Başla

YOLOv10 ile YOLOv8

Bilgisayarlı görüdeki hızlı gelişim, her biri doğruluk, çıkarım hızı ve hesaplama verimliliğinin sınırlarını zorlamayı amaçlayan yeni mimarileri beraberinde getirdi. Bu teknik kılavuz, bilgisayarlı görüdeki iki önemli dönüm noktasını, YOLOv10 ile Ultralytics YOLOv8 modelini karşılaştırıyor. YOLOv8 çok yönlü ve üretime hazır bir standart oluştururken YOLOv10, son işleme darboğazlarını ortadan kaldırmayı özellikle hedefleyen mimari değişiklikler sundu.

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.

YOLOv10 hakkında daha fazla bilgi edin

Ultralytics YOLOv8: Çok Yönlü Standart#

Ocak 2023'te yayımlanan YOLOv8, mimarisi ve daha geniş makine öğrenimi ekosistemiyle sıkı entegrasyonu sayesinde kısa sürede sektörün vazgeçilmezlerinden biri hâline geldi.

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'siz eğitim stratejisidir. Geleneksel olarak nesne algılayıcılar, üst üste binen sınırlayıcı kutuları filtrelemek için çıkarım sırasında Maksimum Olmayan Bastırma (NMS) kullanır. Bu adım gecikmeye yol açabilir ve uçtan uca dağıtımı karmaşıklaştırır. YOLOv10, eğitim sırasında tutarlı çift atamalar kullanır; böylece teke tek başlığı nesne başına tek bir sınırlayıcı kutu tahmin edebilir (Ultralytics paketinde bu başlığı nms=False ile seç). Ayrıca FLOP ve parametre sayılarını azaltmak için çeşitli bileşenleri optimize eden, verimlilik ve doğruluğu bütünsel olarak gözeten bir model tasarımını izler.

YOLOv8 Mimarisi#

YOLOv8, önceki modellerinin çapa tabanlı yaklaşımlarından uzaklaşarak çapasız bir algılama başlığı sundu. Bu, kutu tahminlerinin sayısını azaltır ve NMS işlemlerini hızlandırır. Ayrıca YOLOv8, gradyan akışını iyileştiren ve hesaplama maliyetini çok artırmadan ağın daha zengin özellik temsilleri öğrenmesini sağlayan C2f modülünü (iki evrişimli, aşamalar arası kısmi darboğaz) içerir. Ayrıştırılmış başlığı, sınıflandırma ve regresyon görevlerini birbirinden ayırarak daha hızlı yakınsama ve genel doğrulukta artış 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.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

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

Verilerde görüldüğü üzere YOLOv10, her boyutta YOLOv8 muadillerinin mAP değerini aşarken daha az parametre ve FLOP kullanarak yüksek parametre verimliliği gösterir. YOLOv8 hız bakımından rekabetçi olmayı sürdürür: YOLOv8n tablodaki en hızlı T4 TensorRT süresine (1,47 ms) ulaşır ve CPU ONNX hızları yalnızca YOLOv8 için raporlanmıştır.

Donanım Hızlandırma

Üretim ortamlarını hedeflerken ONNX veya TensorRT gibi biçimleri kullanmak çıkarım hızlarını büyük ölçüde artırabilir. Hem YOLOv8 hem de YOLOv10 doğrudan bu optimize edilmiş grafik biçimlerine aktarılabilir.

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 yönlerinden biri, Ultralytics ekosistemine sıkı entegrasyonudur. Bu ortam, sezgisel bir Python API'si ve kapsamlı belgeler sunar. Karmaşık ortam kurulumları gerektirebilen araştırma odaklı depoların aksine Ultralytics modelleri kullanım kolaylığıyla bilinir.

Ayrıca YOLOv8 doğası gereği çok yönlüdür. YOLOv10 yalnızca nesne algılama için optimize edilmişken Ultralytics çatısı, geliştiricilerin aynı kütüphane ve API yapısı içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri arasında 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, modellerin hızla yakınsamasına yardımcı olur.

Ultralytics Python API'sini kullanarak model eğitmenin ve çıkarım çalıştırmanın ne kadar kolay olduğuna dair pratik bir örnek:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8n modelini yükle
model = YOLO("yolov8n.pt")

# Modeli COCO8 örnek veri kümesi üzerinde 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 önemli dönüm noktaları olsa da alan gelişmeye devam ediyor. Ultralytics, yeni projeler için Ocak 2026'da yayımlanan en yeni model ailesi YOLO26 modelini öneriyor.

YOLO26, mimarideki yakın tarihli gelişmeleri tek bir çatı altında birleştirir. YOLOv10'un Uçtan Uca NMS İçermeyen Tasarımını isteğe bağlı bire bir başlık (nms=False) olarak benimser; bu, dağıtım işlem hatlarını kolaylaştırır ve gecikme değişkenliğini azaltır. YOLO26 ayrıca LLM eğitiminden esinlenen SGD ve Muon hibriti MuSGD Optimize Ediciyi daha hızlı ve kararlı yakınsama için sunar.

YOLO26'daki temel iyileştirmeler:

  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Distribution Focal Loss'un (DFL) kaldırılmasının da katkısıyla YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket ataması, drone görüntüleri ve IoT sensörleri için kritik olan küçük nesneleri tanımayı iyileştirir.
  • Göreve Özgü İyileştirmeler: Örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, poz tahmini ve OBB için göreve özgü başlıklar ve kayıplar.

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.
  • Şu durumda Ultralytics YOLOv8'i seç: Ultralytics Platform tarafından desteklenen, kararlı ve üretime hazır bir modele ihtiyacın varsa. Projen tek ve kolayca sürdürülebilen bir kod tabanı kullanarak birden fazla görevi (ör. nesneleri algılayıp ardından segmentlere ayırmayı) gerektiriyorsa iyi bir seçenektir.
  • Şu durumda YOLO26'yı seç (Önerilen): Doğruluk, isteğe bağlı uçtan uca NMS'siz çıkarım ve CPU ile uç donanımlarda yüksek hız arasında en iyi dengeyi istiyorsan.

Daha geniş 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.

Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. koalag564GitHub(düzenlendi)

    Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.