YOLOv10 - YOLO11 karşılaştırması: Nesne Tespiti için Teknik Bir Karşılaştırma
Optimal nesne algılama modelini seçmek, doğruluk, hız ve dağıtım kısıtlamalarını dengeleyen kritik bir karardır. Bu sayfa, uçtan uca verimliliğe odaklanan bir model olan YOLOv10 ile çok yönlülüğü, performansı ve kullanım kolaylığı ile ünlü Ultralytics'in en son teknoloji modeli olan Ultralytics YOLO11 arasında kapsamlı bir teknik karşılaştırma sunmaktadır. Bilinçli bir seçim yapmanıza yardımcı olmak için mimari farklılıklarını, performans kıyaslamalarını ve ideal uygulamalarını inceleyeceğiz.
YOLOv10: Verimliliğin Sınırlarını Zorlamak
Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri
Kuruluş: Tsinghua Üniversitesi
Tarih: 2024-05-23
Arşiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
Belgeler: https://docs.ultralytics.com/models/yolov10/
Mayıs 2024'te tanıtılan YOLOv10, gerçek zamanlı, uçtan uca performansa öncelik veren bir nesne algılama modelidir. Temel yeniliği, geleneksel olarak çıkarım gecikmesine katkıda bulunan işlem sonrası sırasında Non-Maximum Suppression (NMS) uygulamasının ortadan kaldırılmasıdır. Bu, tutarlı ikili atamalar adı verilen yeni bir eğitim stratejisi ile sağlanır.
Mimari ve Temel Özellikler
YOLOv10'un tasarımı, verimlilik ve doğruluğa yönelik bütünsel bir yaklaşımla yönlendirilir. Hesaplama fazlalığını azaltmak ve modelin yeteneğini geliştirmek için çeşitli mimari optimizasyonlar sunar. Temel özellikler arasında hafif bir sınıflandırma başlığı ve bilgileri daha etkili bir şekilde korumak için uzamsal-kanal ayrışık alt örnekleme stratejisi bulunur. YOLOv10, NMS adımını kaldırarak dağıtım hattını basitleştirmeyi ve gecikmeyi azaltmayı amaçlayarak onu gerçek bir uçtan uca dedektör haline getirir.
Güçlü Yönler
- Gelişmiş Verimlilik: Özellikle kaynak kısıtlı ortamlarda, gecikme-doğruluk ve boyut-doğruluk dengelerinde etkileyici performans gösterir.
- NMS'siz Tasarım: NMS son işlem adımının ortadan kaldırılması, dağıtımı basitleştirir ve uçtan uca çıkarım süresini azaltır.
- Son Teknoloji Araştırması: İşlem sonrası darboğazları ele alarak gerçek zamanlı nesne algılamaya önemli bir akademik katkıyı temsil eder.
Zayıflıklar
- Daha Yeni Model: Bir üniversite araştırma ekibinin yakın zamanda yayınladığı bir model olduğu için, köklü Ultralytics ekosistemine kıyasla daha küçük bir topluluğa ve daha az üçüncü taraf entegrasyonuna sahiptir.
- Görev Uzmanlığı: YOLOv10 öncelikli olarak nesne algılama üzerine odaklanmıştır. YOLO11'e özgü olan segmentasyon, sınıflandırma ve poz tahmini gibi diğer görme görevleri için yerleşik çok yönlülükten yoksundur.
- Ekosistem Entegrasyonu: Ultralytics çerçevesi üzerine inşa edilmiş olmasına rağmen, doğrudan Ultralytics tarafından geliştirilen ve sürdürülen modellere kıyasla, kapsamlı MLOps iş akışlarına entegre etmek ek çaba gerektirebilir.
İdeal Kullanım Senaryoları
YOLOv10, düşük gecikme süresi ve hesaplama verimliliğinin en yüksek öncelikler olduğu uygulamalar için özellikle uygundur:
- Edge AI: NVIDIA Jetson veya Raspberry Pi üzerindeki cep telefonları ve gömülü sistemler gibi sınırlı işlem gücüne sahip cihazlara dağıtım için idealdir.
- Yüksek Hızlı İşleme: Otonom dronlar ve robotik gibi çok hızlı çıkarım gerektiren uygulamalar için uygundur.
- Gerçek Zamanlı Analiz: Trafik yönetimi gibi anında nesne algılamaya ihtiyaç duyan hızlı tempolu ortamlar için mükemmeldir.
YOLOv10 hakkında daha fazla bilgi edinin
Ultralytics YOLO11: Çok Yönlülük ve Performansın En Son Noktası
Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolo11/
Ultralytics YOLO11, Ultralytics'in YOLO serisindeki en son evrimdir ve YOLOv8 gibi oldukça popüler modellerin başarısı üzerine inşa edilmiştir. Son teknoloji doğruluğu ve üstün bir performans dengesi sunmak üzere tasarlanmıştır, tüm bunlar inanılmaz derecede kolay kullanılır ve entegre edilebilirken. YOLO11 sadece bir nesne tespit aracı değil, aynı zamanda kapsamlı bir vizyon yapay zeka çerçevesidir.
Mimari ve Temel Özellikler
YOLO11, gelişmiş özellik çıkarma ve akıcı bir ağ tasarımına sahip, yüksek düzeyde optimize edilmiş bir mimariye sahiptir. Bu, genellikle öncekilere kıyasla daha az parametre sayısıyla daha yüksek doğruluk sağlar. YOLO11'in temel bir avantajı çok yönlülüğüdür. Yerel olarak nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere çok çeşitli görevleri destekler.
