Link to this sectionYOLOv10 ve YOLO11#
Bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler gerçek zamanlı işlemede mümkün olanın sınırlarını zorluyor. Bu hızlı alanda yol alan geliştiriciler ve araştırmacılar için, en güncel modeller arasındaki nüansları anlamak çok önemlidir. Bu detaylı karşılaştırma, son derece yetenekli iki nesne algılama çerçevesi olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farklılıkları, performans takaslarını ve ideal kullanım senaryolarını inceliyor.
Her iki model de kıyaslama veri setlerinde dikkat çekici sonuçlar elde etse de, temel tasarım felsefeleri ve ekosistem entegrasyonları önemli ölçüde farklılık gösterir. Mimarilerini inceleyerek, hangi çözümün dağıtım kısıtlamalarına ve proje hedeflerine en uygun olduğunu belirleyebiliriz.
Link to this sectionYOLOv10: Öncü NMS'siz Uçtan Uca Algılama#
2024 baharında piyasaya sürülen YOLOv10, son işleme (post-processing) ile ilişkili gecikme yükünü doğrudan ele alarak geleneksel nesne algılama hattına yeni bir yaklaşım getirdi.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Organizasyon: Tsinghua Üniversitesi
- Tarih: 23 Mayıs 2024
- Araştırma Makalesi: arXiv:2405.14458
- Kaynak Kod: GitHub üzerinde THU-MIG/yolov10
- Dokümantasyon: YOLOv10 Dokümanları
YOLOv10'un öne çıkan yeniliği, NMS'siz eğitime olanak tanıyan tutarlı ikili atama stratejisidir. Geleneksel nesne algılayıcıları, gereksiz sınırlayıcı kutu (bounding box) tahminlerini filtrelemek için büyük ölçüde Non-Maximum Suppression (NMS) yöntemine güvenir. Bu adımı kaldırarak, YOLOv10 gerçek uçtan uca algılama sağlar; bu da çıkarım gecikmesini azaltır ve özel NMS işlemlerinin optimize edilmesinin son derece zor olduğu Neural Processing Units (NPUs) gibi donanım hızlandırıcılarında dağıtımı basitleştirir.
YOLOv10 hakkında daha fazla bilgi edin
Link to this sectionYOLO11: Ekosistem Destekli Çok Yönlülük ve Performans#
Aynı yılın ilerleyen dönemlerinde kullanıma sunulan YOLO11, hız, doğruluk ve geliştirici deneyiminin en uygun dengesine odaklanarak Ultralytics model ailesinin sürekli gelişimini temsil eder.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 27 Eylül 2024
- Kaynak Kod: GitHub üzerinde Ultralytics
- Platform Entegrasyonu: Ultralytics Platform
YOLO11 üretime yönelik tasarlanmıştır. Standart sınırlayıcı kutu algılamada mükemmel olsa da, asıl gücü çok yönlülüğünde yatar. Öncelikle nesne algılamaya odaklanan YOLOv10'un aksine YOLO11, birleşik bir mimari kullanarak instance segmentation, pose estimation, image classification ve Oriented Bounding Box (OBB) görevlerini yerel olarak destekler. Eğitim sırasında oldukça düşük bellek gereksinimlerine sahiptir, bu da onu daha ağır, Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPUs ile çalışan ekipler için son derece erişilebilir kılar.
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionPerformans ve Metrik Karşılaştırması#
Bu modelleri yan yana karşılaştırırken, COCO dataset gibi standart kıyaslamalarda farklı ölçek çeşitleri genelinde nasıl performans gösterdiklerine bakmak çok önemlidir.
Aşağıdaki tablo performans farklarını vurgulamaktadır. YOLO11, yüksek rekabetçi TensorRT çıkarım hızlarını korurken, çoğu boyut kategorisinde mAP açısından sıklıkla YOLOv10'un önüne geçmektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (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 |
Bu hızlı çıkarım hızlarını yerel olarak yeniden oluşturmak için modellerini Intel CPU'lar için OpenVINO veya NVIDIA GPU'lar için TensorRT gibi optimize edilmiş formatlara dışa aktardığından emin ol.
