Ultralytics YOLO27:
Get Started

YOLOv10 ve RTDETRv2#

Bilgisayarlı görü alanı baş döndürücü bir hızla ilerliyor; yeni mimariler gerçek zamanlı nesne algılamada son teknoloji düzeyini sürekli yeniden tanımlıyor. Bu gelişimin iki önemli dönüm noktası YOLOv10 ve RTDETRv2'dir. Her iki model de Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırarak geleneksel algılama işlem hatlarındaki temel bir darboğazı çözmeyi amaçlar; ancak bu zorluğa tamamen farklı mimari yaklaşımlarla çözüm getirir.

Bu teknik karşılaştırma, geliştiricilerin ve araştırmacıların sonraki görüntü yapay zekâ projeleri için doğru aracı seçmelerine yardımcı olmak üzere mimarileri, eğitim yöntemlerini ve ideal dağıtım senaryolarını derinlemesine inceler.

YOLOv10: NMS Gerektirmeyen Algılamanın Öncüsü#

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, mimari verimliliğe ve son işleme darboğazlarını ortadan kaldırmaya büyük ölçüde odaklanır. NMS gerektirmeyen eğitim için tutarlı çift atamalar sunarak çıkarım gecikmesini önemli ölçüde düşürürken rekabetçi performans elde eder.

Teknik Özellikler#

Mimari ve Yöntemler#

YOLOv10'un başlıca yeniliği, verimlilik ve doğruluğu bütüncül biçimde ele alan model tasarımıdır. Hesaplama yükünü önemli ölçüde azaltmak için çeşitli bileşenleri her iki açıdan da optimize eder. Tutarlı çift atama stratejisi, modelin NMS'ye dayanmadan eğitilmesini sağlayarak dağıtım sürecini uçtan uca kolaylaştırır. Bu, özellikle ONNX veya TensorRT gibi uç biçimlere model aktarırken faydalıdır; çünkü son işleme işlemleri beklenmedik gecikmelere neden olabilir.

Güçlü ve Zayıf Yönler#

Model, özellikle daha küçük sürümlerinde (N ve S) hız ile doğruluk arasında olağanüstü bir denge sunar. Düşük gecikmesi, onu yüksek hızlı uç ortamları için ideal kılar. Ancak YOLOv10 ham algılama hızında öne çıksa da yalnızca algılama için tasarlanmış özel bir model olmaya devam eder. Örnek segmentasyonu veya poz tahmini gerektiren ekiplerin daha çok yönlü çerçevelere yönelmesi gerekir.

YOLOv10 hakkında daha fazla bilgi edin

RTDETRv2: Algılama Transformer'ını Geliştirme#

Orijinal Gerçek Zamanlı Algılama Transformer'ının üzerine inşa edilen RTDETRv2, temel performansı iyileştirmek için bir dizi ek yöntem içerir ve Transformer'ların gerçek zamanlı senaryolarda CNN'lerle rekabet edebileceğini gösterir.

Teknik Özellikler#

Mimari ve Yöntemler#

RTDETRv2, görsel özellikleri çıkarmak için bir Evrişimli Sinir Ağı (CNN) omurgasını kapsamlı sahne anlayışı sağlayan bir Transformer kodlayıcı-kod çözücüsüyle birleştiren hibrit bir mimari kullanır. Transformer'ın öz dikkat mekanizması, modelin görüntüyü bütünsel olarak incelemesini sağlar; bu da modeli karmaşık sahneleri, örtüşen nesneleri ve kalabalık grupları ele almada son derece etkili kılar.

Güçlü ve Zayıf Yönler#

Transformer mimarisi, özellikle daha büyük parametre ölçeklerinde mükemmel doğruluk sunar ve NMS olmadan nihai tespitleri doğrudan üretir. Ancak bunun bir bedeli vardır. Transformer modelleri, eğitim sırasında geleneksel olarak çok daha fazla CUDA belleği gerektirir ve saf CNN mimarilerine kıyasla yakınsamaları daha uzun sürebilir. 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 çıktığını daha net gösterir. Aşağıdaki tablo, modellerin COCO veri kümesindeki yeteneklerini özetler:

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

Veriler incelendiğinde YOLOv10, benzer boyutlarda parametre verimliliği ve TensorRT çıkarım hızı açısından istikrarlı bir üstünlük sağlar. RTDETRv2-x, doğruluk bakımından YOLOv10x ile eşleşir ancak 2,5 kattan fazla parametre (76M'ye karşı 29,5M) ve önemli ölçüde daha yüksek FLOP gerektirir.

