YOLOv10 - YOLOv8 Karşılaştırması: Gerçek Zamanlı Nesne Tespiti için Teknik Bir İnceleme

YOLO (You Only Look Once) ailesinin evrimi, geliştiricilere nesne algılama için daha hızlı ve daha doğru araçlar sunarak bilgisayar görüşünün sınırlarını sürekli olarak zorlamıştır. YOLOv10 ve YOLOv8 arasında seçim yaparken, mimari, verimlilik ve ekosistem desteğindeki nüansları anlamak çok önemlidir. YOLOv10 verimlilik için yeni mimari değişiklikler sunarken, YOLOv8 kullanım kolaylığı ve kapsamlı özellik seti ile bilinen sağlam, çok yönlü bir standart olmaya devam etmektedir.

Bu kılavuz, makine öğrenimi projeleriniz için doğru modeli seçmenize yardımcı olmak amacıyla ayrıntılı bir teknik karşılaştırmayı sunar.

Performans Analizi

COCO veri setindeki performans metrikleri, bu modellerin arkasındaki farklı tasarım felsefelerini göstermektedir. YOLOv10, parametre sayısını ve kayan nokta işlemlerini (FLOP'lar) azaltmaya büyük önem verir ve genellikle belirli bir model boyutu için daha yüksek mAP (ortalama Kesinlik) elde eder. Bununla birlikte, YOLOv8, özellikle CPU'larda ve TensorRT gibi optimize edilmiş biçimlere aktarıldığında, ham hızı pratik dağıtım yetenekleriyle dengeleyerek oldukça rekabetçi çıkarım hızlarını korur.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

YOLOv10: Mimari Yenilik Yoluyla Verimlilik

Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri
Kuruluş:Tsinghua Üniversitesi
Tarih: 2024-05-23
Arxiv:YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Tespiti
GitHub:THU-MIG/yolov10

YOLOv10, Tsinghua Üniversitesi'ndeki araştırmacılar tarafından temel bir hedefle geliştirildi: işlem sonrası aşamasında non-maximum suppression'a (NMS) olan bağımlılığı ortadan kaldırmak. NMS, gecikmeye duyarlı uygulamalarda bir darboğaz olabilir. YOLOv10, eğitim sırasında tutarlı bir çift atama stratejisi sunarak modelin her nesne için tek bir en iyi kutuyu tahmin etmesini sağlar ve böylece onu etkili bir uçtan uca dedektör haline getirir.

YOLOv10'un Temel Güçlü Yönleri

NMS'siz Çıkarım: YOLOv10, NMS adımını kaldırarak, son işlem aşamasındaki hesaplama yükünü azaltır, bu da belirli uç senaryolarda gecikmeyi azaltabilir.
Parametre Verimliliği: Bütünsel model tasarımı, önceki nesillere kıyasla parametre ve FLOP sayısını önemli ölçüde azaltarak, onu son derece sınırlı depolama alanına sahip cihazlar için çekici hale getirir.
High Accuracy: Boyutuna göre en son teknoloji mAP puanları elde ederek mimari optimizasyonlarının etkinliğini gösterir.

Zayıflıklar

Görev Uzmanlığı: YOLOv10 öncelikle nesne algılama için tasarlanmıştır. Yerleşik olarak örnek segmentasyonu veya poz tahmini gibi diğer bilgisayarlı görü görevleri için yerel desteği yoktur.
Ekosistem Olgunluğu: Daha yeni bir akademik sürüm olduğundan, yerleşik Ultralytics ekosistemine kıyasla daha az üçüncü taraf entegrasyonu ve topluluk kaynağına sahiptir.

YOLOv10 hakkında daha fazla bilgi edinin

Ultralytics YOLOv8: Çok Yönlü Endüstri Standardı

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
Belgeler:Ultralytics YOLOv8 Dokümantasyonu
GitHub:ultralytics/ultralytics

Ultralytics tarafından piyasaya sürülen YOLOv8, pratik, kullanıcı dostu yapay zeka alanındaki yıllarca süren araştırmaların bir doruk noktasını temsil ediyor. Yalnızca yüksek performans için değil, aynı zamanda olağanüstü bir geliştirici deneyimi için tasarlanmıştır. YOLOv8, güçlü eğitimi sağlamak için ankrajsız bir detect mekanizması ve zengin bir gradyan akışı kullanır. En çarpıcı özelliği, tek, birleşik bir çerçeve içinde çok çeşitli görevler için yerel desteğidir: detect, segment, sınıflandırma, poz tahmini ve obb.

Neden YOLOv8 Öneriliyor

Kullanım Kolaylığı: Ultralytics YOLOv8, basit Python ve CLI arayüzleriyle ünlüdür. Geliştiriciler, modelleri sadece birkaç satır kodla eğitebilir, doğrulayabilir ve dağıtabilir.
İyi Yönetilen Ekosistem: Ultralytics ekosisteminin bir parçası olmak, sık güncellemeler, büyük bir topluluk ve zahmetsiz model yönetimi için Ultralytics HUB gibi araçlarla sorunsuz entegrasyon anlamına gelir.
Performans Dengesi: Hız ve doğruluk arasında ideal bir denge kurar. Model, CPU, GPU ve Edge TPU'lar dahil olmak üzere çeşitli donanım arka uçları için yüksek düzeyde optimize edilmiştir.
Eğitim Verimliliği: YOLOv8, birçok transformatör tabanlı alternatife göre daha düşük bellek gereksinimleriyle verimli eğitim süreçleri sunarak işlem maliyetlerinden tasarruf sağlar.
Çok Yönlülük: Sınırlayıcı kutularla sınırlı modellerin aksine, YOLOv8, çerçeve değiştirmeden segmentasyon maskeleri veya anahtar noktaları gerektiren karmaşık projeleri yönetebilir.

