Link to this sectionYOLOv10 ve YOLOv8#

Gerçek zamanlı nesne algılamanın evrimi, her biri doğruluk, çıkarım hızı ve hesaplama verimliliğinin sınırlarını zorlamaya çalışan çığır açıcı mimarilerin hızlı bir şekilde birbirini takip etmesine tanık oldu. Bu kapsamlı teknik rehberde, bilgisayarlı görü dünyasındaki iki önemli kilometre taşını karşılaştırıyoruz: YOLOv10 ve Ultralytics YOLOv8. YOLOv8 son derece çok yönlü ve üretime hazır bir standart oluştururken, YOLOv10 özellikle işlem sonrası dar boğazlarını ortadan kaldırmayı amaçlayan mimari değişimler getirdi.

Bu modellerin belirgin avantajlarını, mimarilerini ve performans ölçümlerini anlamak, en son teknolojiye sahip görüntü yapay zekası çözümlerini gerçek dünya senaryolarında uygulamayı hedefleyen geliştiriciler ve araştırmacılar için çok önemlidir.

Link to this sectionTeknik Özellikler ve Yazarlık#

Bu modelleri etkili bir şekilde değerlendirmek için, kökenlerini ve ilgili araştırma ekiplerinin temel odak noktalarını anlamak faydalı olur.

Link to this sectionYOLOv10: Uçtan Uca Verimlilik#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki nesillerdeki işlem sonrası adımların getirdiği hesaplama yükünü ele almak için tasarlandı.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Organizasyon: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Dokümantasyon: YOLOv10 Dokümantasyonu

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionUltralytics YOLOv8: Çok Yönlü Standart#

2023'ün başlarında piyasaya sürülen YOLOv8, sağlam mimarisi ve daha geniş makine öğrenimi ekosistemindeki benzersiz entegrasyonu sayesinde hızla bir endüstri standardı haline geldi.

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

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Her iki model de geleneksel YOLO mimarisine önemli iyileştirmeler getiriyor, ancak hattın biraz farklı yönlerini hedefliyorlar.

Link to this sectionYOLOv10 Mimarisi#

YOLOv10'un en dikkat çekici özelliği, NMS'siz eğitim stratejisidir. Geleneksel olarak, nesne dedektörleri çıkarım sırasında örtüşen sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) yöntemine güvenir. Bu adım gecikme yaratabilir ve uçtan uca dağıtımı zorlaştırır. YOLOv10, eğitim sırasında tutarlı ikili atamalar kullanır; bu da modelin nesne başına tek ve doğru bir sınırlayıcı kutuyu doğal olarak tahmin etmesini sağlar. Ayrıca, FLOP'ları ve parametre sayılarını önemli ölçüde azaltmak için çeşitli bileşenleri optimize eden, bütünsel bir verimlilik-doğruluk odaklı model tasarımı kullanır.

Link to this sectionYOLOv8 Mimarisi#

YOLOv8, seleflerinin çapa tabanlı yaklaşımlarından uzaklaşarak çapasız bir algılama kafası (anchor-free detection head) getirdi. Bu, kutu tahmini sayısını azaltır ve NMS işlemlerini hızlandırır. Ayrıca YOLOv8, gradyan akışını iyileştiren ve hesaplama maliyetini büyük ölçüde artırmadan ağın daha zengin özellik temsilleri öğrenmesini sağlayan C2f modülünü (iki evrişimli, aşamalar arası kısmi darboğaz) içerir. Ayrıştırılmış kafa yapısı, nesnelliği, sınıflandırmayı ve regresyon görevlerini birbirinden ayırarak daha hızlı yakınsama ve daha yüksek genel doğruluk sağlar.

Link to this sectionPerformans ve Kıyaslamalar#

Modelleri uç cihazlara veya bulut sunucularına dağıtırken, hız ve doğruluk arasındaki denge çok önemlidir. Aşağıdaki tablo, iki modelin çeşitli boyutlardaki doğrudan karşılaştırmasını sunar.

Not: Boş hücreler, aynı test koşulları altında resmi olarak rapor edilmeyen metrikleri gösterir.

Verilerde görüldüğü gibi, YOLOv10, daha az parametre ve FLOP kullanırken genellikle YOLOv8 muadillerinin mAP'sini karşılayan veya aşan olağanüstü bir parametre verimliliği sergiler. Bununla birlikte, YOLOv8 inanılmaz derecede rekabetçi kalmaya devam ediyor ve modern GPU'larda minimum çıkarım gecikmesi sağlayan, son derece optimize edilmiş bir TensorRT entegrasyonu sunuyor.

Link to this sectionEkosistem, Eğitim Verimliliği ve Çok Yönlülük#

Bir model seçmek teorik kıyaslamaların ötesine geçer; geliştirici deneyimi ve çevreleyen ekosistem de aynı derecede hayati öneme sahiptir.

