Ultralytics YOLO27:

YOLOv10 ve RTDETRv2#

Bilgisayarlı görü dünyası baş döndürücü bir hızla ilerliyor; yeni mimariler gerçek zamanlı nesne algılamada son teknoloji anlayışını sürekli yeniden tanımlıyor. Bu evrimdeki iki önemli kilometre taşı YOLOv10 ve RTDETRv2'dir. Her iki model de Maksimum Olmayan Bastırma (NMS) son işleme adımına duyulan ihtiyacı ortadan kaldırarak geleneksel algılama işlem hatlarındaki temel bir darboğazı çözmeyi amaçlıyor, ancak bu zorluğa tamamen farklı mimari yaklaşımlarla çözüm getiriyor.

Bu teknik karşılaştırma, geliştiricilerin ve araştırmacıların bir sonraki görsel yapay zekâ projeleri için doğru aracı seçmelerine yardımcı olmak üzere mimarilerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını derinlemesine analiz eder.

YOLOv10: NMS'siz Öncü#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, mimari verimliliğe ve son işleme darboğazlarının ortadan kaldırılmasına büyük ölçüde odaklanır. NMS'siz eğitim için tutarlı ikili atamaları kullanıma sunarak çıkarım gecikmesini önemli ölçüde azaltırken rekabetçi bir performans elde eder.

Teknik Özellikler#

Mimari ve Yöntemler#

YOLOv10'un temel atılımı, bütüncül ve verimlilik-doğruluk odaklı model tasarımıdır. Her iki bakış açısından çeşitli bileşenleri optimize ederek hesaplama yükünü büyük ölçüde azaltır. Tutarlı ikili atama stratejisi, modelin NMS'ye dayanmadan eğitilmesini sağlar; bu da uçtan uca, kolaylaştırılmış bir dağıtım işlem hattına dönüşür. Bu yaklaşım, son işleme işlemlerinin beklenmedik gecikmelere yol açabildiği ONNX veya TensorRT gibi uç formatlara model aktarılırken özellikle faydalıdır.

Güçlü ve Zayıf Yönler#

Model, özellikle daha küçük varyantlarda (N ve S), hız-doğruluk açısından olağanüstü dengeler sunar. Düşük gecikme süresi, onu yüksek hızlı uç ortamları için ideal kılar. Ancak YOLOv10 ham algılama hızında üstün olsa da yalnızca algılamaya yönelik özelleştirilmiş bir model olmaya devam eder. Örnek bölütleme veya poz tahmini gerektiren ekiplerin daha çok yönlü çerçevelere yönelmesi gerekir.

YOLOv10 hakkında daha fazla bilgi edin

RTDETRv2: Algılama Transformer'ını Geliştirmek#

Özgün Gerçek Zamanlı Algılama Transformer'ını temel alan RTDETRv2, temel modelini geliştirmek için bir "ücretsiz iyileştirmeler bütünü" kullanır ve Transformer'ların gerçek zamanlı senaryolarda CNN'lerle rekabet edebileceğini gösterir.

Teknik Özellikler#

Mimari ve Yöntemler#

RTDETRv2, görsel özellik çıkarımı için Evrişimli Sinir Ağı (CNN) omurgasını kapsamlı sahne anlayışı için bir Transformer kodlayıcı-kod çözücüyle birleştiren hibrit bir mimari kullanır. Transformer'ın öz-dikkat mekanizması, modelin görüntüyü küresel olarak görmesini sağlar; bu da modeli karmaşık sahneleri, üst üste binen nesneleri ve yoğun kalabalıkları ele almada son derece etkili kılar.

Güçlü ve Zayıf Yönler#

Transformer mimarisi, özellikle daha büyük parametre ölçeklerinde mükemmel doğruluk sağlar ve son algılamaları yerel olarak NMS olmadan üretir. Ancak bunun bir bedeli vardır. Transformer modelleri, eğitim sırasında geleneksel olarak önemli ölçüde daha fazla CUDA belleği gerektirir ve saf CNN mimarilerine kıyasla yakınsamaları daha yavaş olabilir. RTDETRv2 çıkarım hızlarını iyileştirmiş olsa da genellikle hafif YOLO varyantlarından daha fazla bellek tüketir.

