YOLO11 - YOLOv8: Detaylı Karşılaştırma
Özellikle nesne algılama için bir bilgisayar görüşü modeli seçerken, farklı mimarilerin güçlü ve zayıf yönlerini anlamak önemlidir. Bu sayfa, nesne algılama ve diğer görme görevleri için tasarlanmış son teknoloji ürünü iki model olan Ultralytics YOLO11 ve Ultralytics YOLOv8 arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Bir sonraki AI projeniz için bilinçli bir karar vermenize rehberlik etmek için mimari nüanslarını, performans kıyaslamalarını ve uygun uygulamalarını analiz edeceğiz.
Ultralytics YOLO11
Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolo11/
Ultralytics YOLO11, gelişmiş doğruluk ve verimlilik için tasarlanmış YOLO serisindeki en yeni evrimi temsil eder. Önceki YOLO modellerinin sağlam temeli üzerine inşa edilen YOLO11, olağanüstü gerçek zamanlı performansı korurken algılama hassasiyetini artırmayı amaçlayan mimari iyileştirmeler sunar. Örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere çok çeşitli görevleri destekleyen oldukça çok yönlü bir modeldir.
Mimari ve Temel Özellikler
YOLO11, özellik çıkarımını ve işlemeyi optimize etmek için ağ yapısındaki gelişmeleri içerir. Aşağıdaki performans tablosunda gösterildiği gibi, YOLOv8 gibi önceki modellere kıyasla daha az parametre ve FLOP ile daha yüksek doğruluk elde eder. Bu verimlilik, daha hızlı çıkarım hızlarına ve azaltılmış hesaplama taleplerine dönüşerek, uç cihazlardan güçlü bulut altyapısına kadar çeşitli platformlarda dağıtım için uygun hale getirir. YOLO11'in temel avantajı, verimli eğitim süreçleri, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve diğer birçok model türüne kıyasla daha düşük bellek kullanımı sağlayan, iyi yönetilen Ultralytics ekosistemine kusursuz entegrasyonudur.
Güçlü Yönler
- Üstün Doğruluk: Benzer model boyutlarında YOLOv8'den sürekli olarak daha iyi performans göstererek en iyi mAP skorlarını elde eder.
- Yüksek Verimli Çıkarım: Özellikle CPU'da önemli ölçüde daha hızlı işlem hızları sunar; bu, kaynak kısıtlı ortamlardaki gerçek zamanlı uygulamalar için kritik öneme sahiptir.
- Çoklu Görev Çok Yönlülüğü: Tek ve birleşik bir çerçeve, birden fazla bilgisayarlı görü görevini destekleyerek geliştirme iş akışlarını basitleştirir.
- Optimize ve Ölçeklenebilir: Verimli bellek kullanımı ve daha küçük bir hesaplama ayak izi ile farklı donanımlarda iyi performans gösterir.
- Kullanım Kolaylığı: Kolaylaştırılmış Ultralytics API'sinden, kapsamlı belgelerden ve GitHub ve Discord üzerindeki aktif topluluk desteğinden yararlanır.
Zayıflıklar
- Daha yeni bir model olduğundan, daha yerleşik YOLOv8'e kıyasla başlangıçta daha az üçüncü taraf entegrasyonuna sahip olabilir.
- En büyük modeller (örneğin, YOLO11x) hala önemli miktarda hesaplama kaynağı gerektirir; bu, yüksek doğruluklu dedektörler için yaygın bir özelliktir.
Kullanım Alanları
YOLO11'in olağanüstü doğruluk ve verimlilik dengesi, onu aşağıdakiler gibi hassas ve hızlı nesne tespiti gerektiren uygulamalar için ideal bir seçim haline getirir:
- Robotik: Otonom sistemler için dinamik ortamlarda navigasyon ve nesne etkileşimini sağlar.