Bellek Verimliliği

YOLOv8 gibi Ultralytics modelleri, bellek açısından verimli olacak şekilde tasarlanmıştır. Bu, özel modelleri eğitmek için giriş engelini önemli ölçüde azaltır, çünkü RT-DETR gibi hantal transformatör modellerine kıyasla daha az CUDA belleği gerektirirler ve tüketici sınıfı GPU'larda eğitime olanak tanırlar.

YOLOv8 hakkında daha fazla bilgi edinin

Karşılaştırmalı Analiz: Mimari ve Kullanım Alanları

Mimari Farklılıklar

Temel fark, işlem sonrası ve atama stratejilerinde yatmaktadır. YOLOv10, bir başlığın eğitim sırasında zengin denetim sinyalleri için bire çok atama (geleneksel YOLO'lar gibi) kullandığı, diğerinin ise çıkarım için bire bir atama kullandığı ve NMS ihtiyacını ortadan kaldıran çift başlıklı bir mimari kullanır.

YOLOv8 ise, görevle uyumlu bir atayıcı ve bağlantısız bir başlık yapısı kullanır. Bu tasarım, algılama başlığını basitleştirir ve genellemeyi iyileştirir. NMS gerektirmesine rağmen, işlem ONNX ve TensorRT gibi dışa aktarma formatlarında oldukça optimize edilmiştir ve çoğu zaman sağlam dağıtım hatlarında pratik gecikme farkını ihmal edilebilir hale getirir.

İdeal Kullanım Senaryoları

İkisi arasında seçim yapmak genellikle projenizin özel kısıtlamalarına bağlıdır:

Yüksek Performanslı Edge AI (YOLOv10): Uygulamanız, her megabayt depolama alanının önemli olduğu, kaynakları ciddi şekilde kısıtlanmış donanımda çalışıyorsa veya NMS işlemi hedef çipinizde belirli bir darboğaz oluşturuyorsa, YOLOv10 mükemmel bir adaydır. Örnekler arasında tarım veya hafif drone'lardaki gömülü sensörler bulunur.
Genel Amaçlı ve Çoklu Görev Yapay Zeka (YOLOv8): Ticari ve araştırma uygulamalarının büyük çoğunluğu için YOLOv8 üstün bir seçimdir. segmentasyon (örneğin, hassas tıbbi görüntüleme) ve poz tahmini (örneğin, spor analitiği) gerçekleştirme yeteneği, onu inanılmaz derecede çok yönlü kılar. Ayrıca, kapsamlı dokümantasyonu ve desteği, geliştiricilerin sorunları hızla çözebilmesini ve daha hızlı dağıtım yapabilmesini sağlar.

Kod Uygulaması

Ultralytics çerçevesinin en büyük avantajlarından biri, birleşik API'dir. İster YOLOv8 kullanıyor olun ister daha yeni modelleri keşfediyor olun, iş akışı tutarlı ve sezgisel kalır.

İşte Python kullanarak bir YOLOv8 modeli için eğitime ne kadar kolay başlayabileceğiniz:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
# The system automatically handles data downloading and processing
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

YOLOv10 için Ultralytics paketi ayrıca erişimi kolaylaştırarak araştırmacıların mimariyi tanıdık bir ortamda denemelerine olanak tanır:

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model
model = YOLO("yolov10n.pt")

# Train the model using the same simple API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sonuç

Hem YOLOv10 hem de YOLOv8, bilgisayar görüşünde etkileyici kilometre taşlarıdır. YOLOv10, mimari verimlilik konusunda sınırları zorlayarak, özel düşük gecikmeli uygulamalar için NMS'siz geleceğe bir bakış sunuyor.

Ancak, Ultralytics YOLOv8, geliştiriciler ve kuruluşlar için önerilen model olmaya devam etmektedir. Sağlam ekosistemi, kanıtlanmış güvenilirliği ve çoklu görev yetenekleri, basit algılamanın ötesine geçen kapsamlı bir çözüm sunar. Ultralytics YOLOv8 ile sadece bir model değil, aynı zamanda dünya standartlarında yapay zeka çözümlerini verimli bir şekilde oluşturmak, eğitmek ve dağıtmak için eksiksiz bir araç seti elde edersiniz.

En son teknolojide kalmak isteyenler için, Ultralytics'in YOLOv8'e göre daha da yüksek performans ve verimlilik kazanımları sağlayan en son sürümü olan YOLO11'i de mutlaka inceleyin.

Daha Fazla Okuma

En son SOTA modelini keşfedin: YOLO11
Metriklerinizi anlayın: YOLO Performans Metrikleri
Her yerde dağıtın: Model Dışa Aktarma Modları
Diğer karşılaştırmalara bakın: YOLOv5 - YOLOv8