RTDETRv2 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Performans metriklerini değerlendirmek, her modelin hangi alanlarda öne çıktığına dair daha net bir tablo sunar. Aşağıdaki tablo, COCO veri kümesi üzerindeki yeteneklerini vurgular:

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Veriler incelendiğinde YOLOv10, benzer boyutlar arasında parametre verimliliği ve TensorRT çıkarım hızı açısından belirgin üstünlüğünü korur. RTDETRv2-x, doğrulukta büyük YOLOv10x ile eşleşir; ancak yaklaşık 20 milyon daha fazla parametreye ve önemli ölçüde daha yüksek FLOPs değerine ihtiyaç duyar.

Kullanım Alanları ve Öneriler#

YOLOv10 ile RT-DETR arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

  • NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Dengeli Hız-Doğruluk Dengesi: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlarda önerilir:

  • Transformer Tabanlı Tespit Araştırması: NMS olmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Esnek Gecikmeyle Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en yüksek öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

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.

Ultralytics Avantajı: Ekosistem ve İnovasyon#

YOLOv10 ve RTDETRv2 güçlü algılama yetenekleri sunsa da model seçimi çoğu zaman onu çevreleyen yazılım ekosistemiyle ilgilidir. Ultralytics Platformu, derin öğrenmenin karmaşıklıklarını soyutlayan kusursuz ve birleşik bir arayüz sunar.

Yeni Standart: Ultralytics YOLO26#

En iyi performansı arayan geliştiriciler için Ultralytics YOLO26, son mimari gelişmelerin doruk noktasını temsil eder. 2026'nın başlarında yayımlanan YOLO26, YOLOv10'un öncülük ettiği Uçtan Uca NMS'siz Tasarım yaklaşımını devralır ve daha hızlı, daha basit dağıtım için NMS son işlemesini tamamen ortadan kaldırır.

Neden YOLO26'yı Seçmelisin?

YOLO26, MuSGD Optimize Edicisi (SGD ve Muon'un hibriti) aracılığıyla LLM eğitim yeniliklerini bilgisayarlı görüye taşır; bunun sonucunda daha kararlı eğitim ve daha hızlı yakınsama elde edilir. Ayrıca %43'e Kadar Daha Hızlı CPU Çıkarımı sunarak uç bilişim için en iyi seçenek hâline gelir.

Ayrıca YOLO26, küçük nesne tanımada kayda değer iyileştirmeler için ProgLoss + STAL sunar ve özelleştirilmiş YOLOv10'un aksine olağanüstü çok yönlülük sağlar. Yerel olarak nesne algılama, bölütleme, poz ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler; anlamsal bölütleme kaybı ve poz için Artık Günlük Olabilirlik Tahmini (RLE) gibi göreve özgü iyileştirmeler sunar. Ayrıca Dağılımsal Odak Kayıbının (DFL) kaldırılması, aktarımı basitleştirir ve düşük güç tüketimli cihazlarla uyumluluğu artırır.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Ultralytics YOLO11 gibi eski nesil modelleri veya en yeni YOLO26'yı deniyor olsan da kolaylaştırılmış Python API'si eğitim sırasında daha düşük bellek kullanımı ve son derece hızlı iş akışları sağlar.

from ultralytics import RTDETR, YOLO

# Train the end-to-end YOLOv10 model
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Alternatively, evaluate RTDETR within the same API
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

Bakımı iyi yapılan ekosistem, kolay hiperparametre ayarı için araçlar sunar ve kapsamlı izleme çözümleriyle model dağıtım seçenekleri ile sorunsuz biçimde entegre olur.

Sonuç#

Hem YOLOv10 hem de RTDETRv2, NMS'siz nesne algılama arayışında önemli kilometre taşlarını temsil eder. RTDETRv2, daha yüksek bellek gereksinimlerine rağmen Transformer'ların mükemmel küresel bağlam kavrayışıyla gerçek zamanlı gecikme elde edebileceğini kanıtlar. YOLOv10 ise kaynakları kısıtlı algılama görevleri için tasarlanmış, son derece verimli ve hızlı bir CNN alternatifi sunar.

Ancak dengeli performans, çok görevli çok yönlülük ve en olgun ekosistem için geliştiricilerin Ultralytics YOLO26'dan yararlanması önemle tavsiye edilir. YOLO26, önceki modellerinin mimari yeniliklerini, görsel yapay zekâ dağıtımını sorunsuz bir gerçekliğe dönüştüren güçlü ve kullanıcı dostu araçlarla başarılı biçimde birleştirir.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1

Yorumlar