YOLO11 YOLOv8: Gerçek Zamanlı Nesne Algılamanın Evrimi

YOLO You Only Look Once) mimarisinin gelişimi, bilgisayar görüşünün sınırlarını sürekli olarak yeniden tanımlamıştır. YOLO11, 2024'ün sonlarında piyasaya sürüldü ve YOLOv8 tarafından atılan sağlam temele dayanarak geliştirilmiş verimlilik ve doğruluk sunmaktadır. Bu analiz, her iki model için mimari değişiklikleri, performans ölçütlerini ve pratik dağıtım hususlarını inceleyerek, geliştiricilere kendi özel uygulamaları için en uygun seçimi yapma konusunda rehberlik etmektedir.

Performans Metriklerine Genel Bakış

Aşağıdaki tablo, çeşitli model YOLOv8 YOLO11 YOLOv8 YOLO11 performans iyileştirmelerini göstermektedir. YOLO11 , özellikle CPU için optimize edildiğinde, rekabetçi çıkarım hızlarını korurken YOLO11 daha yüksek Ortalama Kesinlik (mAP) sunar.

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

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 Genel Bakış

Her iki model de, gücü feda etmeden kullanım kolaylığını ön planda tutan, Ultralytics odaklı tasarım Ultralytics kaynaklanmaktadır. Ancak, YOLO11 mimari iyileştirmeler, daha az parametre ile daha fazla özellik çıkarma yeteneği YOLO11 .

YOLO11: İyileştirilmiş Verimlilik

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:ultralytics
Belgeler:YOLO11

YOLO11 , özellik entegrasyonunu geliştiren güncellenmiş bir backbone boyun mimarisi YOLO11 . Cross Stage Partial (CSP) bloklarını optimize ederek, YOLO11 mAP artırırken FLOP'larda (Saniye Başına Kayan Nokta İşlemleri) önemli bir azalma YOLO11 . Bu verimlilik, onu kenar bilgi işlem cihazları gibi kısıtlı ortamlar için özellikle uygun hale getirir.

YOLO11 hakkında daha fazla bilgi edinin

YOLOv8: Güvenilir Standart

Yazarlar: Glenn Jocher, Ayush Chaurasia, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics
Belgeler:YOLOv8

YOLOv8 , sağlam ve son derece çok yönlü bir model YOLOv8 . Ultralytics çapa içermeyen algılama kafasının öncüsü olan bu model, manuel çapa kutusu hesaplamalarına olan ihtiyacı ortadan kaldırarak eğitim sürecini basitleştiriyor. Tarımdan üretime kadar çeşitli sektörlerde kanıtlanmış track , onu eski sistemler için güvenli ve güvenilir bir seçim haline getiriyor.

YOLOv8 hakkında daha fazla bilgi edinin.

Mimari Uyumluluk

Hem YOLO11 YOLOv8 , ultralytics Python . Bunlar arasında geçiş yapmak, genellikle model adı dizesini değiştirmek kadar basittir (örneğin, yolov8n.pt için yolo11n.pt) kodunuzda, mevcut veri kümesi yapılandırması ve eğitim süreçleri.

Ultralytics Modellerinin Temel Avantajları

Belirli sürümden bağımsız olarak, Ultralytics seçmek diğer çerçevelere göre belirgin avantajlar sağlar.

İyi Bakımlı Ekosistem: Her iki model de aktif geliştirme ve topluluk desteğinden yararlanmaktadır. Düzenli güncellemeler, en son sürümlerle uyumluluğu sağlar. PyTorch ve CUDA ile uyumluluğu sağlar ve teknik borcu en aza indirir.
Bellek Gereksinimleri: Ultralytics , modellerini bellek verimliliği açısından Ultralytics . Büyük transformatör tabanlı dedektörlerle karşılaştırıldığında, YOLO eğitim sırasında önemli ölçüde daha az GPU (VRAM) gerektirir, bu da onları tüketici sınıfı donanım kullanan geliştiriciler için erişilebilir hale getirir.
Çok yönlülük: Basit sınırlayıcı kutuların ötesinde, her iki mimari de Örnek Segmentasyonu, Poz Tahmini, OBB (Yönlendirilmiş Sınırlayıcı Kutu) ve Sınıflandırmayı destekler.
Eğitim Verimliliği: Önceden eğitilmiş ağırlıklar hazır olarak mevcuttur, bu da eğitim süresini ve enerji tüketimini önemli ölçüde azaltan transfer öğrenimini mümkün kılar.

