YOLO11 ve YOLOv10: Gerçek Zamanlı Nesne Detectors'larının Kapsamlı Teknik Karşılaştırması

Gerçek zamanlı bilgisayar görüşü alanı sürekli gelişmekte olup, yeni mimariler hem uç cihazlarda hem de bulut altyapısında nelerin mümkün olduğunun sınırlarını zorlamaktadır. Bu ayrıntılı teknik analizde, bu alandaki iki önemli model arasındaki nüansları inceliyoruz: Ultralytics YOLO11 ve YOLOv10. Her ikisi de nesne detect etme yeteneklerinde önemli ilerlemeleri temsil etse de, performanslarını elde etmek için temelden farklı mimari felsefeler benimserler.

YOLO11 Mimarisini Anlamak

YOLO11 Detayları:

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, bilgisayar görüşü ve yapay zeka alanındaki yıllarca süren temel araştırmalara dayanmaktadır. YOLO11'in temel tasarım felsefesi, zengin özellikler ve birden fazla bilgisayar görüşü görevi arasında aşırı çok yönlülük etrafında döner.

YOLO11'deki öne çıkan iyileştirmelerden biri, C3k2 Block'unun uygulanmasıdır. Bu geliştirilmiş darboğaz modülü, ağ boyunca gradyan akışını optimize ederek, yüksek doğruluğu korurken parametre verimliliğini önemli ölçüde artırır. Ayrıca, YOLO11, küçük veya kısmen gizlenmiş öğeleri tanımlamak için kritik olan gelişmiş bir uzamsal dikkat mekanizması kullanır. Bu da onu hava görüntüleme kullanım durumları ve ayrıntılı tıbbi görüntü analizi için olağanüstü bir seçim haline getirir.

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

YOLO11 hakkında daha fazla bilgi edinin

YOLOv10 Mimarisini Keşfetmek

YOLOv10 Detayları:

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

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, YOLO ailesinde uçtan uca bir öncü olarak büyük yankı uyandırdı. YOLOv10'un ayırt edici özelliği, NMS'siz Eğitim metodolojisidir. Eğitim aşamasında tutarlı ikili atamalar kullanarak, model doğal olarak nesne başına tam olarak bir sınırlayıcı kutu tahmin eder. Bu çığır açan gelişme, çıkarım sırasında Non-Maximum Suppression (NMS) ihtiyacını tamamen ortadan kaldırır; bu, dağıtım hatlarında tarihsel olarak gecikme darboğazları yaratan bir son işleme adımıdır.

Mimari ayrıca bütünsel bir verimlilik-doğruluk tasarım stratejisi sunar. Ağ aşamalarındaki yedekliliği seçici olarak azaltan uzamsal-kanal ayrık örnekleme ve sıralama güdümlü blok tasarımlarını içerir. Bu, daha az FLOPs ve ortalama Ortalama Hassasiyet (mAP) değerinden önemli ölçüde ödün vermeden azaltılmış hesaplama yükü ile sonuçlanır. Her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için, NMS'nin kaldırılması, uç yapay zeka cihazları için oldukça uygun, deterministik bir çıkarım grafiği sağlar.

YOLOv10 hakkında daha fazla bilgi edinin.

Performans Metrikleri ve Kıyaslamalar

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

Model	boyut ^(piksel)	mAP^val 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

YOLO performans metriklerinde gözlemlendiği gibi, YOLO11 genellikle varyantları arasında, özellikle daha büyük modellerde, biraz daha yüksek mAP skorları elde eder. YOLOv10'un NMS'siz tasarımı, son derece kararlı uçtan uca çıkarım süreleri sağlarken, YOLO11, NVIDIA donanımında TensorRT ile optimize edildiğinde yine de olağanüstü bir verim sunar.

Üretim İçin Dışa Aktarma

Modellerinizi dağıtım için 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 Ekosisteminin Avantajı

Bağımsız performans metrikleri önemli olsa da, bir makine öğrenimi projesinin pratik başarısını çevreleyen çerçeve belirler. İşte tam da bu noktada, Ultralytics ekosisteminin yerel bir üyesi olarak YOLO11 gerçekten öne çıkıyor.

Ultralytics Platformu inanılmaz derecede akıcı bir kullanıcı deneyimi sunar. Basit ve birleşik bir Python API ile geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri yerine getirebilirler. YOLO11, kutudan çıktığı gibi yerel instance segmentation, pose estimation, image classification ve Oriented Bounding Box (OBB) detection desteği sunar. Bu muazzam çok yönlülük, genellikle özel araştırma depolarında eksiktir.

