YOLO11 ve YOLOv8#

Nesne tespit mimarilerinin sürekli gelişmesiyle bilgisayarlı görü alanında kayda değer ilerlemeler yaşandı. Gerçek dünyada dağıtım için modelleri değerlendirirken geliştiriciler çoğu zaman Ultralytics YOLO11 ile son derece başarılı önceki sürümü Ultralytics YOLOv8 modellerinin güçlü yönlerini karşılaştırır. Her iki model de hız, doğruluk ve geliştirici deneyimi açısından sektör standartlarını belirledi; ancak biraz farklı proje yaşam döngülerine ve performans eşiklerine hitap ediyor.

Bu kılavuz, yapay zekâ girişimlerin için en iyi çözümü seçmene yardımcı olmak üzere bu modellerin mimarilerini, eğitim yöntemlerini ve ideal kullanım alanlarını derinlemesine inceliyor.

Mimari Yenilikler#

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

YOLO11 Mimarisi#

YOLO11, parametre kullanımını optimize etme konusunda önemli bir ilerlemeyi temsil eder. Geleneksel C2f modüllerinin yerine, parametre sayısını aşırı artırmadan uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 bloklarını kullanır. Ayrıca YOLO11, omurgasına C2PSA (Aşamalar Arası Kısmi Uzamsal Dikkat) modülünü ekler. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne tespitini büyük ölçüde iyileştirir ve karmaşık örtüşmeleri ele alır.

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

YOLOv8 Mimarisi#

Bir yıl önce yayımlanan YOLOv8, bağlantısız bir tespit başlığına geçişe öncülük ederek bağlantı kutularını elle ayarlama gereksinimini ortadan kaldırdı ve kayıp formülasyonunu basitleştirdi. Mimarisi büyük ölçüde, ağ derinliği ile gradyan akışını başarıyla dengeleyen C2f bloğuna dayanır; bu da modeli çok çeşitli bilgisayarlı görü uygulamalarında son derece sağlam kılar.

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

Performans ve Kıyaslamalar#

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

Ölçütlerin Analizi#

YOLO11, Ortalama Hassasiyet (mAP) değerini belirgin biçimde artırırken hem parametre sayısını hem de Kayan Nokta İşlem Sayısını (FLOPs) azaltır. Örneğin YOLO11m modeli, COCO veri kümesinde YOLOv8m'den %22 daha az parametre gerektirirken 1,3 puan daha yüksek mAP sunar. Ayrıca ONNX biçimine aktarıldığında CPU çıkarım hızları YOLO11'in önemli ölçüde daha hızlı olduğunu gösterir; bu da onu özel GPU hızlandırması bulunmayan dağıtımlar için mükemmel bir aday hâline getirir.

Ultralytics Ekosisteminin Avantajı#

YOLO11'i ya da YOLOv8'i seçmen fark etmeksizin, 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 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 (örneğin RT-DETR) modellerinin aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımlarıyla tanınır. Bu bellek verimliliği, geliştiricilerin bellek yetersizliği 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 öğrenicilerdir. Standart sınırlayıcı kutu nesne algılamanın ötesinde, yerleşik olarak örnek segmentasyonunu, görüntü sınıflandırmasını, insan poz tahminini ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) desteklerler.

Kullanım Alanları ve Öneriler#

YOLO11 ile YOLOv8 arasında seçim yapmak, projene özgü gereksinimlere, 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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB 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 Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Kod Örneği: Başlarken#

Ultralytics modeli dağıtmak ve eğitmek son derece kolaydır. Aşağıdaki örnek, önceden eğitilmiş bir YOLO11 modelinin nasıl yükleneceğini, özel bir veri kümesinde ince ayarının nasıl yapılacağını ve uç dağıtımı için Apple CoreML kullanılarak nasıl dışa aktarılacağını gösterir:

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")

Geleceğe Bakış: YOLO26 ile Uç Yapay Zekânın Zirvesi#

YOLO11 olgun ve son derece yetenekli bir mimari olsa da yapay zekâdaki hızlı yenilik temposu sürüyor. En üst düzey performansı gerektiren yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) en iyi öneridir.

YOLO26, çığır açan birçok özellikle bilgisayarlı görüde sınırları zorluyor:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile incelenen kavramları temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemeyi atlayan isteğe bağlı bire bir başlık (nms=False) sunar; bu da tüm dağıtım donanımlarında daha düşük ve daha öngörülebilir gecikme sağlar.
• CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kayıp (DFL) dalını tamamen kaldıran YOLO26, güçlü GPU'lardan yoksun uç bilişim cihazları için özel olarak optimize edilmiştir.
• MuSGD Optimize Edicisi: Büyük dil modeli (LLM) eğitim tekniklerinden ilham alan YOLO26, dikkat çekici ölçüde kararlı ve hızlı eğitim yakınsaması sağlamak için hibrit bir MuSGD optimize edicisi kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, otonom robotik ve drone tabanlı analizler için kritik olan küçük ve yoğun biçimde örtülmüş nesnelerin tanınmasında kayda değer iyileşmeler sağlar.

Kanıtlanmış YOLOv8 güvenilirliğine, YOLO11'in optimize edilmiş mimarisine veya YOLO26'nın yeni nesil yeteneklerine güveniyor olsan da Ultralytics Platform, görüntü yapay zekâ uygulamalarını fikir aşamasından üretime sorunsuzca taşıman için gereken araçları sunar. Modellerini kurumsal iş akışlarına ve analiz panolarına bağlamak için kullanılabilen kapsamlı entegrasyonları keşfetmeyi unutma.