- Güvenlik Sistemleri: İzinsiz giriş algılama ve gerçek zamanlı izleme için gelişmiş güvenlik sistemlerini geliştirir.
- Perakende Analitiği: Perakendede yapay zeka için envanter yönetimini ve müşteri davranış analizini iyileştirme.
- Endüstriyel Otomasyon: Üretimde kalite kontrol ve kusur tespitini destekleme.
YOLO11 hakkında daha fazla bilgi edinin
Ultralytics YOLOv8
Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolov8/
Ultralytics YOLOv8, piyasaya sürüldüğünde gerçek zamanlı nesne algılama için yeni bir standart belirledi ve hızla dünyanın en popüler görme modellerinden biri haline geldi. Önceki sürümlere göre performansta önemli bir sıçrama sağlayan anchor içermeyen bir algılama başlığı ve C2f backbone modülü gibi temel mimari değişiklikleri getirdi. YOLO11 gibi, YOLOv8 de sayısız gerçek dünya uygulamasında kapsamlı bir şekilde doğrulanmış çok yönlü, çok görevli bir modeldir.
Mimari ve Temel Özellikler
YOLOv8'in tasarımı, hız ve doğruluk arasında güçlü bir dengeye odaklanır. Anchor-free (bağlantısız) yaklaşımı, kutu tahminlerinin sayısını azaltarak, işlem sonrası ardışık düzeni basitleştirir ve çıkarım hızını artırır. Model, mobil ve edge AI için hafif 'n' (nano) sürümünden, maksimum doğruluk için güçlü 'x' (ekstra büyük) sürümüne kadar değişen varyantlarla oldukça ölçeklenebilirdir. YOLOv8, basit bir API, kapsamlı kılavuzlar ve kodsuz eğitim ve dağıtım için Ultralytics HUB gibi araçlardan yararlanarak Ultralytics ekosistemine tamamen entegre edilmiştir.
Güçlü Yönler
- Kanıtlanmış Performans: Desteklenen tüm görevlerde güçlü sonuçlar veren, son derece güvenilir ve yaygın olarak benimsenmiş bir modeldir.
- Mükemmel Hız-Doğruluk Takası: Çok çeşitli uygulamalar için onu vazgeçilmez bir seçim haline getiren harika bir denge sunar.
- Olgun Ekosistem: Yayınlandığı günden bu yana oluşturulan kapsamlı topluluk desteği, eğitimler ve üçüncü taraf entegrasyonlarından yararlanır.
- Çok Yönlülük: YOLO11 ile aynı geniş görüntü işleme görevleri yelpazesini destekleyerek onu güçlü bir hepsi bir arada çözüm haline getirir.
Zayıflıklar
- Hala en iyi performans gösterenlerden biri olmasına rağmen, genellikle tüm model boyutlarında hem doğruluk hem de CPU çıkarım hızı açısından YOLO11 tarafından geçilir.
- Daha büyük modeller, YOLO11 muadillerine kıyasla daha yüksek parametre ve FLOP sayısına sahiptir, bu da daha fazla işlem gereksinimine yol açar.
Kullanım Alanları
YOLOv8, yaygın olarak dağıtıldığı ve test edildiği uygulamalarda mükemmel sonuçlar veren, zorlu ve son derece ilgili bir model olmaya devam ediyor:
- Tarım: Akıllı tarımda ürün izleme, zararlı tespiti ve verim tahmini için kullanılır.
- Sağlık Hizmetleri: Hücreleri veya anormallikleri tespit etme gibi görevler için tıbbi görüntü analizine yardımcı olur.
- Çevre İzleme: Yaban hayatı takibi ve çevresel değişiklikleri izlemek için kullanılır.
- Akıllı Şehirler: Trafik yönetimi ve kamu güvenliği izlemesi gibi uygulamaları güçlendirir.