Bu çok yönlülük, iyi yönetilen bir ekosistem tarafından desteklenmektedir. Ultralytics, basit bir Python API ve CLI, kapsamlı belgeler ve kodsuz eğitim ve dağıtım için Ultralytics HUB gibi araçlarla sorunsuz entegrasyon ile kolaylaştırılmış bir kullanıcı deneyimi sağlar. Model, verimli eğitim süreçlerinden, kolayca erişilebilen önceden eğitilmiş ağırlıklardan, aktif geliştirmeden ve güçlü topluluk desteğinden yararlanır. Ayrıca, YOLO11 modelleri verimlilik için tasarlanmıştır ve özellikle transformatör tabanlı modellere kıyasla eğitim ve çıkarım sırasında daha az bellek gerektirir.
Güçlü Yönler
- Son Teknoloji Performans: Hız ve doğruluk arasında mükemmel bir denge ile en üst düzey mAP skorları elde eder.
- Çok Yönlü ve Çoklu Görev: Tek bir model çerçevesi, algılama, segmentasyon, sınıflandırma, poz ve OBB'yi işleyebilir ve karmaşık projeler için benzersiz esneklik sağlar.
- Kullanım Kolaylığı: Basit, sezgisel bir API ve kapsamlı dokümantasyon, onu hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar.
- Sağlam Ekosistem: Aktif geliştirme, sık güncellemeler, güçlü topluluk desteği ve Ultralytics HUB gibi MLOps araçlarıyla sorunsuz entegrasyondan faydalanır.
- Eğitim ve Dağıtım Verimliliği: Verimli eğitim iş akışları, daha düşük bellek gereksinimleri sunar ve uç cihazlardan bulut sunucularına kadar çok çeşitli donanımlar için optimize edilmiştir.
Zayıflıklar
- Tek aşamalı bir tespit aracı olarak, bazı özel iki aşamalı tespit araçlarına kıyasla aşırı küçük nesnelerle ilgili zorluklarla karşılaşabilir.
- Daha büyük modeller, yüksek doğruluklu olmalarına rağmen, eğitim ve dağıtım için önemli miktarda işlem kaynağı gerektirir.
İdeal Kullanım Senaryoları
YOLO11'in yüksek performans, çok yönlülük ve kullanım kolaylığı kombinasyonu, onu geniş bir gerçek dünya uygulaması yelpazesi için ideal bir seçim haline getirir:
- Endüstriyel Otomasyon: Üretimde yüksek hassasiyetli kalite kontrolü ve süreç takibi için.
- Sağlık Hizmetleri: Tümör tespiti veya hücre segmentasyonu gibi görevler için tıbbi görüntü analizinde.
- Güvenlik ve Gözetim: Gerçek zamanlı tehdit algılama ve takibi ile gelişmiş güvenlik sistemlerine güç sağlar.
- Perakende Analitiği: Envanter yönetimini iyileştirme ve müşteri davranışını analiz etme.
- Çoklu Görev Projeleri: Gelişmiş sürücü destek sistemleri gibi eş zamanlı nesne algılama, segmentasyon ve poz tahmini gerektiren uygulamalar için mükemmeldir.
YOLO11 hakkında daha fazla bilgi edinin
Performans Karşılaştırması: YOLOv10 - YOLO11
Modelleri doğrudan karşılaştırırken, belirgin denge noktaları gözlemliyoruz. YOLOv10 modelleri, özellikle daha küçük varyantlar, genellikle daha az parametreye ve FLOP'a sahip olarak aşırı verimlilik için tasarlanmıştır. Bu, onları gecikme açısından kritik görevler için güçlü rakipler yapar.
Ancak, YOLO11 daha sağlam ve dengeli bir performans profili sergiliyor. Çoğu model boyutunda biraz daha yüksek mAP elde ediyor ve hem CPU hem de GPU'da (T4 TensorRT) önemli ölçüde daha hızlı çıkarım hızları gösteriyor. Bu üstün hız-doğruluk dengesi, çoklu görev yetenekleri ve olgun ekosistemi ile birleştiğinde, YOLO11'i çoğu geliştirme ve dağıtım senaryosu için daha pratik ve güçlü bir seçim haline getiriyor.
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4 TensorRT10 (ms) |
parametreler (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Sonuç: Hangi Modeli Seçmelisiniz?
Hem YOLOv10 hem de YOLO11, nesne algılama sınırlarını zorlayan güçlü modellerdir.
YOLOv10, NMS'siz mimarinin belirgin bir avantaj sağladığı, özel, gecikme süresinin kritik olduğu uygulamalara odaklanan araştırmacılar ve geliştiriciler için mükemmel bir seçimdir. Yalın tasarımı, yüksek oranda kısıtlı uç cihazlarda dağıtım için idealdir.
Ancak, geliştiricilerin, araştırmacıların ve ticari uygulamaların büyük çoğunluğu için Ultralytics YOLO11 önerilen seçimdir. Doğruluktaki hafif üstünlüğü ve üstün çıkarım hızı, daha iyi bir genel performans dengesi sağlar. Daha da önemlisi, YOLO11'in birden fazla görüntü işleme görevindeki benzersiz çok yönlülüğü, kullanım kolaylığı ve sağlam, iyi yönetilen Ultralytics ekosistemi ile birleştiğinde, geliştirmeyi önemli ölçüde hızlandırır ve dağıtımı basitleştirir. Aktif topluluk, kapsamlı dokümantasyon ve Ultralytics HUB gibi araçlarla sorunsuz entegrasyon, YOLO11'i sadece bir model değil, aynı zamanda gelişmiş görüntü işleme yapay zeka uygulamaları oluşturmak için eksiksiz bir çözüm haline getirir.
Diğer modelleri araştırıyorsanız, evrimi anlamak ve projeniz için mükemmel uyumu bulmak için YOLOv9 - YOLO11 veya YOLOv8 - YOLO11 arasındaki karşılaştırmalara bakmayı düşünebilirsiniz.
