YOLO11 ve YOLOv8: Gerçek Zamanlı Görüntü Modellerinin Kapsamlı Teknik Karşılaştırması

Bilgisayar görüşü alanı, nesne algılama mimarilerinin sürekli gelişimiyle dikkat çekici ilerlemelere tanık olmuştur. Geliştiriciler, modelleri gerçek dünya dağıtımları için değerlendirirken, Ultralytics YOLO11 ile onun oldukça başarılı öncülü Ultralytics YOLOv8'in güçlü yönlerini sıkça karşılaştırır. Her iki model de hız, doğruluk ve geliştirici deneyimi açısından endüstri standartlarını belirlemiş olsa da, biraz farklı proje yaşam döngülerine ve performans eşiklerine hitap etmektedir.

Bu kılavuz, yapay zeka girişimleriniz için en iyi çözümü seçmenize yardımcı olmak amacıyla mimarileri, eğitim metodolojileri ve ideal kullanım durumları hakkında derinlemesine bir analiz sunar.

Mimari Yenilikler

YOLOv8'den YOLO11'e geçiş, özellik çıkarma verimliliğini en üst düzeye çıkarırken hesaplama yükünü en aza indirmeyi hedefleyen birkaç önemli mimari iyileştirme getirdi.

YOLO11 Mimarisi

YOLO11, parametre kullanımını optimize etmede önemli bir ilerlemeyi temsil etmektedir. Geleneksel C2f modüllerini, parametre sayısını artırmadan uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 bloklarıyla değiştirir. Ek olarak, YOLO11, backbone'unda C2PSA (Cross-Stage Partial Spatial Attention) modülünü tanıtır. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne algılama performansını önemli ölçüde artırır ve karmaşık örtüşmeleri yönetir.

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:Ultralytics Deposu
Dokümantasyon:YOLO11 Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

YOLOv8 Mimarisi

Bir yıl önce piyasaya sürülen YOLOv8, anchor kutularını manuel olarak ayarlama ihtiyacını ortadan kaldıran ve kayıp formülasyonunu basitleştiren anchor-free algılama kafasına geçişin öncülüğünü yaptı. Mimarisi, ağ derinliğini ve gradyan akışını başarıyla dengeleyen bir tasarım olan C2f bloğuna büyük ölçüde dayanır ve bu da onu çok çeşitli bilgisayar görüşü uygulamalarında inanılmaz derecede sağlam kılar.

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:Ultralytics Deposu
Dokümantasyon:YOLOv8 Dokümanları

YOLOv8 hakkında daha fazla bilgi edinin.

Tasarım Felsefesi

YOLOv8, Ultralytics ekosisteminde anchor-free algılama için temeli atarken, YOLO11 bu yaklaşımı uzamsal dikkat mekanizmalarıyla geliştirerek daha az hesaplama kaynağıyla daha yüksek doğruluk elde etti.

Performans ve Kıyaslamalar

Raspberry Pi gibi uç cihazlara veya NVIDIA TensorRT çalıştıran yüksek performanslı sunuculara modelleri dağıtırken, hız ve doğruluk arasındaki dengeyi anlamak büyük önem taşır. Aşağıdaki tablo, YOLO11'in tüm boyut varyantlarında YOLOv8'i sürekli olarak nasıl geride bıraktığını 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

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, hem parametre sayısını hem de Kayan Nokta İşlemlerini (FLOPs) azaltırken önemli ölçüde daha yüksek Ortalama Hassasiyet (mAP) elde eder. Örneğin, YOLO11m modeli YOLOv8m'den %22 daha az parametre gerektirirken, COCO veri kümesinde %1,3 daha yüksek bir mAP sunar. Ayrıca, ONNX formatına dışa aktarıldığında CPU çıkarım hızları, YOLO11'in önemli ölçüde daha hızlı olduğunu gösterir ve bu da onu özel GPU hızlandırması olmayan dağıtımlar için mükemmel bir aday yapar.

Ultralytics Ekosisteminin Avantajı

YOLO11'i mi yoksa YOLOv8'i mi seçerseniz seçin, her iki model de makine öğrenimi yaşam döngüsünü önemli ölçüde basitleştiren kapsamlı Ultralytics ekosisteminden faydalanır.

