YOLOv10 ile YOLO11#

Bilgisayarlı görü alanı sürekli gelişiyor; yeni mimariler gerçek zamanlı işlemenin sınırlarını zorluyor. Bu hızlı tempolu alanda ilerleyen geliştiriciler ve araştırmacılar için son teknoloji modeller arasındaki incelikleri anlamak çok önemli. Bu ayrıntılı karşılaştırma, son derece yetenekli iki nesne tespit çerçevesi olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farkları, performans ödünleşimlerini ve ideal kullanım alanlarını ele alıyor.

Her iki model de kıyaslama veri kümelerinde etkileyici sonuçlara ulaşsa da temel tasarım yaklaşımları ve ekosistem entegrasyonları önemli ölçüde farklıdır. Mimarilerini inceleyerek hangi çözümün dağıtım kısıtlarına ve proje hedeflerine en uygun olduğunu belirleyebiliriz.

YOLOv10: NMS İçermeyen Uçtan Uca Tespitte Öncü#

2024 baharında yayımlanan YOLOv10, son işlemeyle ilişkili gecikme ek yükünü doğrudan ele alarak geleneksel nesne tespit 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 içermeyen eğitimi mümkün kılan tutarlı ikili atama stratejisidir. Geleneksel nesne algılayıcıları, yinelenen sınırlayıcı kutu tahminlerini filtrelemek için büyük ölçüde Maksimum Olmayan Bastırma (NMS) yöntemine dayanır. YOLOv10 bu adımı kaldırarak gerçek uçtan uca tespit sunar, çıkarım gecikmesini azaltır ve özel NMS işlemlerinin optimize edilmesi oldukça zor olan Nöral İşlem Birimlerine (NPUs) sahip donanım hızlandırıcılarına dağıtımı kolaylaştırır.

YOLOv10 hakkında daha fazla bilgi edin

YOLO11: Ekosistem Odaklı Çok Yönlülük ve Performans#

Aynı yılın ilerleyen dönemlerinde kullanıma sunulan YOLO11, hız, doğruluk ve geliştirici deneyimi arasında en iyi dengeye odaklanarak Ultralytics model ailesini sürekli geliştirmeyi temsil ediyor.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 27 Eylül 2024
• Kaynak Kodu: GitHub'da Ultralytics
• Platform Entegrasyonu: Ultralytics Platform

YOLO11 üretim ortamları için tasarlanmıştır. Standart sınırlayıcı kutu tespitinde başarılı olsa da gerçek gücü çok yönlülüğünde yatar. Öncelikli olarak nesne tespitine odaklanan YOLOv10'un aksine YOLO11, birleşik bir mimariyle örnek segmentasyonunu, poz tahminini, görüntü sınıflandırmasını ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini yerel olarak destekler. Eğitim sırasında oldukça düşük bellek gereksinimlerine sahiptir; bu nedenle daha ağır, Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPU'larla çalışan ekipler için çok 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.

Aşağıdaki tabloda performans farkları özetleniyor. YOLO11, çoğu boyut kategorisinde mAP açısından sıklıkla YOLOv10'u geride bırakırken son derece rekabetçi TensorRT çıkarım hızlarını koruyor.

Mimarinin Derinlemesine İncelenmesi#

Eğitim Yöntemi ve Verimliliği#

YOLOv10 mimarisi, hesaplama tekrarlarını azaltmayı vurgular. Omurga ve boyun tasarımlarını bütünsel, verimlilik ve doğruluk odaklı bir stratejiyle optimize eden Tsinghua Üniversitesi araştırmacıları, YOLOv10m gibi orta sınıf modellerde parametre sayısını önceki sürümlere kıyasla önemli ölçüde düşürmeyi başardı.

Ancak Eğitim Verimliliği, Ultralytics modellerinin önemli özelliklerinden biridir. YOLO11, karmaşık hiperparametre ayarını soyutlayan, son derece geliştirilmiş ultralytics Python paketini kullanır. Bu çerçeve; gelişmiş veri artırımlarını, öğrenme oranı zamanlamasını ve çok GPU'lu dağıtık eğitimi kutudan çıktığı gibi otomatik olarak yönetir. YOLO11'in mimarisi ayrıca mükemmel gradyan akışı sunarak eğitim aşamasında daha hızlı yakınsama ve daha düşük VRAM kullanımına olanak tanır.

Kullanım Kolaylığı ve Ekosistem Avantajı#

Kurumsal benimsemede kritik bir etken, İyi Bakımı Yapılan Ekosistemdir. Araştırma depoları çığır açıcı olsalar da ilk makalenin yayımlanmasından sonra çoğu zaman atıl kalır. YOLO11'i destekleyen Ultralytics ekosistemi, geliştiricilere sorunsuz ve uçtan uca bir deneyim sunar.

Deney takibi için Weights & Biases ve veri kümesi yönetimi için Roboflow gibi araçlarla sorunsuzca entegre olan YOLO11, prototipten üretime geçişi hızlandırır. Geliştiricilerin yalnızca birkaç satır kodla modelleri eğitip dışa aktarmasını sağlayan sade API, Kullanım Kolaylığını açıkça gösterir.

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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Diğer Mimarileri İnceleme#

YOLOv10 ve YOLO11 mükemmel seçenekler olsa da özel kullanım senaryon, belgelerde sunulan diğer mimarilerden yarar sağlayabilir. Dizi tabanlı akıl yürütme için RT-DETR gibi Transformer modelleri yüksek doğruluk sunar, ancak genellikle daha fazla bellek gerektirir. Öte yandan, yeniden eğitim yapmadan yeni sınıfları tanımlamak için sıfır örnekli yeteneklere ihtiyacın varsa YOLO-World, doğal dil istemleriyle çalışan açık kelime dağarcıklı bir yaklaşım sunar.

Yeni Nesil: YOLO26#

En ileri teknolojiyi arayan ekipler için yakın zamanda yayımlanan Ultralytics YOLO26, yukarıda ele alınan iki modelin en iyi özelliklerini bir araya getiriyor. Ocak 2026'da yayımlanan YOLO26, modern dağıtım senaryoları için nihai öneridir.

Önceki sürümlerin temellerini geliştiren YOLO26, isteğe bağlı Uçtan Uca, NMS İçermeyen Tasarımı (nms=False) yerel olarak içerir; böylece YOLOv10'un ilk kez ele aldığı son işleme darboğazlarını etkili biçimde ortadan kaldırırken bunu sağlam Ultralytics çerçevesi içinde yapar. Ayrıca YOLO26, model dışa aktarma grafiklerini büyük ölçüde sadeleştiren ve uç cihazlarla düşük güçlü IoT aygıtlarıyla uyumluluğu artıran DFL Kaldırma (Dağılımsal Odak Kayıp) özelliğine sahiptir.

MuSGD İyileştiricisinin kullanıma sunulmasıyla eğitim kararlılığı da yeni bir düzeye taşındı. LLM eğitim yöntemlerinden esinlenen bu hibrit yaklaşım, son derece hızlı yakınsamayı garanti eder. ProgLoss + STAL gibi gelişmiş kayıp işlevleriyle bir araya gelen YOLO26, küçük nesne tanımada kayda değer iyileştirmeler sağlar. Standart uç cihazlara dağıtımda bu mimari geliştirmeler, CPU Çıkarımında %43'e Varan Hız Artışı sunarak YOLO26'yı tüm bilgisayarlı görü görevlerinde eşsiz bir seçenek hâline getirir.