YOLO11 ve YOLOv10#

Gerçek zamanlı bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler hem uç cihazlarda hem de bulut altyapısında mümkün olanın sınırlarını zorluyor. Bu ayrıntılı teknik incelemede, alandaki iki önemli modelin nüanslarını ele alıyoruz: Ultralytics YOLO11 ve YOLOv10. Her ikisi de nesne tespiti yeteneklerinde önemli ilerlemeler sunuyor; ancak performanslarını elde etmek için temelden farklı mimari yaklaşımlar benimsiyorlar.

YOLO11 Mimarisi Ayrıntıları#

YOLO11 Ayrıntıları:

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

Çok yönlü ve güçlü bir model olarak tanıtılan YOLO11, bilgisayarlı görü ve yapay zekâ alanındaki yıllara dayanan temel araştırmaları geliştiriyor. YOLO11'in temel tasarım felsefesi, zengin özelliklere ve çeşitli bilgisayarlı görü görevlerinde olağanüstü esnekliğe dayanıyor.

YOLO11'in öne çıkan iyileştirmelerinden biri C3k2 Block uygulamasıdır. Bu geliştirilmiş darboğaz modülü, ağ genelindeki gradyan akışını optimize ederek yüksek doğruluğu korurken parametre verimliliğini büyük ölçüde artırır. YOLO11 ayrıca küçük ya da kısmen örtülmüş öğeleri belirlemede kritik öneme sahip, geliştirilmiş bir uzamsal dikkat mekanizması kullanır. Bu özellik, modeli havadan görüntüleme kullanım senaryoları ve ayrıntılı tıbbi görüntü analizi için olağanüstü bir seçenek hâline getirir.

YOLO11, hiperparametre ayarlamanın karmaşıklığını en aza indiren bağlantısız bir tasarım kullanarak çok çeşitli özel veri kümelerinde güçlü genelleme sağlar. Ayrıca eğitim sırasındaki bellek gereksinimleri transformer tabanlı mimarilere kıyasla çok daha düşüktür; bu da araştırmacıların büyük modelleri standart tüketici donanımlarında verimli biçimde eğitmesine olanak tanır.

YOLOv10 Mimarisi Ayrıntıları#

YOLOv10 Ayrıntıları:

• 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'ndeki araştırmacılar tarafından geliştirilen YOLOv10, YOLO ailesinde uçtan uca bir öncü olarak büyük ses getirdi. YOLOv10'un ayırt edici özelliği NMS-Free Training metodolojisidir. Model, eğitim aşamasında tutarlı çift atamalar kullanarak her nesne için doğal olarak tam bir sınırlayıcı kutu tahmin eder. Bu çığır açan yaklaşım, çıkarım sırasında Maksimum Olmayan Bastırma (NMS) ihtiyacını tamamen ortadan kaldırır. Bu, geçmişte dağıtım işlem hatlarında gecikme darboğazlarına yol açan bir son işleme adımıdır.

Mimari ayrıca bütünsel bir verimlilik-doğruluk tasarım stratejisi sunar. Ağ aşamalarındaki gereksizliği seçici biçimde azaltan uzamsal-kanal ayrıştırmalı alt örnekleme ve sıralama kılavuzlu blok tasarımlarını içerir. Bunun sonucunda, Ortalama Hassasiyet (mAP) değerinden önemli ölçüde ödün vermeden daha az FLOP ve daha düşük hesaplama yükü elde edilir. Her milisaniyenin önemli olduğu gerçek zamanlı uygulamalarda NMS'nin kaldırılması, uç AI cihazları için son derece uygun, belirleyici bir çıkarım grafiği sağlar.

YOLOv10 hakkında daha fazla bilgi edin

Performans Ölçütleri ve Kıyaslamalar#

Bu iki modeli değerlendirirken doğruluk, parametre sayısı ve hız arasındaki dengeye bakıyoruz. Aşağıdaki tablo, modellerin farklı ölçeklerde COCO veri kümesinde nasıl karşılaştırıldığını gösteriyor.