YOLOv8 hakkında daha fazla bilgi edinin
Performans Karşılaştırması: YOLO11 - YOLOv8
YOLO11 ve YOLOv8 arasındaki temel ayrım, performans metriklerinde yatmaktadır. YOLO11, daha verimli bir mimari ile sürekli olarak daha yüksek doğruluk (mAP) sunarak daha az parametre ve FLOP ile sonuçlanmaktadır. Bu mimari optimizasyon, özellikle YOLO11 modellerinin YOLOv8 muadillerinden önemli ölçüde daha hızlı olduğu CPU çıkarım hızlarında belirgindir. YOLOv8n'nin GPU gecikmesinde hafif bir avantajı olsa da, 's'den 'x'e kadar olan YOLO11 modelleri de GPU'da daha hızlıdır ve bu da YOLO11'i çoğu yeni proje için üstün bir seçim haline getirmektedir.
Model | boyut (piksel) |
mAPval 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 |
YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Mimari Evrim ve Ekosistem
YOLO11, hedeflenen optimizasyonlar sunarken başarılı tasarım prensipleri üzerine inşa edilen YOLOv8'in doğrudan bir evrimidir. Her iki model de hızlı, doğru ve kullanımı kolay olma konusundaki aynı temel felsefeyi paylaşır. Tutarlı ve akıcı bir kullanıcı deneyimi sağlamak için birleşik Ultralytics deposunda geliştirilir ve sürdürülürler.
Bu paylaşılan ekosistem, geliştiriciler için büyük bir avantajdır. Bir projeyi YOLOv8'den YOLO11'e geçirmek kolaydır ve ekiplerin minimum kod değişikliğiyle daha yeni modelin performans kazanımlarından yararlanmasına olanak tanır. Ekosistem şunları sağlar:
- Eğitim, doğrulama ve tahmin için basit ve tutarlı bir API.
- Çok sayıda kılavuz ve örnek içeren kapsamlı belgeler.
- COCO gibi veri kümelerinde kullanıma hazır, önceden eğitilmiş ağırlıklarla verimli eğitim iş akışları.
- Daha düşük bellek gereksinimleri diğer model türlerine (örn. Transformer'lar) kıyasla eğitim ve çıkarım sırasında.
- Destek ve işbirliği için canlı bir açık kaynak topluluğu.
Sonuç: Hangi Modeli Seçmelisiniz?
Yeni projeler veya mümkün olan en iyi performansı gerektirenler için YOLO11 açık ara en iyi seçimdir. Özellikle CPU'larda üstün doğruluk ve daha hızlı çıkarım hızları sunar ve daha verimli bir mimariye sahiptir. Gelişmeleri, onu gerçek zamanlı nesne algılama için yeni bir son teknoloji ürünü haline getiriyor.
YOLOv8 hala mükemmel ve son derece güvenilir bir modeldir. Mimarisi için zaten optimize edilmiş mevcut projeler veya kapsamlı geçmiş kaydı ve çok sayıda üçüncü taraf entegrasyonunun önemli bir husus olduğu senaryolar için harika bir seçenektir.
Sonuç olarak, her iki model de gerçek zamanlı nesne tespitinin zirvesini temsil ediyor ve seçim, projenizin özel ihtiyaçlarına bağlı. Ancak, belirgin performans avantajları ve Ultralytics ekosistemine sorunsuz entegrasyonu ile YOLO11, geliştiriciler ve araştırmacılar için yeni standart olmaya hazırlanıyor.
Diğer Modelleri İnceleyin
YOLO11 ve YOLOv8 önde gelen seçenekler olsa da, bilgisayarla görme alanı sürekli gelişmektedir. Bunları, YOLOv10, YOLOv9 ve dönüştürücü tabanlı RT-DETR gibi Ultralytics ekosisteminde bulunan diğer güçlü modellerle karşılaştırmak da ilginizi çekebilir. Projeniz için mükemmel uyumu bulmak için model karşılaştırmalarımızın tamamını keşfedin.