YOLOv10 ile YOLOv8#

Gerçek zamanlı nesne tespitinin gelişiminde, her biri doğruluk, çıkarım hızı ve hesaplama verimliliğinin sınırlarını zorlamaya çalışan çığır açıcı mimariler art arda ortaya çıktı. Bu kapsamlı teknik kılavuzda bilgisayarlı görü alanındaki iki önemli dönüm noktasını karşılaştırıyoruz: YOLOv10 ve Ultralytics YOLOv8. YOLOv8 çok yönlü ve üretime hazır bir standart oluştururken YOLOv10, son işleme darboğazlarını ortadan kaldırmayı amaçlayan mimari değişiklikler getirdi.

Gerçek dünya senaryolarında en gelişmiş görsel yapay zekâ çözümlerini dağıtmayı hedefleyen geliştiriciler ve araştırmacılar için bu modellerin farklı avantajlarını, mimarilerini ve performans ölçütlerini anlamak çok önemlidir.

Teknik Özellikler ve Yazarlar#

Bu modelleri etkili biçimde değerlendirmek için kökenlerini ve ilgili araştırma ekiplerinin temel odağını anlamak faydalıdır.

YOLOv10: Uçtan Uca Verimlilik#

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, önceki nesillerdeki son işleme adımlarının getirdiği hesaplama ek yükünü ele almak üzere tasarlandı.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Belgeler: YOLOv10 Belgeleri

YOLOv10 hakkında daha fazla bilgi edin

Ultralytics YOLOv8: Çok Yönlü Standart#

2023'ün başlarında yayımlanan YOLOv8, sağlam mimarisi ve geniş makine öğrenimi ekosistemiyle benzersiz entegrasyonu sayesinde kısa sürede sektör standardı hâline geldi.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics

Mimari Yenilikler#

Her iki model de geleneksel YOLO mimarisinde önemli iyileştirmeler sunuyor, ancak işlem hattının biraz farklı yönlerini hedefliyor.

YOLOv10 Mimarisi#

YOLOv10'un öne çıkan özelliği NMS içermeyen eğitim stratejisidir. Geleneksel olarak nesne algılayıcılar, örtüşen sınırlayıcı kutuları filtrelemek için çıkarım sırasında Maksimum Olmayan Bastırma (NMS) yöntemine başvurur. Bu adım gecikmeye yol açabilir ve uçtan uca dağıtımı karmaşıklaştırır. YOLOv10, eğitim sırasında tutarlı çift atamalar kullanır; bu sayede model, her nesne için yerel olarak tek ve doğru bir sınırlayıcı kutu tahmin edebilir. Ayrıca FLOP ve parametre sayılarını önemli ölçüde azaltmak için çeşitli bileşenleri optimize eden, verimlilik ve doğruluğu bütünsel olarak ele alan bir model tasarımı kullanır.

YOLOv8 Mimarisi#

YOLOv8, önceki sürümlerin anchor tabanlı yaklaşımlarından uzaklaşarak anchor içermeyen bir algılama başlığı sundu. Bu, kutu tahminlerinin sayısını azaltır ve NMS işlemlerini hızlandırır. Ayrıca YOLOv8, gradyan akışını iyileştiren ve hesaplama maliyetini ciddi ölçüde artırmadan ağın daha zengin özellik temsilleri öğrenmesini sağlayan C2f modülünü (iki evrişimli Cross-Stage Partial darboğazı) içerir. Ayrıştırılmış başlık, sınıflandırma ve regresyon görevlerini birbirinden ayırarak daha hızlı yakınsama ve genel olarak daha yüksek doğruluk sağlar.

Performans ve Kıyaslamalar#

Modelleri uç cihazlara veya bulut sunucularına dağıtırken hız ve doğruluk arasındaki denge büyük önem taşır. Aşağıdaki tablo, iki modeli farklı boyutlarda doğrudan karşılaştırır.

Not: Tireler (-), aynı test koşullarında resmî olarak raporlanmamış metrikleri gösterir.

Verilerde görüldüğü gibi YOLOv10, çoğu zaman YOLOv8 eşdeğerlerinin mAP değerine yetişirken veya bu değeri aşarken daha az parametre ve FLOP kullanarak olağanüstü parametre verimliliği sergiler. Bununla birlikte YOLOv8, modern GPU'larda minimum çıkarım gecikmesi sağlayan son derece optimize edilmiş TensorRT entegrasyonuyla rekabet gücünü korur.

Ekosistem, Eğitim Verimliliği ve Çok Yönlülük#

Model seçimi, kuramsal kıyaslamaların ötesine geçer; geliştirici deneyimi ve modeli çevreleyen ekosistem de aynı derecede önemlidir.