Link to this sectionUltralytics Avantajı#

YOLOv8'in temel güçlerinden biri, Ultralytics ekosistemine olan sıkı entegrasyonudur. Bu ortam, son derece sezgisel bir Python API ve kapsamlı belgelerle karakterize edilen "sıfırdan kahramana" bir deneyim sunar. Karmaşık ortam kurulumları gerektirebilen araştırma odaklı depoların aksine, Ultralytics modelleri kullanım kolaylıklarıyla ünlüdür.

Dahası, YOLOv8 doğası gereği çok yönlüdür. YOLOv10 kesinlikle nesne algılama için optimize edilmiş olsa da, Ultralytics çerçevesi geliştiricilerin tam olarak aynı kitaplık ve API yapısı içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri arasında sorunsuz bir şekilde geçiş yapmasına olanak tanır.

Link to this sectionBellek Gereksinimleri ve Eğitim#

Ultralytics YOLO modelleri, eğitim verimliliğine odaklanılarak tasarlanmıştır. Karmaşık transformer modellerine kıyasla genellikle eğitim ve çıkarım sırasında daha düşük bellek kullanımı sergilerler; bu da geliştiricilerin CUDA belleği tükenmeden, tüketici sınıfı donanımlarda veya standart bulut sunucularında en son teknoloji modelleri eğitmelerine olanak tanır. Hiperparametre ayarlama ve veri artırmanın otomatik yönetimi, hızlı yakınsamayı sağlar.

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

from ultralytics import YOLO

# Load a pretrained model (YOLOv8 recommended for general tasks)
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset with automatic memory management
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Run inference on a test image
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Link to this sectionYeni Nesil: YOLO26#

YOLOv8 ve YOLOv10 istisnai kilometre taşlarını temsil etse de, makine öğrenimi alanı sürekli ilerlemektedir. Yeni projelere başlayan geliştiriciler için, Ultralytics tarafından Ocak 2026'da piyasaya sürülen en yeni amiral gemisi modeli olan YOLO26'yı kullanmanızı şiddetle tavsiye ediyoruz.

YOLO26, geçmiş yılların en iyi mimari gelişmelerini tek ve yüksek oranda optimize edilmiş bir çerçevede birleştirir. YOLOv10 gibi modellerin öncülük ettiği Uçtan Uca NMS'siz Tasarımı miras alarak dağıtım hatlarını kolaylaştırır ve gecikme değişkenliğini azaltır. Ayrıca YOLO26, LLM eğitim kararlılığından ilham alan ve daha hızlı ve daha kararlı yakınsama sağlayan hibrit bir MuSGD Optimizer'ı beraberinde getirir.

YOLO26'daki temel iyileştirmeler şunlardır:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırılmasıyla uç cihazlar için yoğun şekilde optimize edilmiştir.
• ProgLoss + STAL: İHA görüntüleri ve IoT sensörleri için kritik olan küçük nesne tanımayı önemli ölçüde iyileştiren gelişmiş kayıp fonksiyonları.
• Göreve Özel İyileştirmeler: Segmentasyon, poz tahmini ve OBB için tüm görüntüleme alanlarında üst düzey performans sağlayan özel mimariler.

Link to this sectionİdeal Kullanım Senaryoları ve Dağıtım Stratejileri#

Bu mimariler arasında karar verirken, dağıtım ortamınızın özel ihtiyaçlarını göz önünde bulundurun:

• YOLOv10'u seçin: Parametre verimliliğinin her zerresini sıkıştırmanın kritik olduğu saf bir nesne algılama hattı üzerinde çalışıyorsanız ve NMS'siz mimarilerin ilk uygulamalarıyla deney yapmak istiyorsanız.
• Ultralytics YOLOv8'i seçin: Sağlam Ultralytics Platformu tarafından desteklenen, son derece kararlı ve üretime hazır bir modele ihtiyacınız varsa. Projeniz birleşik, bakımı kolay bir kod tabanı kullanarak birden fazla görev (örneğin, nesneleri algılama ve ardından segmentasyonunu yapma) gerektiriyorsa ideal seçimdir.
• YOLO26'yı (Önerilen) seçin: En son teknoloji doğruluğu, doğal uçtan uca NMS'siz verimlilik ve CPU ile uç donanımlarda mümkün olan en yüksek hız dengesini istiyorsanız.

Daha geniş manzarayı keşfediyorsanız, bu modelleri YOLO11 ile karşılaştırmak veya görüntü yapay zekası uygulamalarınızı daha da hızlandırmak için Intel OpenVINO gibi özel uç dağıtım entegrasyonlarına göz atmak isteyebilirsiniz. Ultralytics tarafından sağlanan birleşik araçlardan yararlanarak, sağlam bilgisayarlı görü çözümleri oluşturmak hiç bu kadar erişilebilir olmamıştı.