YOLO performans ölçütlerinde görüldüğü gibi YOLO11, tüm varyantlarında biraz daha yüksek mAP puanlarına ulaşıyor. YOLOv10'un NMS'siz tasarımı son derece kararlı uçtan uca çıkarım süreleri sağlıyor; ancak YOLO11, NVIDIA donanımında TensorRT ile optimize edildiğinde de olağanüstü bir işlem hacmi sunuyor.

Ultralytics Ekosisteminin Avantajı#

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

Ultralytics Platformu son derece akıcı bir kullanıcı deneyimi sunar. Basit ve birleşik bir Python API ile geliştiriciler, temel sınırlayıcı kutuların ötesindeki görevleri de gerçekleştirebilir. YOLO11; yerel olarak örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini destekler. Bu kapsamlı çok yönlülük, uzmanlaşmış araştırma depolarında çoğunlukla bulunmaz.

Ayrıca ekosistem, kapsamlı belgeler ve etkin topluluk desteğiyle güçlendirilir. Deney takibi için Weights & Biases ve Intel donanım optimizasyonu için OpenVINO gibi araçlarla entegrasyonlar doğrudan kütüphaneye yerleşiktir. Model eğitimi çok az kalıp kod gerektirir ve RT-DETR gibi büyük Transformer modellerine kıyasla daha az CUDA belleği kullanan son derece verimli eğitim süreçlerinden yararlanır.

Uygulamalı Kod Örneği#

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

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, projene özgü gereksinimlere, 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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Yeni Nesil: YOLO26#

YOLOv10 çığır açan NMS'siz yaklaşımı ortaya koyarken YOLO11 çok görevli çok yönlülüğü mükemmelleştirdi; ancak AI alanı hızla ilerliyor. Bugün yeni üretim dağıtımlarına başlayan geliştiricilere Ultralytics YOLO26 modelini incelemelerini önemle öneriyoruz.

Ocak 2026'da yayımlanan YOLO26, her iki dünyanın da en iyi özelliklerini bir araya getiriyor. YOLOv10'un öncülük ettiği Uçtan Uca NMS'siz Tasarımı, isteğe bağlı bire bir başlıkla (nms=False) sunarak dağıtım işlem hattını büyük ölçüde basitleştiriyor ve tutarlı gecikme sağlıyor. Ayrıca YOLO26, uç bilişime yönelik özel optimizasyonlar içeriyor. DFL Kaldırma (Distribution Focal Loss'un kaldırılması) sayesinde mimari, daha kolay dışa aktarılabilirliği garanti ediyor ve eski modellere kıyasla CPU çıkarımında %43'e kadar daha yüksek hız sunuyor; bu da onu düşük güçlü IoT cihazları ve mobil uygulamalar için en iyi seçenek hâline getiriyor.

YOLO26 ayrıca yenilikçi ve öncü AI araştırmalarından esinlenen hibrit bir yöntem olan MuSGD Optimizer aracılığıyla Büyük Dil Modeli (LLM) eğitim kararlılığını bilgisayarlı görüye taşıyor. ProgLoss + STAL kayıp fonksiyonlarıyla birlikte YOLO26, küçük nesnelerde eşsiz bir hassasiyet sunuyor; bu, ayrıntılı trafik videosu tespiti ve karmaşık robotik otomasyon için çok önemlidir.

Sonuç#

Doğru görüntü işleme modelini seçmek, operasyonel kısıtlamalarına bağlıdır. YOLOv10, tespit işlem hattından NMS'nin etkili biçimde kaldırılabileceğini kanıtlayarak akademide önemli bir dönüm noktası oldu. Ancak performans, kapsamlı görev çok yönlülüğü ve sorunsuz dağıtım araçları arasında üstün bir denge için YOLO11, kurumsal kullanıma hazır sağlam bir çözüm sunar.

Uçtan uca basitliği olağanüstü hızlı uç performansıyla birleştirmek isteyen mühendisler için en yeni YOLO26 sürümüne geçiş en iyi öneridir. Kapsamlı Ultralytics Platformu sayesinde projelerinin bakımı iyi yapılan, son derece verimli ve geleceğe hazır bir temel üzerinde oluşturulmasını sağlarsın.