YOLO11 ve YOLOv8#

Bilgisayarlı görü alanı, nesne algılama mimarilerinin sürekli gelişimiyle kayda değer ilerlemelere tanık oldu. Gerçek dünyada dağıtım için modeller değerlendirilirken geliştiriciler genellikle Ultralytics YOLO11 ile son derece başarılı önceki sürümü Ultralytics YOLOv8 arasındaki güçlü yönleri 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 amacıyla bu modellerin mimarilerini, eğitim metodolojilerini ve ideal kullanım alanlarını derinlemesine analiz eder.

Mimari Yenilikler#

YOLOv8'den YOLO11'e geçiş, özellik çıkarma verimliliğini en üst düzeye çıkarırken hesaplama yükünü en aza indirmeyi amaçlayan çeşitli temel mimari iyileştirmeler getirdi.

YOLO11 Mimarisi#

YOLO11, parametre kullanımını optimize etme konusunda önemli bir ilerlemeyi temsil eder. Geleneksel C2f modüllerini, parametre sayısını şişirmeden uzamsal özellik işlemeyi geliştiren gelişmiş C3k2 bloklarıyla değiştirir. Ayrıca YOLO11, omurgasına C2PSA (Aşamalar Arası Kısmi Uzamsal Dikkat) modülünü ekler. Bu dikkat mekanizması, modelin kritik ilgi bölgelerine odaklanmasını sağlayarak küçük nesne algılamayı ve karmaşık örtüşmeleri ele alma becerisini önemli ölçüde geliştirir.

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

YOLOv8 Mimarisi#

Bir yıl önce piyasaya sürülen YOLOv8, sabit referans kutularını elle ayarlama gereksinimini ortadan kaldıran ve kayıp formülasyonunu basitleştiren, sabit referans kutusu kullanmayan algılama başlığına geçişe öncülük etti. Mimarisi büyük ölçüde, ağ derinliği ile gradyan akışı arasında başarılı bir denge kuran C2f bloğuna dayanır; bu da onu çok çeşitli bilgisayarlı görü uygulamalarında son derece dayanıklı kılar.

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

Performans ve Karşılaştırmalı Testler#

Modelleri Raspberry Pi gibi uç cihazlara veya NVIDIA TensorRT çalıştıran yüksek performanslı sunuculara dağıtırken hız ve doğruluk arasındaki ödünleşimi anlamak kritik önem taşır. Aşağıdaki tablo, YOLO11'in tüm boyut varyantlarında YOLOv8'den sürekli olarak daha iyi performans gösterdiğini ortaya koyar.

Metriklerin Analizi#

YOLO11, Ortalama Kesinlik (mAP) değerini belirgin biçimde artırırken hem parametre sayısını hem de Kayan Noktalı İşlem (FLOPs) miktarını aynı anda azaltır. Örneğin YOLO11m modeli, YOLOv8m'den %22 daha az parametre gerektirirken COCO veri kümesinde %1,3 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 haline getirir.

Ultralytics Ekosisteminin Avantajı#

YOLO11'i veya YOLOv8'i seçmenden bağımsız olarak 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 yalın bir API sunar. Bu, PyTorch içinde derin öğrenme ortamları kurmayla ilişkili tipik karmaşıklıkları soyutlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ağır Vision Transformer'ların (örneğin RT-DETR) aksine, Ultralytics YOLO modelleri eğitim sırasında düşük bellek kullanımıyla 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 Görevleri Arasında Çok Yönlülük#

Hem YOLO11 hem de YOLOv8 gerçek çok görevli öğrenicilerdir. Standart sınırlayıcı kutu nesne algılamanın ötesinde, yerel olarak örnek segmentasyonunu, görüntü sınıflandırmayı, insan poz tahminini ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) desteklerler.

Kullanım Alanları ve Öneriler#

YOLO11 ile YOLOv8 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOv8 Ne Zaman Seçilmeli?#

YOLOv8 şu durumlarda önerilir:

• Çok Görevli Çok Yönlü Dağıtım: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Kurulu Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve kapsamlı biçimde test edilmiş dağıtım işlem 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?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Kod Örneği: Başlarken#

Bir Ultralytics modelini dağıtmak ve eğitmek son derece sezgiseldir. Aşağıdaki örnek, önceden eğitilmiş bir YOLO11 modelinin nasıl yükleneceğini, özel bir veri kümesi üzerinde ince ayarının nasıl yapılacağını ve uç dağıtımı için Apple CoreML kullanılarak 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")

Geleceğe Bakış: YOLO26 ile Uç Yapay Zekânın Zirvesi#

YOLO11 olgun ve son derece yetkin bir mimariyi temsil etse de yapay zekâ inovasyonunun hızlı temposu devam ediyor. Performansta mutlak anlamda en ileri düzeyi gerektiren yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) nihai öneridir.

YOLO26, birçok çığır açıcı özellikle bilgisayarlı görünün sınırlarını zorluyor:

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile incelenen kavramlar üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırır ve tüm dağıtım donanımlarında daha düşük, daha öngörülebilir gecikme sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıp (DFL) dalını tamamen kaldıran YOLO26, özellikle güçlü GPU'ları bulunmayan uç bilişim cihazları için optimize edilmiştir.
• MuSGD Optimize Edicisi: Büyük dil modeli (LLM) eğitim tekniklerinden ilham alan YOLO26, son derece kararlı ve hızlı bir eğitim yakınsaması sağlayan hibrit bir MuSGD optimize edicisi kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, otonom robotik ve drone tabanlı analizler için kritik önem taşıyan küçük ve yoğun biçimde örtüşen nesnelerin tanınmasında kayda değer iyileştirmeler sağlar.

İster YOLOv8'in kanıtlanmış güvenilirliğine, ister YOLO11'in optimize edilmiş mimarisine, ister YOLO26'nın yeni nesil yeteneklerine güven, Ultralytics Platformu yapay zekâ destekli görüntü uygulamalarını kavramdan üretime sorunsuzca taşımak için gereken araçlara sahip olmanı sağlar. Modellerini kurumsal iş akışlarına ve analiz panolarına bağlamak için sunulan kapsamlı entegrasyonları mutlaka incele.