YOLO11 ile YOLOv8: Gerçek Zamanlı Görüntü Modellerinin Kapsamlı Teknik Karşılaştırması
Bilgisayarlı görü alanı, nesne tespiti mimarilerinin sürekli gelişimiyle dikkat çekici ilerlemelere tanık oldu. Geliştiriciler, gerçek dünyada dağıtım için modelleri değerlendirirken genellikle Ultralytics YOLO11 ile onun son derece başarılı selefi olan Ultralytics YOLOv8'in güçlü yönlerini karşılaştırır. Her iki model de hız, doğruluk ve geliştirici deneyimi konusunda endüstri standartlarını belirlemiş olsa da, biraz farklı proje yaşam döngülerine ve performans eşiklerine hitap ederler.
Bu kılavuz, yapay zeka girişimlerin için en iyi çözümü seçmene yardımcı olmak amacıyla mimarileri, eğitim metodolojileri ve ideal kullanım durumları hakkında derinlemesine bir analiz sunar.
Mimari Yenilikler
YOLOv8'den YOLO11'e geçiş, hesaplama yükünü en aza indirirken özellik çıkarma verimliliğini en üst düzeye çıkarmayı amaçlayan çeşitli temel mimari iyileştirmeler getirdi.
YOLO11 Mimarisi
YOLO11, parametre kullanımını optimize etmede önemli bir ileri adımı temsil eder. Geleneksel C2f modüllerinin yerini, parametre sayısını artırmadan uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 blokları alır. Ayrıca YOLO11, ana yapısı içerisinde C2PSA (Cross-Stage Partial Spatial Attention) modülünü tanıtır. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne tespiti performansını önemli ölçüde artırır ve karmaşık örtüşme durumlarını yönetir.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2024-09-27
- GitHub: Ultralytics Deposu
- Dokümantasyon: YOLO11 Dokümanları
YOLO11 hakkında daha fazla bilgi edin
YOLOv8 Mimarisi
Bir yıl önce piyasaya sürülen YOLOv8, çapa kutularını (anchor boxes) manuel olarak ayarlama ihtiyacını ortadan kaldıran ve kayıp formülasyonunu basitleştiren çapa içermeyen (anchor-free) bir tespit kafasına geçişin öncüsü oldu. Mimarisi, ağ derinliği ile gradyan akışını başarıyla dengeleyen ve onu çok çeşitli bilgisayarlı görü uygulamalarında inanılmaz derecede sağlam kılan C2f bloğuna büyük ölçüde dayanır.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2023-01-10
- GitHub: Ultralytics Deposu
- Dokümantasyon: YOLOv8 Dokümanları
YOLOv8 hakkında daha fazla bilgi edin
YOLOv8, Ultralytics ekosisteminde çapa içermeyen tespitin temelini atarken, YOLO11 bu yaklaşımı uzamsal dikkat mekanizmalarıyla geliştirerek daha az hesaplama kaynağıyla daha yüksek doğruluk elde etti.
Performans ve Kıyaslamalar
Modelleri Raspberry Pi gibi uç cihazlara veya NVIDIA TensorRT çalıştıran yüksek performanslı sunuculara dağıtırken, hız ve doğruluk arasındaki dengeyi anlamak çok önemlidir. Aşağıdaki tablo, YOLO11'in tüm boyut varyantlarında YOLOv8'den nasıl tutarlı bir şekilde daha iyi performans gösterdiğini göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 |
Metrikleri Analiz Etme
YOLO11, parametre sayısını ve Kayan Nokta İşlemlerini (FLOPs) azaltırken aynı zamanda belirgin şekilde daha yüksek bir Ortalama Hassasiyet (mAP) elde eder. Örneğin, YOLO11m modeli, YOLOv8m'den %22 daha az parametre gerektirir ancak COCO veri kümesinde %1.3 daha yüksek mAP sunar. Ayrıca, ONNX formatına aktarıldığında CPU çıkarım hızları, YOLO11'in önemli ölçüde daha hızlı olduğunu gösterir ve bu da onu özel bir GPU hızlandırması bulunmayan dağıtımlar için mükemmel bir aday yapar.
Ultralytics Ekosistem Avantajı
YOLO11 veya YOLOv8'i seçmenden bağımsız olarak, her iki model de makine öğrenimi yaşam döngüsünü önemli ölçüde basitleştiren kapsamlı Ultralytics ekosisteminden yararlanır.