Kullanım Kolaylığı ve Basit API

ultralytics python paketi, mühendislerin ve araştırmacıların yalnızca birkaç satır kodla modelleri eğitmesine, doğrulamasına ve dışa aktarmasına olanak tanıyan kolaylaştırılmış bir API sağlar. Bu, derin öğrenme ortamlarını kurmakla ilişkili tipik karmaşıklıkları soyutlar. PyTorch.

Eğitim Verimliliği ve Bellek Gereksinimleri

Ağır Vision Transformer'ların (örneğin RT-DETR) aksine, Ultralytics YOLO modelleri, eğitim sırasında düşük bellek kullanımlarıyla bilinir. Bu bellek verimliliği, geliştiricilerin tüketici sınıfı GPU'larda veya Google Colab gibi bulut ortamlarında bellek yetersizliği hatalarıyla karşılaşmadan son teknoloji ağları eğitmesini sağlar.

Görüntüleme Görevlerinde Çok Yönlülük

Hem YOLO11 hem de YOLOv8 gerçek çok görevli öğrenicilerdir. Standart sınırlayıcı kutu nesne algılamanın ötesinde, doğal olarak örnek segmentasyonu, görüntü sınıflandırması, insan poz tahmini ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutuları (obb) desteklerler.

Kullanım Durumları ve Öneriler

YOLO11 ve YOLOv8 arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza 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.

YOLOv8 Ne Zaman Tercih Edilmeli?

YOLOv8 şunlar için önerilir:

Çok Yönlü Çok Görevli Dağıtım: Ultralytics ekosistemi içinde detect, segment, sınıflandırma ve poz tahmini için kanıtlanmış bir model gerektiren projeler.
Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulu, kararlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından faydalanan uygulamalar.

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.

Kod Örneği: Başlarken

Bir Ultralytics modelini dağıtmak ve eğitmek inanılmaz derecede sezgiseldir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO11 modelinin nasıl yükleneceğini, özel bir veri kümesi üzerinde nasıl ince ayar yapılacağını ve Apple CoreML kullanarak uç dağıtım için nasıl dışa aktarılacağını göstermektedir:

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")

Sorunsuz Yükseltmeler

Ultralytics API'si standartlaştırılmış olduğundan, eski bir hattı YOLOv8'den YOLO11'e yükseltmek genellikle yalnızca ağırlık dizesini değiştirmeyi gerektirir: "yolov8n.pt" için "yolo11n.pt".

Geleceğe Bakış: YOLO26 ile Uç Yapay Zekanın Zirvesi

YOLO11 olgun ve oldukça yetenekli bir mimariyi temsil etse de, yapay zeka inovasyonunun hızlı temposu devam etmektedir. Performansta en son teknolojiyi gerektiren yeni projeler başlatan geliştiriciler için, Ultralytics YOLO26 (Ocak 2026'da yayınlandı) nihai öneridir.

YOLO26, çeşitli çığır açan özelliklerle bilgisayar görüşünün sınırlarını zorluyor:

Uçtan Uca NMS-Serbest Tasarım: YOLOv10'da keşfedilen konseptler üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) işlem sonrası adımı doğal olarak ortadan kaldırarak tüm dağıtım donanımlarında daha düşük ve daha öngörülebilir gecikme süresi sağlar.
%43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) dalını tamamen kaldırarak, YOLO26 güçlü GPU'lara sahip olmayan uç bilişim cihazları için özel olarak optimize edilmiştir.
MuSGD Optimizatörü: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, hibrit bir MuSGD optimizatörü kullanarak dikkat çekici derecede istikrarlı ve hızlı eğitim yakınsaması sağlar.
ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, otonom robotik ve drone tabanlı analitik için temel olan küçük ve yoğun şekilde engellenmiş nesne tanımada önemli iyileşmeler sağlar.

İster YOLOv8'in kanıtlanmış güvenilirliğine, ister YOLO11'in optimize edilmiş mimarisine, ister YOLO26'nın yeni nesil yeteneklerine güvenin, Ultralytics Platformu vizyon yapay zeka uygulamalarınızı konseptten üretime sorunsuz bir şekilde taşımak için gerekli araçlara sahip olmanızı sağlar. Modellerinizi kurumsal iş akışlarına ve analitik panolarına bağlamak için mevcut kapsamlı entegrasyonları keşfettiğinizden emin olun.