Kullanım Alanları ve Öneriler#

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

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: 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 Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
  • Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
  • Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

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.

Ultralytics'in Avantajı: Ekosistem ve Yenilik#

YOLOv10 ve RTDETRv2 güçlü tespit yetenekleri sunsa da model seçimi çoğu zaman onu çevreleyen yazılım ekosistemiyle ilgilidir. Ultralytics Platform, derin öğrenmenin karmaşıklıklarını ortadan kaldıran, sorunsuz ve birleşik bir arayüz sunar.

Yeni Standart: Ultralytics YOLO26#

En iyi performansı arayan geliştiriciler için Ultralytics YOLO26, mimarideki yakın dönem gelişmelerin doruk noktasını temsil eder. 2026'nın başında yayımlanan YOLO26, YOLOv10'un öncülük ettiği Uçtan Uca, NMS'siz Tasarımı isteğe bağlı bir başlık olarak devralır (nms=False) ve daha hızlı, daha basit dağıtım için NMS son işlem adımını ortadan kaldırır.

YOLO26'yı Neden Seçmelisin?

YOLO26, MuSGD Optimizer (SGD ve Muon'un birleşimi) aracılığıyla LLM eğitim yeniliklerini bilgisayarlı görüye taşır; böylece eğitim daha kararlı olur ve yakınsama hızlanır. Ayrıca %43'e kadar Daha Hızlı CPU Çıkarımı sunarak uç bilişim için öne çıkan bir seçenek hâline gelir.

Ayrıca YOLO26, küçük nesne tanımada kayda değer iyileştirmeler sağlayan ProgLoss + STAL özelliklerini sunar ve özelleşmiş YOLOv10'dan farklı olarak son derece çok yönlüdür. YOLO26, anlamsal segmentasyon kaybı ve poz için Residual Log-Likelihood Estimation (RLE) gibi göreve özgü iyileştirmelerle nesne tespiti, segmentasyon, poz ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler. Ayrıca Distribution Focal Loss (DFL) kaldırılarak dışa aktarma basitleştirilir ve düşük güçlü cihazlarla uyumluluk artırılır.

Kullanım Kolaylığı ve Eğitim Verimliliği#

İster Ultralytics YOLO11 gibi önceki nesil modelleri ister en yeni YOLO26'yı deniyor ol, verimli Python API'si eğitim sırasında bellek kullanımını azaltır ve iş akışlarını son derece hızlandırır.

from ultralytics import RTDETR, YOLO

# Uçtan uca YOLOv10 modelini eğit
model_yolo = YOLO("yolov10n.pt")
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Alternatif olarak RTDETR'yi aynı API içinde değerlendir
model_rtdetr = RTDETR("rtdetr-l.pt")
results = model_rtdetr.predict("https://ultralytics.com/images/bus.jpg")

Bakımı düzenli yapılan ekosistem, kolay hiperparametre ayarlaması için araçlar sunar ve kapsamlı izleme çözümleriyle model dağıtım seçenekleri ile sorunsuz biçimde bütünleşir.

Sonuç#

YOLOv10 ve RTDETRv2, NMS'siz nesne tespiti arayışında önemli kilometre taşlarıdır. RTDETRv2, Transformer'ların daha yüksek bellek gereksinimlerine rağmen gerçek zamanlı gecikme ve güçlü küresel bağlam kavrayışı sunabileceğini gösterir. YOLOv10 ise kaynakları kısıtlı tespit görevleri için tasarlanmış, son derece verimli ve hızlı bir CNN alternatifi sunar.

Ancak dengeli performans, çoklu görev esnekliği ve en olgun ekosistem için geliştiricilerin Ultralytics YOLO26'dan yararlanması önemle tavsiye edilir. YOLO26, önceki modellerin mimari yeniliklerini, görüntü yapay zekâsının sorunsuz biçimde dağıtılmasını sağlayan güçlü ve kullanımı kolay araçlarla bir araya getirir.

Katkıda Bulunanlar
GLglenn-jocher18PDpderrenger1

Yorumlar