YOLOv10 ve YOLOv8#

Gerçek zamanlı nesne algılamanın evrimi, her biri doğruluk, çıkarım hızı ve hesaplama verimliliğinin sınırlarını zorlamaya çalışan çığır açıcı mimarilerin hızla art arda ortaya çıkmasına tanık oldu. Bu kapsamlı teknik kılavuzda, bilgisayarlı görü alanındaki iki önemli dönüm noktasını karşılaştırıyoruz: YOLOv10 ve Ultralytics YOLOv8. YOLOv8 son derece esnek ve üretime hazır bir standart oluştururken YOLOv10, özellikle son işleme darboğazlarını ortadan kaldırmayı amaçlayan mimari değişiklikler getirdi.

Bu modellerin kendine özgü avantajlarını, mimarilerini ve performans metriklerini anlamak, gerçek dünya senaryolarında en gelişmiş görsel yapay zeka çözümlerini kullanıma sunmayı hedefleyen geliştiriciler ve araştırmacılar için kritik öneme sahiptir.

Teknik Özellikler ve Yazarlık#

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

YOLOv10: Uçtan Uca Verimlilik#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, önceki nesillerdeki son işleme adımlarının getirdiği hesaplama yükünü gidermek 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 daha geniş makine öğrenimi ekosistemindeki benzersiz entegrasyonu sayesinde hızla sektör standardı haline 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 mimarisine önemli iyileştirmeler getiriyor; ancak işlem hattının biraz farklı yönlerini hedefliyorlar.

YOLOv10 Mimarisi#

YOLOv10'un öne çıkan özelliği NMS'siz eğitim stratejisidir. Geleneksel olarak nesne algılayıcılar, örtüşen sınırlayıcı kutuları filtrelemek için çıkarım sırasında Maksimum Olmayan Bastırma (NMS) yöntemine dayanır. Bu adım gecikmeye yol açabilir ve uçtan uca kullanıma sunmayı zorlaştırabilir. YOLOv10, eğitim sırasında tutarlı çiftli atamalar kullanır; bu sayede model, her nesne için yerleşik olarak tek ve doğru bir sınırlayıcı kutu tahmin edebilir. Ayrıca çeşitli bileşenleri optimize ederek FLOPs ve parametre sayılarını önemli ölçüde azaltan, verimlilik-doğruluk dengesini bütünsel olarak gözeten bir model tasarımı kullanır.

YOLOv8 Mimarisi#

YOLOv8, önceki modellerinin bağlantı noktası tabanlı yaklaşımlarından uzaklaşarak bağlantı noktası içermeyen bir algılama başlığı sundu. Bu, kutu tahminlerinin sayısını azaltır ve NMS işlemlerini hızlandırır. Ayrıca YOLOv8, gradyan akışını iyileştiren ve hesaplama maliyetini büyük ölçüde artırmadan ağın daha zengin özellik gösterimlerini öğrenmesini sağlayan C2f modülünü (iki evreli kısmi darboğaz ve iki evreli evrişim) içerir. Ayrıştırılmış başlık yapısı, nesne olasılığı, sınıflandırma ve regresyon görevlerini birbirinden ayırarak daha hızlı yakınsama ve genel olarak daha yüksek doğruluk sağlar.

Performans ve Karşılaştırmalı Testler#

Modelleri uç cihazlarda veya bulut sunucularında kullanıma sunarken hız ve doğruluk arasındaki denge büyük önem taşır. Aşağıdaki tablo, iki modeli çeşitli boyutlar genelinde doğrudan karşılaştırır.

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

Verilerde görüldüğü üzere YOLOv10, daha az parametre ve FLOPs kullanırken çoğu zaman YOLOv8 muadillerinin mAP değerine ulaşarak veya bunu aşarak olağanüstü parametre verimliliği sergiler. Bununla birlikte YOLOv8, modern GPU'larda minimum çıkarım gecikmesi sağlayan yüksek düzeyde optimize edilmiş TensorRT entegrasyonu sunarak son derece rekabetçi olmayı sürdürür.