Kullanım Kolaylığı ve Basit API
ultralytics Python paketi, mühendislerin ve araştırmacıların sadece birkaç satır kodla modelleri eğitmesine, doğrulamasına ve dışa aktarmasına olanak tanıyan aerodinamik bir API sağlar. Bu, PyTorch içerisinde derin öğrenme ortamları kurmanın getirdiği tipik karmaşıklıkları ortadan kaldırır.
Eğitim Verimliliği ve Bellek Gereksinimleri
Ağır Vision Transformer modellerinin ( RT-DETR gibi) aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımlarıyla ünlüdür. Bu bellek verimliliği, geliştiricilerin bellek dışı hatalarıyla karşılaşmadan, tüketici sınıfı GPU'larda veya Google Colab gibi bulut ortamlarında son teknoloji ağları eğitmesini sağlar.
Görü Görevlerinde Çok Yönlülük
Hem YOLO11 hem de YOLOv8 gerçek çok görevli öğrenenlerdir. Standart sınırlayıcı kutu nesne tespiti ötesinde, örnek segmentasyonu, görüntü sınıflandırma, insan poz tahmini ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak desteklerler.
Kullanım Durumları ve Öneriler
YOLO11 ile YOLOv8 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne Zaman YOLO11 Seçilmeli
YOLO11 şunlar için güçlü bir tercihtir:
- Üretim Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, poz tahmini ve OBB gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.
YOLOv8 Ne Zaman Seçilmeli
YOLOv8 şunlar için önerilir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde tespit, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir model gerektiren projeler.
- Kurulmuş Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, kararlı ve iyi test edilmiş dağıtım süreçlerine sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.
Ne Zaman Ultralytics (YOLO26) Seçilmeli
Çoğu yeni proje için Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası zorluğu olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: Özel GPU hızlandırması olmayan, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Kod Örneği: Başlangıç
Bir Ultralytics modelini dağıtmak ve eğitmek inanılmaz derecede sezgiseldir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO11 modelini nasıl yükleyeceğini, özel bir veri kümesinde nasıl ince ayar yapacağını ve Apple CoreML kullanarak uç dağıtımı için nasıl dışa aktaracağını gösterir:
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Evaluate the validation performance
metrics = model.val()
# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")Ultralytics API'si standartlaştırılmış olduğundan, eski bir işlem hattını YOLOv8'den YOLO11'e yükseltmek genellikle ağırlık dizisini "yolov8n.pt" yerine "yolo11n.pt" olarak değiştirmeyi gerektirir.
İleriye Bakış: YOLO26 ile Uç Yapay Zekanın Zirvesi
YOLO11 olgun ve oldukça yetenekli bir mimariyi temsil etse de, yapay zeka inovasyonunun hızlı temposu devam ediyor. Performansta mutlak en son noktayı talep eden yeni projeler başlatan geliştiriciler için, (Ocak 2026'da yayınlanan) Ultralytics YOLO26 nihai öneridir.
YOLO26, çeşitli çığır açıcı özelliklerle bilgisayarlı görünün sınırlarını zorluyor:
- Uçtan Uca NMS-İçermeyen Tasarım: YOLOv10'da keşfedilen kavramların üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) sonrası işlemini yerel olarak ortadan kaldırarak tüm dağıtım donanımlarında daha düşük ve daha öngörülebilir gecikme süresi sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağıtım Odaklı Kayıp (DFL) dalını tamamen kaldırarak, YOLO26 güçlü GPU'lardan yoksun uç bilişim cihazları için özel olarak optimize edilmiştir.
- MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, son derece kararlı ve hızlı bir eğitim yakınsaması sağlayan hibrit bir MuSGD optimize edici kullanır.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, otonom robotik ve dron tabanlı analitik için kritik olan çok küçük ve ağır örtüşen nesne tanımada kayda değer iyileştirmeler sağlar.
YOLOv8'in kanıtlanmış güvenilirliğine, YOLO11'in optimize edilmiş mimarisine veya YOLO26'nın yeni nesil yeteneklerine güvensen de, Ultralytics Platform vizyoner yapay zeka uygulamalarını kavramdan üretime sorunsuz bir şekilde taşımak için gerekli araçlara sahip olmanı sağlar. Modellerini kurumsal iş akışları ve analitik panolarıyla bağlamak için mevcut kapsamlı entegrasyonları incelediğinden emin ol.