YOLOv10 ve YOLO11#
Bilgisayarlı görü manzarası sürekli olarak evrim geçirmekte olup, yeni mimariler gerçek zamanlı işlemede mümkün olanın sınırlarını zorlamaktadır. Bu hızlı tempolu alanda yolini bulan geliştiriciler ve araştırmacılar için son teknoloji modeller arasındaki nüansları anlamak çok önemlidir. Bu ayrıntılı karşılaştırma; iki son derece yetenekli nesne tespiti çatı yazılımı olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farkları, performans ödünleşimlerini ve ideal kullanım senaryolarını inceler.
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.
YOLOv10: 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.
- Kuruluş: Tsinghua University
- Tarih: 23 Mayıs 2024
- Araştırma Makalesi: arXiv:2405.14458
- Kaynak Kod: GitHub üzerinde THU-MIG/yolov10
- Belgeler: YOLOv10 Docs
YOLOv10'un öne çıkan yeniliği, NMS'siz (Non-Maximum Suppression) eğitime olanak tanıyan tutarlı ikili atama stratejisidir. Geleneksel nesne dedektörleri, gereksiz sınırlayıcı kutu tahminlerini filtrelemek için büyük ölçüde Non-Maximum Suppression (NMS) mekanizmasına güvenir. Bu adımı kaldıran YOLOv10, gerçek uçtan uca tespiti gerçekleştirerek 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
YOLO11: 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
- Kuruluş: Ultralytics
- Tarih: 27 Eylül 2024
- Kaynak Kod: GitHub üzerinde Ultralytics
- Platform Entegrasyonu: Ultralytics Platform
YOLO11 üretim için tasarlanmıştır. Standart sınırlayıcı kutu tespitinde başarılı olsa da asıl gücü çok yönlülüğünde yatar. Öncelikli olarak nesne tespitine odaklanan YOLOv10'un aksine YOLO11; birleştirilmiş bir mimari kullanarak instance segmentation, pose estimation, image classification ve Oriented Bounding Box (OBB) görevlerini yerel olarak destekler. Eğitim sırasında dikkat çekici derecede düşük bellek gereksinimlerine sahiptir; bu da onu, daha ağır, Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPUs ile çalışan ekipler için oldukça erişilebilir kılar.
YOLO11 hakkında daha fazla bilgi edinin
Performans ve Metrik Karşılaştırması#
Bu modelleri yan yana karşılaştırırken, COCO dataset gibi standart kıyaslamalarda farklı ölçek varyantlarında nasıl performans gösterdiklerine bakmak esastır.
Aşağıdaki tablo performans farklarını vurgulamaktadır. YOLO11, son derece rekabetçi TensorRT çıkarım hızlarını korurken, çoğu boyut kategorisinde mAP konusunda YOLOv10'u sıklıkla geride bırakır.
| 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 üretmek için modellerini Intel CPU'lar için OpenVINO veya NVIDIA GPU'lar için TensorRT gibi optimize edilmiş formatlara aktardığından emin ol.
Mimari Derinlemesine İnceleme#
Eğitim 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.
Ancak Eğitim Verimliliği, Ultralytics modellerinin en önemli özelliklerinden biridir. YOLO11, karmaşık hiperparametre ayarını soyutlayan son derece gelişmiş ultralytics Python paketini kullanır. Bu çerçeve, gelişmiş veri artırımlarını, öğrenme hızı planlamasını ve çoklu GPU dağıtık eğitimini kutudan çıktığı gibi otomatik olarak yönetir. YOLO11'in mimarisi ayrıca mükemmel bir gradyan akışı sergileyerek eğitim aşamasında daha hızlı yakınsama ve daha düşük VRAM kullanımı sağlar.
Kullanım 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 kümesi yönetimi için Roboflow gibi araçlarla sorunsuz bir şekilde bütünleşen YOLO11, prototipten üretime geçişi hızlandırır. Kullanım Kolaylığı, geliştiricilerin yalnızca birkaç satır kodla model eğitmesine ve dışarı aktarmasına olanak tanıyan kolaylaştırılmış 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")Kullanım Durumları ve Öneriler#
YOLOv10 ve YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
YOLO11 Ne Zaman Seçilmeli#
YOLO11 şunlar için önerilir:
- Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
- Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.
Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Diğer Mimarileri Keşfetmek#
YOLOv10 ve YOLO11 mükemmel seçenekler olmalarına rağmen, özel kullanım senaryon belgelerde bulunan diğer mimarilerden yararlanabilir. Dizi tabanlı akıl yürütme için RT-DETR gibi Transformer modelleri yüksek doğruluk sağlasa da, genellikle daha yüksek bellek gereksinimlerine ihtiyaç duyarlar. Buna karşılık, yeniden eğitim gerektirmeden yeni sınıfları tanımlamak için sıfır vuruşlu (zero-shot) yeteneklere ihtiyaç duyuyorsan, YOLO-World doğal dil komutlarıyla yönlendirilen açık bir kelime dağarcığı yaklaşımı sunar.
Yeni Nesil: YOLO26#
Mutlak son teknoloji arayan ekipler için, yakın zamanda piyasaya sürülen Ultralytics YOLO26 yukarıda tartışılan her iki modelin de en iyi özelliklerini birleştirir. Ocak 2026'da yayımlanan 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.