Başla

YOLO11 ve YOLOv8

Nesne algılama mimarileri gelişmeye devam ediyor. Gerçek dünyada dağıtılacak modelleri değerlendirirken geliştiriciler sıklıkla Ultralytics YOLO11 ile yaygın biçimde benimsenmiş önceki sürümü Ultralytics YOLOv8 arasında karşılaştırma yapıyor. Her iki model de hız, doğruluk ve geliştirici deneyimiyle tanınır; ancak proje yaşam döngüsünün ve performans hedeflerinin biraz farklı aşamalarına uygundur.

Bu kılavuz, yapay zekâ projelerin için doğru modeli seçmene yardımcı olmak amacıyla bu modellerin mimarilerini, eğitim yöntemlerini ve ideal kullanım senaryolarını inceliyor.

Mimari Yenilikler#

YOLOv8'den YOLO11'e geçiş, özellik çıkarma verimliliğini artırırken hesaplama yükünü azaltan çeşitli mimari iyileştirmeler getirdi.

YOLO11 Mimarisi#

YOLO11 parametre verimliliğine odaklanır. C2f modüllerini, parametre sayısını artırmadan uzamsal özellik işlemeyi iyileştiren C3k2 bloklarıyla değiştirir. Ayrıca YOLO11, omurgasına C2PSA (Aşamalar Arası Kısmi Uzamsal Dikkat) modülünü ekler. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasına yardımcı olarak küçük nesne algılamayı iyileştirir ve karmaşık örtülmeleri ele alır.

YOLOv8 Mimarisi#

Bir yıl önce piyasaya sürülen YOLOv8, Ultralytics YOLO'ya bir çapasız algılama başlığı kazandırdı; böylece çapa kutularını elle ayarlama gereği ortadan kalktı ve kayıp formülasyonu basitleşti. Mimarisinde ağ derinliği ile gradyan akışını dengeleyen C2f bloğu kullanılır; bu tasarım, çok çeşitli bilgisayarlı görü uygulamalarında güvenilir olmasını sağlar.

Tasarım Felsefesi

YOLOv8, Ultralytics ekosisteminde bağlantısız 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 ile doğruluk arasındaki ödünleşimi anlamak önemlidir. Aşağıdaki tablo, YOLO11'in her model boyutunda YOLOv8'den daha doğru olduğunu gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Ölçütlerin Analizi#

YOLO11, ortalama hassasiyeti (mAP) artırırken hem parametre sayısını hem de Kayan Nokta İşlem sayısını (FLOPs) azaltır. Örneğin YOLO11m, YOLOv8m'den %22 daha az parametre gerektirirken COCO veri kümesinde 1,3 puan daha yüksek mAP sunar. Ayrıca ONNX biçimine aktarıldığında CPU çıkarım hızları, YOLO11'in her boyutta daha hızlı olduğunu gösterir (nano modellerde 80,4 ms'ye karşı 56,1 ms); bu da onu özel GPU hızlandırması olmayan dağıtımlar için iyi bir seçenek hâline getirir.

Ultralytics Ekosisteminin Avantajı#

YOLO11'i veya YOLOv8'i seçmenden bağımsız olarak her iki model de makine öğrenimi yaşam döngüsünü basitleştiren Ultralytics ekosisteminden yararlanır.

Kullanım Kolaylığı ve Basit API#

ultralytics Python paketi, mühendislerin ve araştırmacıların yalnızca birkaç satır kodla modelleri eğitmesine, doğrulamasına ve dışa aktarmasına olanak tanıyan akıcı bir API sunar. Bu API, PyTorch ortamlarını kurmanın tipik karmaşıklıklarını soyutlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ağır Vision Transformers (ör. RT-DETR) modellerinin aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımıyla bilinir. Bu bellek verimliliği, geliştiricilerin bellek yetersizliği hatalarıyla karşılaşmadan tüketici sınıfı GPU'larda veya Google Colab gibi bulut ortamlarında doğru ağları eğitmesini sağlar.

Görü Görevlerinde Çok Yönlülük#

YOLO11 ve YOLOv8, çok görevli modellerdir. Standart sınırlayıcı kutu nesne tespitinin yanı sıra, doğal olarak örnek segmentasyonunu, görüntü sınıflandırmasını, insan poz tahminini ve havadan görüntüler için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) desteklerler.

Kullanım Alanları ve Öneriler#

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

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, bölütleme, sınıflandırma, poz tahmini ve OBB görevlerinin tek bir birleşik çerçevede yürütülmesini gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

  • Çok Görevli Esnek Dağıtım: Ultralytics ekosistemi içinde tespit, segmentasyon, sınıflandırma, poz tahmini ve OBB için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Kod Örneği: Başlarken#

Bir Ultralytics modelini eğitmek ve dağıtmak birkaç satır kod gerektirir. Aşağıdaki örnekte, önceden eğitilmiş bir YOLO11 modelinin nasıl yükleneceği, özel bir veri kümesinde ince ayarının nasıl yapılacağı ve uç dağıtımı için Apple CoreML kullanılarak nasıl dışa aktarılacağı gösteriliyor:

from ultralytics import YOLO

# YOLO11 small modelini başlat
model = YOLO("yolo11s.pt")

# Modeli, optimize edilmiş bellek gereksinimleriyle verimli bir şekilde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Doğrulama performansını değerlendir
metrics = model.val()

# Bir test görüntüsünde gerçek zamanlı çıkarım çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg")

# Hızlı mobil dağıtım için CoreML'ye aktar
export_path = model.export(format="coreml")
Kolay Yükseltmeler

Ultralytics API'si standartlaştırıldığı için eski bir işlem hattını YOLOv8'den YOLO11'e yükseltmek genellikle yalnızca ağırlık dizesini "yolov8n.pt" yerine "yolo11n.pt" olarak değiştirmeyi gerektirir.

Geleceğe Bakış: YOLO26 ile Uç Yapay Zekâ#

YOLO11, olgun ve yetenekli bir mimaridir; ancak yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen modeldir.

YOLO26 birkaç yeni özellik sunuyor:

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile incelenen kavramlardan yararlanan YOLO26, Maksimum Olmayanların Bastırılması (NMS) son işlemesini atlayan isteğe bağlı bir bire bir başlık (nms=False) sunar; böylece farklı dağıtım donanımlarında daha düşük ve öngörülebilir gecikme elde edilir.
  • CPU'da %43'e Varan Hız Artışı: Distribution Focal Loss (DFL) dalı kaldırıldığından YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da güçlü GPU'ları olmayan uç bilişim cihazları için uygundur.
  • MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, kararlı ve hızlı eğitim yakınsaması için SGD ile Muon'un birleşimi olan MuSGD'yi kullanır.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), otonom robotik ve drone tabanlı analizler için gerekli olan küçük ve örtülü nesnelerin tanınmasını iyileştirir.

YOLOv8'in kendini kanıtlamış güvenilirliğine, YOLO11'in optimize edilmiş mimarisine veya YOLO26'nın yeni nesil özelliklerine güvenmen fark etmeksizin, Ultralytics Platform görüntü yapay zekâ uygulamalarını fikir aşamasından üretime taşıman için gereken araçları sunar. Ultralytics entegrasyonları, modellerini kurumsal iş akışlarına ve analiz panolarına bağlar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.