ve hız arasındaki dengeyi inceliyoruz. Aşağıdaki tablo, COCO veri kümesi üzerinde çeşitli ölçeklerdeki karşılaştırmalarını gösterir.

YOLO performans ölçümlerinde görüldüğü üzere YOLO11, özellikle büyük modellerinde, varyantları genelinde genellikle biraz daha yüksek mAP skorlarına ulaşır. YOLOv10'un NMS'siz tasarımı uçtan uca çıkarım sürelerinin son derece kararlı olmasını sağlar; ancak YOLO11, NVIDIA donanımında TensorRT ile optimize edildiğinde hâlâ olağanüstü bir işlem hacmi sunar.

Ultralytics Ekosisteminin Avantajı#

Tek başına performans ölçümleri önemli olsa da bir makine öğrenimi projesinin pratik başarısını çevresindeki framework belirler. Ultralytics ekosisteminin yerel bir parçası olan YOLO11'in gerçekten öne çıktığı nokta budur.

Ultralytics Platformu, son derece akıcı bir kullanıcı deneyimi sunar. Basit ve birleşik bir Python API ile geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri yönetebilir. YOLO11, yerel olarak örnek bölütlemeyi, poz tahminini, görüntü sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler. Bu büyük çok yönlülük, özel araştırma depolarında genellikle bulunmaz.

Ayrıca ekosistem, kapsamlı belgeler ve etkin topluluk desteğiyle desteklenir. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kütüphaneye eklenmiştir. Bir modeli eğitmek için çok az gereksiz kod gerekir; ayrıca RT-DETR gibi ağır Transformer modellerine kıyasla daha az CUDA belleği gerektiren son derece verimli eğitim süreçlerinden yararlanılır.

Uygulamalı Kod Örneği#

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

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 Alanları ve Öneriler#

YOLO11 ve YOLOv10 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için önerilir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: 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 (YOLO26) Ne Zaman Seçilmeli?#

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

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

Yeni Nesil: YOLO26#

YOLOv10 devrim niteliğindeki NMS'siz paradigmayı, YOLO11 ise çok görevli çok yönlülüğü mükemmelleştirmiş olsa da yapay zekâ alanı hızla ilerliyor. Günümüzde yeni üretim dağıtımları başlatan geliştiricilere Ultralytics YOLO26 modelini incelemelerini önemle tavsiye ediyoruz.

Ocak 2026'da yayımlanan YOLO26, her iki yaklaşımın en iyi özelliklerini bir araya getirir. YOLOv10'un öncülük ettiği Uçtan Uca NMS'siz Tasarımı yerel olarak benimseyerek dağıtım işlem hattını büyük ölçüde basitleştirir ve tutarlı gecikme sağlar. Ayrıca YOLO26, uç bilişime yönelik özel optimizasyonlar içerir. DFL Removal işlemini (Distribution Focal Loss'un kaldırılması) gerçekleştirerek mimari, daha kolay dışa aktarılabilirliği garanti eder ve eski modellere kıyasla CPU çıkarımında %43'e kadar daha yüksek hız sunar; bu da onu düşük güç tüketimli IoT cihazları ve mobil uygulamalar için en iyi seçenek haline getirir.

YOLO26 ayrıca yenilikçi MuSGD Optimizer aracılığıyla Büyük Dil Modeli (LLM) eğitim kararlılığını bilgisayarlı görüye taşır; bu optimizer, en güncel yapay zekâ araştırmalarından esinlenen hibrit bir yaklaşımdır. ProgLoss + STAL kayıp işlevleriyle birlikte YOLO26, ayrıntılı trafik videosu algılama ve karmaşık robotik otomasyon için gerekli olan küçük nesnelerde benzersiz hassasiyet sunar.

Sonuç#

Doğru görü modelini seçmek, özel operasyonel kısıtlarına bağlıdır. YOLOv10, NMS'nin algılama işlem hattından etkili biçimde kaldırılabileceğini kanıtlayarak akademide önemli bir dönüm noktası olmuştur. Ancak performans, kapsamlı görev çok yönlülüğü ve sorunsuz dağıtım araçları arasında üstün bir denge sunan YOLO11, kurumsal kullanıma hazır güçlü bir çözümdür.

En ileri teknolojiyi kullanmak isteyen mühendisler için — uçtan uca basitliği ışık hızında uç performansıyla birleştiren en yeni YOLO26 modeline geçiş, en iyi öneridir. Kapsamlı Ultralytics Platformu sayesinde projelerinin bakımı iyi yapılan, son derece verimli ve geleceğe hazır bir temel üzerinde oluşturulmasını sağlarsın.