YOLOv10 ve YOLO11: Gerçek Zamanlı Nesne Algılama Mimarilerine Derin Bir Bakış
Bilgisayarlı görü dünyası, gerçek zamanlı işlemede mümkün olanın sınırlarını zorlayan yeni mimarilerle sürekli gelişiyor. Bu hızlı alanda yönünü bulmaya çalışan geliştiriciler ve araştırmacılar için, en gelişmiş modeller arasındaki incelikleri anlamak çok önemlidir. Bu ayrıntılı karşılaştırma, oldukça yetenekli iki nesne algılama çerçevesi olan YOLOv10 ve Ultralytics YOLO11 arasındaki teknik farkları, performans dengelerini ve ideal kullanım durumlarını incelemektedir.
Her iki model de karşılaştırmalı veri kümelerinde kayda değer sonuçlar elde etse de, temel tasarım felsefeleri ve ekosistem entegrasyonları önemli ölçüde farklılık gösterir. Mimarilerini inceleyerek, hangi çözümün dağıtım kısıtlamalarınla ve proje hedeflerinle en iyi şekilde uyumlu olduğunu belirleyebiliriz.
YOLOv10: NMS'siz Uçtan Uca Algılamada Öncü
2024 baharında piyasaya sürülen YOLOv10, son işleme ile ilişkili gecikme yükünü doğrudan ele alarak geleneksel nesne algılama hattına yenilikçi 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'da 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 tahminlerini filtrelemek için büyük ölçüde Non-Maximum Suppression (NMS) yöntemine güvenir. Bu adımı kaldırarak YOLOv10, çıkarım gecikmesini azaltan ve özel NMS işlemlerini optimize etmenin oldukça zor olduğu Neural Processing Units (NPUs) gibi donanım hızlandırıcılarında dağıtımı basitleştiren gerçek uçtan uca algılamaya ulaşır.
YOLOv10 hakkında daha fazla bilgi edinin
YOLO11: Ekosistem Destekli Çok Yönlülük ve Performans
Aynı yılın ilerleyen dönemlerinde piyasaya sürülen YOLO11, hız, doğruluk ve geliştirici deneyiminin en iyi dengesine odaklanarak Ultralytics model ailesinin sürekli iyileştirilmesini temsil eder.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 27 Eylül 2024
- Kaynak Kod: GitHub'da Ultralytics
- Platform Entegrasyonu: Ultralytics Platform
YOLO11 üretim için tasarlanmıştır. Standart sınırlayıcı kutu algılamada başarılı 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 sunduğu oldukça düşük bellek gereksinimleri, onu daha ağır, Transformer tabanlı mimarilere kıyasla tüketici sınıfı GPUs ile çalışan ekipler için son derece erişilebilir kılar.
YOLO11 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması
Bu modelleri yan yana karşılaştırırken, COCO dataset gibi standart karşılaştırmalı değerlendirmelerde farklı ölçek varyantlarında nasıl performans gösterdiklerine bakmak çok önemlidir.
Aşağıdaki tablo, performans farklarını öne çıkarmaktadır. YOLO11, yüksek rekabetçi TensorRT çıkarım hızlarını korurken, çoğu boyut kategorisinde mAP konusunda sıklıkla YOLOv10'un önüne geçmektedir.
| 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 hızlı çıkarım hızlarını yerel olarak yeniden oluşturmak 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 fazlalığını azaltmaya odaklanır. Tsinghua Üniversitesi'ndeki araştırmacılar, bütünsel bir verimlilik-doğruluk odaklı strateji kullanarak ana gövde ve boyun tasarımlarını optimize ederek, önceki yinelemelere kıyasla orta seviye modellerdeki (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.
Kullanım Kolaylığı ve Ekosistem Avantajı
Kurumsal benimseme için kritik bir faktör, İyi Bakılan Ekosistem'dir. Araştırma depoları çığır açıcı olsalar da, genellikle ilk makale yayınından sonra atıl duruma düşerler. YOLO11'i destekleyen Ultralytics ekosistemi, kesintisiz ve uçtan uca bir geliştirici deneyimi sunar.
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 modelleri eğitmelerine ve dışa aktarmalarına olanak tanıyan kolaylaştırılmış API'de kendini gösterir.
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 ile YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne Zaman YOLOv10 Seçilmeli
YOLOv10 şunlar için güçlü bir tercihtir:
- NMS-Free Gerçek Zamanlı Algılama: Non-Maximum Suppression olmadan uçtan uca algılamadan faydalanan, dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
- Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.
Ne Zaman YOLO11 Seçilmeli
YOLO11 şunlar için önerilir:
- Üretim Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, poz tahmini ve OBB gerektiren projeler.
- Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.
Ne Zaman Ultralytics (YOLO26) Seçilmeli
Çoğu yeni proje için Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası zorluğu olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: Özel GPU hızlandırması olmayan, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı 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.
Diğer Mimarileri Keşfetme
YOLOv10 ve YOLO11 mükemmel seçenekler olsa da, özel kullanım durumun dokümantasyonda bulunan diğer mimarilerden faydalanabilir. Sıralamaya dayalı akıl yürütme için, RT-DETR gibi Transformer modelleri yüksek doğruluk sağlar, ancak genellikle daha yüksek bellek gereksinimleri talep ederler. Öte yandan, yeniden eğitim olmaksızın yeni sınıfları tanımlamak için sıfır vuruşlu (zero-shot) özelliklere ihtiyaç duyuyorsan, YOLO-World doğal dil komutlarıyla yönlendirilen açık bir kelime dağarcığı yaklaşımı sunar.
Gelecek Nesil: YOLO26
Mutlak en son teknolojiyi arayan ekipler için, yakın zamanda yayınlanan Ultralytics YOLO26, yukarıda tartışılan her iki modelin de en iyi özelliklerini birleştirir. Ocak 2026'da piyasaya sürülen YOLO26, modern dağıtım senaryoları için nihai öneridir.
Öncüllerinin temelleri üzerine inşa edilen YOLO26, yerel olarak Uçtan Uca NMS'siz Tasarımı barındırarak YOLOv10'un ilk kez ele aldığı son işleme darboğazlarını etkili bir şekilde ortadan kaldırır, ancak bunu sağlam Ultralytics çerçevesi içinde yapar. Ayrıca YOLO26, model dışa aktarma grafiklerini önemli ölçüde basitleştiren ve uç (edge) ile düşük güçlü IoT cihazlarıyla uyumluluğu artıran DFL Kaldırma (Dağılımsal Odak Kaybı) özelliğine sahiptir.
Eğitim kararlılığı, LLM eğitim metodolojilerinden ilham alan ve inanılmaz derecede hızlı yakınsama sağlayan hibrit bir yaklaşım olan MuSGD Optimize Edici'nin tanıtılmasıyla nesiller boyu bir sıçrama yaşadı. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleştirilen 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 rakipsiz bir seçenek haline getirir.