Başla

YOLOv10 ile YOLO11

Gerçek zamanlı bir bilgisayarlı görü modeli seçmek, güncel mimariler arasındaki ödünleşimleri anlamayı gerektirir. Bu karşılaştırmada, iki yetkin nesne algılama çatısı olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farklar, performans ödünleşimleri ve ideal kullanım alanları ele alınıyor.

Her iki model de kıyaslama veri kümelerinde güçlü sonuçlar elde ediyor; ancak tasarım felsefeleri ve ekosistem entegrasyonları önemli ölçüde farklı. Mimarilerini incelemek, dağıtım kısıtlarına ve proje hedeflerine hangisinin daha uygun olduğunu gösterir.

YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#

2024 baharında yayımlanan YOLOv10, son işlemeyle ilişkili gecikme ek yükünü doğrudan ele alarak geleneksel nesne tespit işlem hattına yeni bir yaklaşım getirdi.

YOLOv10'un öne çıkan yeniliği, NMS'siz eğitimi mümkün kılan tutarlı çift atama stratejisidir. Geleneksel nesne algılayıcılar, yinelenen sınırlayıcı kutu tahminlerini filtrelemek için Maksimum Olmayan Bastırma (NMS) kullanır. Bu adımı kaldıran YOLOv10, gerçek uçtan uca algılama sunarak çıkarım gecikmesini azaltır ve özel NMS işlemlerinin optimize edilmesinin zor olduğu Sinir İşlem Birimleri (NPU'lar) gibi donanım hızlandırıcılarında dağıtımı basitleştirir.

YOLOv10 hakkında daha fazla bilgi edin

YOLO11: Ekosistem Odaklı Çok Yönlülük ve Performans#

Aynı yılın ilerleyen dönemlerinde piyasaya sürülen YOLO11, hız, doğruluk ve geliştirici deneyimi arasındaki dengeye odaklanarak Ultralytics model ailesini geliştirmeyi sürdürdü.

YOLO11 üretim için tasarlanmıştır. Standart sınırlayıcı kutu algılamada başarılı olsa da asıl gücü çok yönlülüğüdür. Öncelikli olarak nesne algılamaya odaklanan YOLOv10'dan farklı olarak YOLO11, birleşik bir mimariyle örnek segmentasyonu, görüntü sınıflandırmayı, poz tahminini ve Oriented Bounding Box (OBB) görevlerini yerel olarak destekler. Eğitim sırasında düşük bellek gereksinimleri vardır; bu sayede daha ağır, Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPU'larla çalışan ekipler için daha erişilebilirdir.

Performans ve Metrik Karşılaştırması#

Bu modelleri yan yana karşılaştırırken COCO veri kümesi gibi standart kıyaslamalarda farklı ölçek seçeneklerinde nasıl performans gösterdiklerine bakmak önemlidir.

YOLO11, eşleşen her boyutta mAP bakımından YOLOv10'u 0,2 ila 1,0 puan geride bırakırken TensorRT hızları benzer düzeydedir: YOLO11 n ve l ölçeklerinde belirgin biçimde daha hızlıdır, s ve m modelleri neredeyse başa baştır; YOLOv10x ise YOLO11x'ten daha hızlıdır ve yaklaşık yarısı kadar parametre kullanır.

Modelboyut
(piksel)
mAPval50-95Hız
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
Donanım Hızlandırma

Bu çıkarım hızlarını yerel ortamında yeniden elde etmek için modellerini Intel CPU'lar için OpenVINO, NVIDIA GPU'lar için TensorRT gibi optimize edilmiş biçimlere dışa aktardığından emin ol.

Mimarinin Derinlemesine İncelenmesi#

Eğitim Yöntemi ve Verimliliği#

YOLOv10'un mimarisi, hesaplama tekrarlarını azaltmaya odaklanır. Tsinghua Üniversitesi'ndeki yazarlar, bütünsel bir verimlilik-doğruluk odaklı strateji kullanarak omurga ve boyun tasarımlarını optimize etti ve önceki sürümlere kıyasla orta seviye modellerdeki (YOLOv10m gibi) parametre sayısını azalttı.

Eğitim Verimliliği, Ultralytics modellerinin ayırt edici özelliklerinden biridir. YOLO11, karmaşık hiperparametre ayarını soyutlayan ultralytics Python paketini kullanır. Bu çatı; gelişmiş veri artırma işlemlerini, öğrenme oranı zamanlamasını ve çoklu GPU ile dağıtık eğitimi ek bir yapılandırma gerektirmeden otomatik olarak yönetir. YOLO11 ayrıca eğitim sırasında VRAM kullanımını düşük tutar.

Kullanım Kolaylığı ve Ekosistem Avantajı#

Kurumsal ölçekte benimsemede kritik bir unsur, İyi Bakımı Yapılan Ekosistemdir. Araştırma depoları, ilk makale yayımlandıktan sonra çoğu zaman daha az etkin hâle gelir. YOLO11'in arkasındaki Ultralytics ekosistemi, geliştiricilere uçtan uca, etkin biçimde sürdürülen bir deneyim sunar.

YOLO11, deney takibi için Weights & Biases ve veri kümesi yönetimi için Roboflow gibi araçlarla entegre olarak prototipten üretime geçişi hızlandırır. Kullanım Kolaylığı, geliştiricilerin yalnızca birkaç satır kodla model eğitip dışa aktarmasını sağlayan basit API'sinde görülür.

from ultralytics import YOLO

# YOLO11 small modelini başlat
model = YOLO("yolo11s.pt")

# Optimize edilmiş bellek yönetimiyle modeli verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")

# Dağıtım esnekliği için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv10 ile YOLO11 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlarına 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.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için önerilir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

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: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Diğer Mimarileri İnceleme#

YOLOv10 ve YOLO11 mükemmel seçenekler olsa da kullanım alanın belgelerde bulunan başka mimarilerden yarar görebilir. Dikkat tabanlı algılama için RT-DETR gibi Transformer modelleri yüksek doğruluk sunar, ancak genellikle daha fazla bellek gerektirir. Yeniden eğitim yapmadan yeni sınıfları tanımak için sıfır örnekli yeteneklere ihtiyacın varsa YOLO-World, doğal dil komutlarıyla yönlendirilen açık söz varlıklı bir yaklaşım sunar.

Yeni Nesil: YOLO26#

Ocak 2026'da yayımlanan Ultralytics YOLO26, yukarıda ele alınan her iki modelin güçlü yönlerini bir araya getirir ve yeni dağıtımlar için önerilen seçenektir.

Önceki modellerinin temelleri üzerine kurulan YOLO26, Ultralytics çatısı içinde YOLOv10'un ilk ele aldığı son işleme darboğazını ortadan kaldıran isteğe bağlı bir Uçtan Uca NMS'siz Tasarım (nms=False) içerir. YOLO26 ayrıca DFL'nin Kaldırılmasını (Distribution Focal Loss) sunarak model dışa aktarma grafiklerini basitleştirir ve uç aygıtlarla düşük güçlü IoT cihazlarıyla uyumluluğu artırır.

Eğitim kararlılığı, büyük dil modeli (LLM) eğitim yöntemlerinden esinlenen ve yakınsamayı hızlandıran, SGD ile Muon'un melezi MuSGD Optimizer ile iyileşir. ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması) ile birlikte YOLO26, küçük nesneleri tanımayı geliştirir. Standart uç aygıtlarda bu iyileştirmeler YOLO26n'yi YOLO11n'den CPU'da %43'e kadar daha hızlı hâle getirir. YOLO26; algılama, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'yi destekler.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.