Ekosistem, Eğitim Verimliliği ve Çok Yönlülük#

Model seçimi teorik kıyaslamaların ötesine geçer; geliştirici deneyimi ve çevredeki ekosistem de aynı derecede önemlidir.

Ultralytics Avantajı#

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

Ayrıca YOLOv8 doğası gereği çok yönlüdür. YOLOv10 yalnızca nesne algılama için optimize edilmişken Ultralytics çatısı, geliştiricilerin aynı kitaplık 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. Genellikle karmaşık Transformer modellerine kıyasla eğitim ve çıkarım sırasında daha düşük bellek kullanımı sergiler; bu da geliştiricilerin CUDA belleği tükenmeden tüketici sınıfı donanımlarda veya standart bulut örneklerinde en gelişmiş modelleri eğitmesine olanak tanır. Hiperparametre ayarının ve veri artırmanın otomatik olarak gerçekleştirilmesi hızlı yakınsamayı sağlar.

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

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()

Yeni Nesil: YOLO26#

YOLOv8 ve YOLOv10 olağanüstü dönüm noktalarını temsil etse de makine öğrenimi alanı sürekli ilerliyor. Yeni projelere başlayan geliştiricilere, Ultralytics'in Ocak 2026'da yayımlanan en yeni amiral gemisi modeli YOLO26'dan yararlanmalarını önemle öneriyoruz.

YOLO26, geçmiş yıllardaki en iyi mimari gelişmeleri tek ve son derece optimize edilmiş bir çatı altında birleştirir. YOLOv10 gibi modellerin öncülük ettiği Uçtan Uca NMS'siz Tasarımı devralarak kullanıma sunma işlem hatlarını sadeleştirir ve gecikme değişkenliğini azaltır. Ayrıca YOLO26, LLM eğitim kararlılığından esinlenen hibrit bir MuSGD Optimize Edicisi sunarak daha hızlı ve daha kararlı yakınsama sağlar.

YOLO26'daki temel iyileştirmeler şunlardır:

• %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) kaldırılmasıyla uç cihazlar için büyük ölçüde optimize edilmiştir.
• ProgLoss + STAL: Drone görüntüleri ve IoT sensörleri için kritik olan küçük nesne tanımayı büyük ölçüde iyileştiren gelişmiş kayıp işlevleri.
• Göreve Özel İyileştirmeler: Tüm görsel alanlarda üst düzey performans sağlamak üzere segmentasyon, poz tahmini ve OBB için özelleştirilmiş mimariler.

İdeal Kullanım Alanları ve Dağıtım Stratejileri#

Bu mimariler arasında karar verirken kullanıma sunma ortamının özel gereksinimlerini göz önünde bulundur:

• Şu durumda YOLOv10'u seç: Her bir parametrenin verimliliğini en üst düzeye çıkarmanın kritik olduğu saf bir nesne algılama işlem hattı üzerinde çalışıyorsan ve NMS'siz mimarilerin ilk uygulamalarını denemek istiyorsan.
• Şu durumda Ultralytics YOLOv8'i seç: Güçlü Ultralytics Platformu tarafından desteklenen, son derece kararlı ve üretime hazır bir modele ihtiyacın varsa. Projen, birleşik ve bakımı kolay bir kod tabanı kullanarak birden çok görev (ör. nesneleri algılama ve ardından segmentlere ayırma) gerektiriyorsa ideal seçimdir.
• Şu durumda YOLO26'yı (Önerilen) seç: En gelişmiş doğruluk, yerel uçtan uca NMS'siz verimlilik ve CPU ile uç donanımlarda mümkün olan en yüksek hız arasında ideal dengeyi istiyorsan.

Daha geniş alanı inceliyorsan bu modelleri YOLO11 ile karşılaştırmak veya görsel yapay zeka uygulamalarını daha da hızlandırmak için Intel OpenVINO gibi belirli uç dağıtım entegrasyonlarına göz atmak da ilgini çekebilir. Ultralytics tarafından sağlanan birleşik araçlardan yararlanarak sağlam bilgisayarlı görü çözümlerini kullanıma sunmak hiç bu kadar erişilebilir olmamıştı.