Dahası, ekosistem kapsamlı dokümantasyon ve aktif topluluk desteğiyle desteklenmektedir. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kütüphaneye yerleşiktir. Bir modelin eğitimi minimal şablon kodu gerektirir ve RT-DETR gibi ağır transformer modellerinden daha az CUDA belleği gerektiren yüksek verimli eğitim süreçlerinden faydalanır.

Uygulamalı Kod Örneği

Ultralytics ile eğitim yapmak ve çıkarım çalıştırmak 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 ve YOLOv10 arasında seçim yapmak, projenizin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerinize bağlıdır.

Ne Zaman YOLO11 Seçmeli

YOLO11 için güçlü bir seçenektir:

Üretim Uç Cihaz Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçeve içinde detect, segment, poz tahmini ve obb gerektiren projeler.
Hızlı Prototipleme ve Dağıtım: Basitleştirilmiş Ultralytics python API'sini kullanarak veri toplama aşamasından üretime hızla geçmesi gereken ekipler.

YOLOv10 Ne Zaman Tercih Edilmeli?

YOLOv10 şunlar için önerilir:

NMS-Serbest Gerçek Zamanlı Algılama: Non-Maximum Suppression olmadan uçtan uca algılamadan faydalanan, dağıtım karmaşıklığını azaltan uygulamalar.
Dengeli Hız-Doğruluk Dengelemeleri: Çeşitli model ölçeklerinde çıkarım hızı ve algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
Tutarlı Gecikme Süreli Uygulamalar: Tahmin edilebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları, örneğin robotik veya otonom sistemler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

NMS-Free Uç Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Yeni Nesil: YOLO26

YOLOv10 devrim niteliğindeki NMS'siz paradigmayı tanıtırken ve YOLO11 çok görevli çok yönlülüğü mükemmelleştirirken, yapay zeka alanı hızla ilerlemektedir. Bugün yeni üretim dağıtımlarına başlayan geliştiriciler için, Ultralytics YOLO26'yı keşfetmelerini şiddetle tavsiye ederiz.

Ocak 2026'da piyasaya sürülen YOLO26, her iki dünyanın en iyilerini birleştiriyor. YOLOv10 tarafından öncülük edilen Uçtan Uca NMS'siz Tasarımı yerel olarak benimseyerek, dağıtım hattını önemli ölçüde basitleştirir ve tutarlı gecikme süresi sağlar. Ayrıca, YOLO26 özel uç bilişim optimizasyonlarını içerir. DFL Kaldırma (Distribution Focal Loss'u kaldırma) işlemini uygulayarak, mimari daha kolay dışa aktarılabilirlik garanti eder ve eski modellere kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ederek, düşük güçlü IoT cihazları ve mobil uygulamalar için en iyi seçim haline gelir.

YOLO26 ayrıca, son teknoloji yapay zeka araştırmalarından ilham alan hibrit bir optimizasyoncu olan yenilikçi MuSGD Optimizer aracılığıyla Büyük Dil Modeli (LLM) eğitim kararlılığını bilgisayar görüşüne getiriyor. ProgLoss + STAL kayıp fonksiyonları ile birleştiğinde, YOLO26 küçük nesnelerde eşsiz bir hassasiyet sunar; bu da ayrıntılı traffic video detection ve karmaşık robotik otomasyon için hayati öneme sahiptir.

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

Doğru görüş modelini seçmek, özel operasyonel kısıtlamalarınıza bağlıdır. YOLOv10, NMS'nin detection hattından etkili bir şekilde çıkarılabileceğini kanıtlayarak akademik alanda önemli bir kilometre taşıdır. Ancak, performans, kapsamlı görev çok yönlülüğü ve sorunsuz dağıtım araçlarının üstün bir dengesi için YOLO11, sağlam, kurumsal kullanıma hazır bir çözüm sunar.

Uçtan uca basitliği ışık hızında uç performansla birleştiren mutlak son teknolojiyi isteyen mühendisler için, en son YOLO26'ya geçiş nihai tavsiyedir. Kapsamlı Ultralytics Platformu'ndan yararlanarak, projelerinizin iyi bakımlı, yüksek verimli ve geleceğe hazır bir temel üzerine inşa edildiğinden emin olursunuz.