YOLO11 ile YOLOv8 karşılaştırması#

Bilgisayarlı görü alanı, nesne tespiti mimarilerinin sürekli evrimiyle birlikte dikkate değer gelişmeler kaydetmiştir. Geliştiriciler, gerçek dünya dağıtımları için modelleri değerlendirirken genellikle Ultralytics YOLO11 ile onun son derece başarılı öncülü Ultralytics YOLOv8 modellerinin güçlü yönlerini karşılaştırır. Her iki model de hız, doğruluk ve geliştirici deneyimi açısından endüstri standartlarını belirlemiştir ancak biraz farklı proje yaşam döngülerine ve performans eşiklerine hitap etmektedir.

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

Mimari Yenilikler#

YOLOv8'den YOLO11'e geçiş, hesaplama yükünü en aza indirirken özellik çıkarma verimliliğini maksimize etmeyi amaçlayan birkaç önemli mimari iyileştirmeyi beraberinde getirdi.

YOLO11 Mimarisi#

YOLO11, parametre kullanımının optimize edilmesinde önemli bir ileri adımı temsil eder. Geleneksel C2f modüllerinin yerini, parametre sayısını artırmadan uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 blokları almıştır. Ek olarak YOLO11, omurgasında C2PSA (Cross-Stage Partial Spatial Attention) modülünü sunar. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne tespiti özelliğini büyük ölçüde geliştirir ve karmaşık tıkanıklıkları ele alır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Repository
• Belgelendirme: YOLO11 Docs

YOLO11 hakkında daha fazla bilgi edinin

YOLOv8 Mimarisi#

Bir yıl önce piyasaya sürülen YOLOv8, manuel olarak çapa kutuları (anchor boxes) ayarlama ihtiyacını ortadan kaldıran ve kayıp formülasyonunu basitleştiren çapa içermeyen (anchor-free) bir tespit kafasına geçişe öncülük etti. Mimarisi, ağ derinliği ile gradyan akışını başarıyla dengeleyen ve çok çeşitli bilgisayarlı görü uygulamalarında inanılmaz derecede dayanıklı olmasını sağlayan bir tasarım olan C2f bloğuna büyük ölçüde dayanır.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: Ultralytics Repository
• Belgelendirme: YOLOv8 Docs

YOLOv8 hakkında daha fazla bilgi edinin

Performans ve Kıyaslamalar#

Raspberry Pi gibi uç cihazlara veya NVIDIA TensorRT çalıştıran yüksek performanslı sunuculara modeller dağıtılırken, hız ve doğruluk arasındaki ödünleşimi anlamak çok önemlidir. Aşağıdaki tablo, YOLO11'in tüm boyut varyantlarında YOLOv8'i nasıl sürekli olarak geride bıraktığını göstermektedir.

Metrikleri Analiz Etme#

YOLO11, parametre sayısını ve Kayan Nokta İşlemlerini (FLOPs) aynı anda azaltırken belirgin şekilde daha yüksek bir Ortalama Duyarlılık (mAP) elde eder. Örneğin, YOLO11m modeli YOLOv8m'e kıyasla %22 daha az parametre gerektirir ancak COCO veri kümesinde %1,3 daha yüksek bir mAP sunar. Ek olarak, ONNX formatına aktarıldığında CPU çıkarım hızları YOLO11'in çok daha hızlı olduğunu göstermekte ve bu da onu özel GPU hızlandırma özelliğinden yoksun dağıtımlar için mükemmel bir aday haline getirmektedir.

Ultralytics Ekosistemi Avantajı#

YOLO11'i mi yoksa YOLOv8'i mi seçersen seç, her iki model de makine öğrenimi yaşam döngüsünü büyük ölçüde basitleştiren kapsamlı Ultralytics ekosisteminden yararlanır.

Kullanım Kolaylığı ve Basit API#

ultralytics Python paketi, mühendislerin ve araştırmacıların sadece birkaç satır kodla modelleri eğitmesini, doğrulmasını ve dışarı aktarmasını sağlayan kolaylaştırılmış bir API sağlar. Bu, PyTorch içinde derin öğrenme ortamları kurmakla ilişkili tipik karmaşıklıkları soyutlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ağır Görüntü Transformer modellerinin (RT-DETR gibi) aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımlarıyla ün salmıştır. Bu bellek verimliliği, geliştiricilerin bellek aşımı (OOM) hatalarıyla karşılaşmadan tüketici sınıfı GPU'larda veya Google Colab gibi bulut ortamlarında son teknoloji ağlar eğitmesine olanak tanır.

Görü Görevlerinde Çok Yönlülük#

Hem YOLO11 hem de YOLOv8 gerçek çok görevli öğrenenlerdir. Standart sınırlayıcı kutu nesne tespiti ötesinde, örnek bölütleme, görüntü sınıflandırma, insan poz tahmini ve hava görüntülere yönelik Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteğini yerel olarak sunarlar.

Kullanım Durumları ve Öneriler#

YOLO11 ile YOLOv8 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme 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 detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı 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 yararlanan uygulamalar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan 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 kümesinde nasıl ince ayar yapılacağını ve Apple CoreML kullanılarak uç dağıtım için nasıl dışarı 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")

İleriye Bakış: YOLO26 ile Uç Yapay Zekanın Zirvesi#

YOLO11 olgun ve son derece yetenekli bir mimariyi temsil ederken, yapay zeka inovasyonunun hızlı temposu devam etmektedir. Performansta mutlak en son teknolojiyi gerektiren yeni projeler başlatan geliştiriciler için en nihai öneri Ultralytics YOLO26 (Ocak 2026'da yayınlanmıştır) modelidir.

YOLO26, çeşitli çığır açan özelliklerle bilgisayarlı görünün sınırlarını zorluyor:

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 içinde incelenen konseptler üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemini yerel olarak ortadan kaldırarak tüm dağıtım donanımında daha düşük ve daha öngörülebilir gecikme süresi sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağıtım Odaklı Kayıp (DFL) dalı tamamen kaldırılarak YOLO26, güçlü GPU'lardan yoksun uç bilişim cihazları için özellikle optimize edilmiştir.
• MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, oldukça istikrarlı 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 gerekli olan küçük ve yoğun şekilde gizlenmiş nesnelerin tanınmasında önemli iyileştirmeler sağlar.

YOLOv8'in kanıtlanmış güvenilirliğine, YOLO11'in optimize edilmiş mimarisine veya YOLO26'nın yeni nesil yeteneklerine güveniyor olun, Ultralytics Platform görsel yapay zeka uygulamalarınızı kavram aşamasından üretime sorunsuz bir şekilde taşımak için gerekli araçlara sahip olmanızı sağlar. Modellerinizi kurumsal iş akışları ve analitik panolarıyla bağlamak için mevcut olan kapsamlı entegrasyonları keşfettiğinizden emin olun.