Gerçek Dünya Kullanım Durumları

YOLO11 YOLOv8 arasında seçim yapmak YOLOv8 dağıtım ortamının belirli kısıtlamalarına bağlıdır.

YOLO11'in Üstün Olduğu Alanlar

YOLO11 , gecikmeye duyarlı uç uygulamalar için en iyi YOLO11 . Azaltılmış parametre sayısı ve daha düşük FLOP değeri, CPU'larda ve mobil işlemcilerde daha hızlı çıkarım anlamına gelir.

Akıllı Perakende: Özel GPU'lar olmadan mağaza sunucularında gerçek zamanlı müşteri davranış analizi için.
Drone Görüntüleri: Pil ömrünün her milisaniyesinin önemli olduğu yüksek çözünürlüklü hava görüntüleri işleme. Geliştirilmiş küçük nesne algılama özelliği burada çok önemlidir.
Mobil Uygulamalar: CoreML veya TFLite ile iOS Android dağıtım, daha hafif mimarinin avantajlarından yararlanır.

YOLOv8 Güçlü YOLOv8 Alanlar

YOLOv8 , tutarlılığın çok önemli olduğu yerleşik iş akışları için YOLOv8 .

Endüstriyel Otomasyon: Kalite kontrolü YOLOv8 standart olarak kullanan fabrikalarda, v8'i kullanmaya devam etmek tüm süreçlerin yeniden doğrulanması ihtiyacını ortadan kaldırır.
Akademik Araştırma: Sıkça atıf yapılan bir temel olarak YOLOv8 , yeni mimari yenilikleri karşılaştırmak için mükemmel bir referans YOLOv8 .

Kullanım ve Uygulama Kolaylığı

Ultralytics en önemli özelliklerinden biri, birleşik API'dir. Geliştiriciler, aynı sözdizimini kullanarak her iki modeli de eğitebilir, doğrulayabilir ve dağıtabilir.

from ultralytics import YOLO

# Load a model (switch 'yolo11n.pt' to 'yolov8n.pt' to use v8)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a local image
results = model("path/to/image.jpg")

# Export to ONNX for deployment
path = model.export(format="onnx")

Bu basitlik Komut Satırı Arayüzüne (CLI) de uzanır ve tek bir satır Python yazmadan hızlı prototip oluşturmaya olanak tanır.

# Train YOLO11n
yolo train model=yolo11n.pt data=coco8.yaml epochs=50 imgsz=640

# Train YOLOv8n
yolo train model=yolov8n.pt data=coco8.yaml epochs=50 imgsz=640

Sonuç

Her ikisi de YOLO11 ve YOLOv8 , gerçek zamanlı nesne algılama teknolojisinin zirvesini temsil eder. YOLOv8 , genel amaçlı uygulamalar için mükemmel, güvenilir ve çok yönlü bir araç olmaya devam etmektedir. Ancak, YOLO11 , optimize edilmiş verimlilikle sınırları daha da zorlayarak, yeni projeler için, özellikle uç cihazları hedefleyen veya mümkün olan en yüksek hesaplama-doğruluk oranını gerektiren projeler için önerilen başlangıç noktası haline gelmiştir.

Performans ve NMS mimari konusunda en son teknolojiyi arayan geliştiriciler için, yeni piyasaya sürülen YOLO26'yi incelemenizi öneririz. Bu ürün, önceki nesillerin en iyi özelliklerini, dağıtımı daha da basitleştiren uçtan uca bir tasarımla birleştirir.

Diğer Modelleri İnceleyin

YOLO26: Uçtan uca NMS algılama ve %43 daha hızlı CPU sahip en son teknoloji ürünü model.
RT-DETR: Yüksek doğruluk sunan, transformatör tabanlı bir model; çıkarım hızının doğruluktan daha ikincil olduğu durumlar için idealdir.
SAM : Meta'nın Segment Anything Modeli, eğitim verilerinin yetersiz olduğu sıfır atış segmentasyon görevleri için mükemmeldir.