Link to this sectionMimari Derinlemesine İnceleme#
Link to this sectionEğitim Metodolojisi ve Verimlilik#
YOLOv10'un mimarisi, hesaplama yedekliliğini azaltmaya vurgu yapar. Tsinghua Üniversitesi'nden araştırmacılar, bütünsel bir verimlilik-doğruluk odaklı strateji kullanarak backbone ve neck tasarımlarını optimize ederek, önceki yinelemelere kıyasla orta seviye modellerde (YOLOv10m gibi) parametre sayısını önemli ölçüde düşürmeyi başardılar.
However, Training Efficiency is a major hallmark of Ultralytics models. YOLO11 utilizes the highly refined ultralytics Python package, which abstracts away complex hyperparameter tuning. This framework automatically handles advanced data augmentations, learning rate scheduling, and multi-GPU distributed training out of the box. YOLO11's architecture also exhibits excellent gradient flow, resulting in faster convergence and lower VRAM usage during the training phase.
Link to this sectionKullanım Kolaylığı ve Ekosistem Avantajı#
Kurumsal benimseme için kritik bir faktör İyi Korunan Ekosistem'dir. Araştırma depoları çığır açıcı olsa da, genellikle ilk makale yayınından sonra atıl hale gelirler. YOLO11'i destekleyen Ultralytics ekosistemi, sorunsuz ve uçtan uca bir geliştirici deneyimi sağlar.
Deney takibi için Weights & Biases ve veri seti yönetimi için Roboflow gibi araçlarla sorunsuz bir şekilde entegre olan YOLO11, prototipten üretime geçişi hızlandırır. Kullanım Kolaylığı, geliştiricilerin sadece birkaç satır kodla modelleri eğitmesine ve dışa aktarmasına olanak tanıyan optimize edilmiş API'de açıkça görülmektedir.
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# Export to ONNX format for deployment flexibility
model.export(format="onnx")Link to this sectionKullanım Durumları ve Öneriler#
YOLOv10 ve YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionNe Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için güçlü bir seçimdir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Link to this sectionYOLO11 Ne Zaman Seçilmeli#
YOLO11 şunlar için önerilir:
- Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.
Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionDiğer Mimarileri Keşfetmek#
YOLOv10 ve YOLO11 mükemmel seçenekler olsa da, özel kullanım senaryon dokümantasyonda bulunan diğer mimarilerden faydalanabilir. Sıralı mantık yürütme için RT-DETR gibi Transformer modelleri yüksek doğruluk sağlar, ancak genellikle daha yüksek bellek gereksinimleri talep ederler. Aksine, yeniden eğitme olmaksızın yeni sınıfları tanımlamak için sıfır-atış (zero-shot) yeteneklerine ihtiyacın varsa, YOLO-World doğal dil komutlarıyla desteklenen açık kelime dağarcıklı bir yaklaşım sunar.
Link to this sectionYeni Nesil: YOLO26#
Mutlak en son teknolojiyi arayan ekipler için, kısa süre önce piyasaya sürülen Ultralytics YOLO26, yukarıda tartışılan her iki modelin de en iyi özelliklerini birleştirir. Ocak 2026'da yayınlanan YOLO26, modern dağıtım senaryoları için nihai öneridir.
Öncüllerinin temelleri üzerine inşa edilen YOLO26, YOLOv10'un ilk kez ele aldığı son işleme darboğazlarını etkili bir şekilde ortadan kaldıran ancak bunu sağlam Ultralytics çerçevesi içinde yapan Uçtan Uca NMS'siz Tasarımı yerel olarak içerir. Ayrıca YOLO26, model dışa aktarma grafiklerini önemli ölçüde basitleştiren ve uç (edge) ile düşük güç tüketen IoT cihazlarıyla uyumluluğu artıran DFL Kaldırma (Distribution Focal Loss) özelliğine sahiptir.
Eğitim kararlılığı, inanılmaz derecede hızlı yakınsama sağlayan, LLM eğitim metodolojilerinden ilham alan hibrit bir yaklaşım olan MuSGD Optimizer'ın tanıtılmasıyla nesiller boyu bir sıçrama yaşamıştır. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleşen YOLO26, küçük nesne tanımada kayda değer iyileştirmeler sunar. Standart uç cihazlarda dağıtım için bu mimari iyileştirmeler, %43'e Kadar Daha Hızlı CPU Çıkarımı sağlayarak YOLO26'yı tüm bilgisayarlı görü görevlerinde benzersiz bir seçenek haline getirir.