Ultralytics Avantajı#

YOLOv8'in temel güçlü yanlarından biri, Ultralytics ekosistemine sıkı entegrasyonudur. Bu ortam, son derece sezgisel bir Python API'si ve kapsamlı belgelerle "sıfırdan uzmana" bir deneyim sunar. Karmaşık ortam kurulumları gerektirebilen araştırma odaklı depoların aksine, Ultralytics modelleri kullanım kolaylığıyla tanınır.

Ayrıca YOLOv8 doğası gereği çok yönlüdür. YOLOv10 yalnızca nesne algılama için optimize edilmişken Ultralytics çerçevesi, geliştiricilerin aynı kütüphane ve API yapısı içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri arasında sorunsuzca geçiş yapmasına olanak tanır.

Bellek Gereksinimleri ve Eğitim#

Ultralytics YOLO modelleri, eğitim verimliliğine odaklanılarak tasarlanmıştır. Karmaşık Transformer modellerine kıyasla eğitim ve çıkarım sırasında genellikle daha az bellek kullanırlar; böylece geliştiriciler CUDA belleğini tüketmeden tüketici sınıfı donanımlarda veya standart bulut örneklerinde son teknoloji modelleri eğitebilir. İyi ayarlanmış varsayılan hiperparametreler ve yerleşik veri artırma, hızlı yakınsamayı sağlamaya yardımcı olur.

Ultralytics Python API'sini kullanarak bir modeli eğitmenin ve doğrulamanın ne kadar kolay olduğuna dair pratik bir örnek:

from ultralytics import YOLO

# Önceden eğitilmiş bir modeli yükle (genel görevler için YOLOv8 önerilir)
model = YOLO("yolov8n.pt")

# Otomatik bellek yönetimiyle modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Bir test görüntüsü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Yeni Nesil: YOLO26#

YOLOv8 ve YOLOv10 olağanüstü kilometre taşları olsa da makine öğrenimi alanı sürekli ilerliyor. Yeni projelere başlayan geliştiricilere, Ultralytics'in Ocak 2026'da yayımlanan en yeni amiral gemisi modeli YOLO26'dan yararlanmalarını önemle tavsiye ediyoruz.

YOLO26, son yıllardaki en iyi mimari gelişmeleri son derece optimize edilmiş tek bir çerçevede bir araya getiriyor. YOLOv10 gibi modellerin öncülük ettiği Uçtan Uca NMS İçermeyen Tasarımı devralarak dağıtım işlem hatlarını sadeleştiriyor ve gecikme değişkenliğini azaltıyor. Ayrıca YOLO26, LLM eğitimindeki kararlılıktan esinlenen ve daha hızlı, daha istikrarlı yakınsama sağlayan MuSGD Optimize Edicisini sunuyor.

YOLO26'daki temel iyileştirmeler:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla uç cihazlar için kapsamlı biçimde optimize edilmiştir.
• ProgLoss + STAL: Özellikle drone görüntüleri ve IoT sensörleri için kritik olan küçük nesne tanımayı önemli ölçüde iyileştiren gelişmiş kayıp fonksiyonları.
• Göreve Özel Geliştirmeler: Segmentasyon, poz tahmini ve OBB için tüm görsel alanlarda üst düzey performans sağlayan özelleştirilmiş mimariler.

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

Bu mimariler arasında karar verirken dağıtım ortamının özel ihtiyaçlarını göz önünde bulundur:

• YOLOv10'u seç: Parametre verimliliğinin her zerresinin kritik olduğu, yalnızca nesne algılamaya yönelik bir işlem hattı üzerinde çalışıyorsan ve NMS içermeyen mimarilerin ilk uygulamalarını denemek istiyorsan.
• Ultralytics YOLOv8'i seç: Sağlam Ultralytics Platformu tarafından desteklenen, son derece kararlı ve üretime hazır bir modele ihtiyacın varsa. Projen birden fazla görevi (ör. nesneleri algılayıp ardından segmentlere ayırma) birleştirilmiş ve bakımı kolay bir kod tabanıyla gerçekleştirmeyi gerektiriyorsa ideal seçimdir.
• YOLO26'yı seç (Önerilen): Son teknoloji doğruluğu, yerel uçtan uca NMS içermeyen verimliliği ve CPU ile uç donanımlarda mümkün olan en yüksek hızları bir arada istiyorsan.

Daha geniş kapsamlı seçenekleri inceliyorsan bu modelleri YOLO11 ile karşılaştırmak veya görsel yapay zekâ uygulamalarını daha da hızlandırmak için Intel OpenVINO gibi uç dağıtım entegrasyonlarına göz atmak da ilgini çekebilir. Ultralytics'in sunduğu birleşik araçlardan yararlanarak sağlam bilgisayarlı görü çözümlerini dağıtmak hiç bu kadar erişilebilir olmamıştı.