YOLOv10 ve YOLO11#
Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler, gerçek zamanlı işleme ile mümkün olanların sınırlarını zorluyor. Bu hızlı tempolu alanda çalışan geliştiriciler ve araştırmacılar için en yeni modeller arasındaki incelikleri anlamak büyük önem taşıyor. Bu ayrıntılı karşılaştırma, son derece yetenekli iki nesne algılama çerçevesi olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farklılıkları, performans ödünleşimlerini ve ideal kullanım alanlarını inceliyor.
Her iki model de kıyaslama veri kümelerinde etkileyici sonuçlar verse de temel tasarım felsefeleri ve ekosistem entegrasyonları önemli ölçüde farklılık gösteriyor. Mimarilerini inceleyerek hangi çözümün dağıtım kısıtların ve proje hedeflerinle en iyi şekilde örtüştüğünü belirleyebiliriz.
YOLOv10: NMS Olmadan Uçtan Uca Algılamada Öncü#
2024 baharında yayımlanan YOLOv10, son işleme ile ilişkili gecikme ek yükünü doğrudan ele alarak geleneksel nesne algılama işlem hattına yeni bir yaklaşım getirdi.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Tarih: 23 Mayıs 2024
- Araştırma Makalesi: arXiv:2405.14458
- Kaynak Kodu: GitHub'da THU-MIG/yolov10
- Belgeler: YOLOv10 Belgeleri
YOLOv10'un öne çıkan yeniliği, NMS olmadan eğitimi mümkün kılan tutarlı ikili atama stratejisidir. Geleneksel nesne algılayıcılar, yinelenen sınırlayıcı kutu tahminlerini filtrelemek için büyük ölçüde Maksimum Olmayan Bastırma (NMS) yöntemine dayanır. YOLOv10 bu adımı kaldırarak gerçek anlamda uçtan uca algılama sağlar, çıkarım gecikmesini azaltır ve özel NMS işlemlerinin optimize edilmesinin son derece zor olduğu Nöral İşlem Birimleri (NPUs) gibi donanım hızlandırıcılarında dağıtımı kolaylaştırır.
YOLOv10 hakkında daha fazla bilgi edin
YOLO11: Ekosistem Odaklı Çok Yönlülük ve Performans#
Aynı yılın ilerleyen döneminde kullanıma sunulan YOLO11, hız, doğruluk ve geliştirici deneyimi arasında ideal dengeye odaklanarak Ultralytics model ailesinin sürekli geliştirilmesini temsil ediyor.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 27 Eylül 2024
- Kaynak Kodu: GitHub'da Ultralytics
- Platform Entegrasyonu: Ultralytics Platformu
YOLO11 üretim kullanımı için tasarlandı. Standart sınırlayıcı kutu algılamada başarılı olsa da asıl gücü çok yönlülüğünde yatıyor. Öncelikli olarak nesne algılamaya odaklanan YOLOv10'un aksine YOLO11, birleşik bir mimari kullanarak yerel olarak örnek bölümlemeyi, poz tahminini, görüntü sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini destekliyor. Eğitim sırasında dikkat çekici ölçüde düşük bellek gereksinimlerine sahip olması, daha ağır Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPU'larla çalışan ekipler için erişilebilirliğini artırıyor.
Performans ve Metrik Karşılaştırması#
Bu modelleri yan yana karşılaştırırken COCO veri kümesi gibi standart kıyaslamalarda farklı ölçek varyantlarında nasıl performans gösterdiklerine bakmak önemlidir.
Aşağıdaki tablo performans farklılıklarını öne çıkarıyor. YOLO11, son derece rekabetçi TensorRT çıkarım hızlarını korurken çoğu boyut kategorisinde mAP açısından sıklıkla YOLOv10'u geride bırakıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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 yüksek çıkarım hızlarını yerel olarak yeniden üretmek için modellerini Intel CPU'lar için OpenVINO veya NVIDIA GPU'lar için TensorRT gibi optimize edilmiş biçimlere aktardığından emin ol.
Mimariye Derinlemesine Bakış#
Eğitim Yöntemi ve Verimlilik#
YOLOv10'un mimarisi, hesaplama fazlalığını azaltmaya önem veriyor. Omurga ve boyun tasarımlarını bütüncül, verimlilik-doğruluk odaklı bir stratejiyle optimize eden Tsinghua Üniversitesi'ndeki yazarlar, önceki sürümlere kıyasla orta sınıf modellerdeki (YOLOv10m gibi) parametre sayısını önemli ölçüde azaltmayı başardı.
