Link to this sectionYOLO11 ile YOLOv8 karşılaştırması#

Bilgisayarlı görü alanı, nesne tespiti mimarilerinin sürekli gelişimiyle dikkat çekici ilerlemelere tanıklık etmiştir. Geliştiriciler, gerçek dünya uygulamaları için modelleri değerlendirirken genellikle Ultralytics YOLO11 ile onun oldukça başarılı öncülü olan Ultralytics YOLOv8 modellerinin güçlü yanlarını karşılaştırırlar. Her iki model de hız, doğruluk ve geliştirici deneyimi açısından endüstri standartlarını belirlemiştir, ancak farklı proje yaşam döngülerine ve performans eşiklerine hitap ederler.

Bu rehber, yapay zeka girişimlerin için en iyi çözümü seçmene yardımcı olmak amacıyla mimarilerinin, eğitim metodolojilerinin ve ideal kullanım senaryolarının derinlemesine bir analizini sunar.

Link to this sectionMimari Yenilikler#

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

Link to this sectionYOLO11 Mimarisi#

YOLO11, parametre kullanımını optimize etme konusunda önemli bir ileri sıçramayı temsil eder. Geleneksel C2f modüllerinin yerini, parametre sayısını şişirmeden uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 blokları alır. Ayrıca YOLO11, belkemiğine C2PSA (Çapraz Aşamalı Kısmi Uzamsal Dikkat) modülünü ekler. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne tespitini önemli ölçüde iyileştirir ve karmaşık gizlenmeleri daha iyi yönetir.

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

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionYOLOv8 Mimarisi#

Bir yıl önce piyasaya sürülen YOLOv8, çapa kutularını manuel olarak ayarlama ihtiyacını ortadan kaldıran ve kayıp formülasyonunu basitleştiren çapasız bir tespit kafasına geçişin öncüsü oldu. Mimarisi, ağ derinliği ve gradyan akışı arasında başarılı bir denge kuran ve çok çeşitli bilgisayarlı görü uygulamalarında onu inanılmaz derecede sağlam kılan C2f bloğuna büyük ölçüde dayanır.

• 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

Link to this sectionPerformans 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 istikrarlı bir şekilde daha iyi performans gösterdiğini ortaya koymaktadır.

Link to this sectionMetrikleri Analiz Etme#

YOLO11, parametre sayısını ve Kayan Nokta İşlemlerini (FLOPs) azaltırken 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; bu da onu özel GPU hızlandırması bulunmayan dağıtımlar için mükemmel bir aday yapar.

Link to this sectionUltralytics 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.

Link to this sectionKullanım 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 sunar. Bu, PyTorch ortamlarında derin öğrenme kurulumlarıyla ilişkili tipik karmaşıklıkları ortadan kaldırır.

Link to this sectionEğitim Verimliliği ve Bellek Gereksinimleri#

Ağır Vision Transformer (örneğin RT-DETR) modellerinin aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımlarıyla ünlüdür. Bu bellek verimliliği, geliştiricilerin bellek yetersizliği hatalarıyla karşılaşmadan tüketici sınıfı GPU'larda veya Google Colab gibi bulut ortamlarında en gelişmiş ağları eğitmesine olanak tanır.

Link to this sectionGörü Görevlerinde Çok Yönlülük#

YOLO11 ve YOLOv8, gerçek çok görevli öğrenicilerdir. Standart sınırlayıcı kutu nesne tespiti dışında, yerel olarak örnek bölümleme, görüntü sınıflandırma, insan poz tahmini ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) desteklerler.

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan 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.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionKod 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 dışa aktarılacağını 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")

Link to this sectionİleriye 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 mutlak en son noktayı gerektiren yeni projeler başlatan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da piyasaya sürüldü) nihai öneridir.

YOLO26, çeşitli çığır açan özelliklerle bilgisayarlı görünün sınırlarını zorluyor:

• Uçtan Uca NMS-Siz Tasarım: YOLOv10'da keşfedilen kavramların üzerine inşa edilen YOLO26, Maksimum Olmayan Baskılama (NMS) sonrası işlemini yerel olarak ortadan kaldırır ve tüm dağıtım donanımlarında daha düşük, daha öngörülebilir gecikme sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kayıp (DFL) dalını tamamen kaldırarak YOLO26, güçlü GPU'lara sahip olmayan uç bilgi işlem cihazları için özel olarak 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 olsan fark etmeksizin, Ultralytics Platform görüntü yapay zeka uygulamalarını konseptten üretime sorunsuz bir şekilde taşıman için gereken araçlara sahip olmanı sağlar. Modellerini kurumsal iş akışları ve analitik panelleriyle bağlamak için mevcut olan kapsamlı entegrasyonları keşfettiğinden emin ol.