Ancak Eğitim Verimliliği, Ultralytics modellerinin en önemli özelliklerinden biridir. YOLO11, karmaşık hiperparametre ayarlama işlemlerini soyutlayan, yüksek düzeyde geliştirilmiş ultralytics Python paketini kullanıyor. Bu çerçeve, gelişmiş veri artırma işlemlerini, öğrenme oranı zamanlamasını ve çoklu GPU dağıtık eğitimini ek yapılandırma gerektirmeden otomatik olarak yönetiyor. YOLO11'un mimarisi ayrıca mükemmel gradyan akışı sergileyerek eğitim aşamasında daha hızlı yakınsama ve daha düşük VRAM kullanımı sağlıyor.
Kullanım Kolaylığı ve Ekosistem Avantajı#
Kurumsal benimseme açısından kritik bir etken İyi Bakımı Yapılan Ekosistemdir. Araştırma depoları çığır açıcı olsa da ilk makale yayımlandıktan sonra genellikle atıl kalır. YOLO11'u destekleyen Ultralytics ekosistemi, sorunsuz ve uçtan uca bir geliştirici deneyimi sunuyor.
Deney takibi için Weights & Biases ve veri kümesi yönetimi için Roboflow gibi araçlarla sorunsuz şekilde entegre olan YOLO11, prototipten üretime geçişi hızlandırıyor. Akıcı API'de Kullanım Kolaylığı açıkça görülüyor; geliştiriciler yalnızca birkaç satır kodla model eğitip dışa aktarabiliyor.
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 Alanları ve Öneriler#
YOLOv10 ve YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLOv10 Ne Zaman Seçilmeli?#
YOLOv10 şu durumlar için güçlü bir tercihtir:
- NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Dengesi: 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 Ne Zaman Seçilmeli?#
YOLO11 şu durumlarda önerilir:
- Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Diğer Mimarileri İnceleme#
YOLOv10 ve YOLO11 mükemmel seçenekler olsa da özel kullanım alanın belgelerde bulunan diğer mimarilerden yararlanabilir. Dizi tabanlı akıl yürütme için RT-DETR gibi Transformer modelleri yüksek doğruluk sağlar; ancak genellikle daha yüksek bellek gereksinimleri vardır. Buna karşılık, yeniden eğitim yapmadan yeni sınıfları belirlemek için sıfır atış yeteneklerine ihtiyacın varsa YOLO-World, doğal dil istemleriyle yönlendirilen açık kelime dağarcıklı bir yaklaşım sunar.
Yeni Nesil: YOLO26#
En son teknoloji çözümleri arayan ekipler için yakın zamanda yayımlanan Ultralytics YOLO26, yukarıda ele alınan her iki modelin en iyi özelliklerini bir araya getiriyor. Ocak 2026'da yayımlanan YOLO26, modern dağıtım senaryoları için en iyi öneridir.
Önceki modellerinin temelleri üzerine inşa edilen YOLO26, Uçtan Uca NMS Olmayan Tasarımı yerel olarak içeriyor. Böylece YOLOv10'un ilk kez ele aldığı son işleme darboğazlarını etkili biçimde ortadan kaldırırken bunu sağlam Ultralytics çerçevesi içinde gerçekleştiriyor. Ayrıca YOLO26, DFL Kaldırma özelliğine (Dağılım Odaklı Kayıp (DFL)) sahip; bu özellik model dışa aktarma grafiklerini büyük ölçüde basitleştiriyor ve uçta çalışan, düşük güçlü IoT cihazlarıyla uyumluluğu artırıyor.
MuSGD Optimize Edici özelliğinin kullanıma sunulmasıyla eğitim kararlılığında da nesiller arası büyük bir sıçrama yaşandı. LLM eğitim yöntemlerinden ilham alan bu hibrit yaklaşım, son derece hızlı yakınsamayı garanti ediyor. ProgLoss + STAL gibi gelişmiş kayıp işlevleriyle birlikte YOLO26, küçük nesnelerin tanınmasında kayda değer iyileştirmeler sunuyor. Standart uç cihazlarda dağıtım için bu mimari iyileştirmeler, %43'e Kadar Daha Hızlı CPU Çıkarımı sağlayarak YOLO26'yı tüm bilgisayarlı görü görevleri için benzersiz bir seçenek haline getiriyor.