YOLOv8 ve RTDETRv2#

Bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler gerçek zamanlı nesne algılamanın sınırlarını zorluyor. Büyük ilgi gören iki model, Ultralytics YOLOv8 ve Baidu'nun RTDETRv2 modelidir. Bu kılavuz, mimarilerini, performans ölçümlerini ve ideal dağıtım senaryolarını inceleyerek bu iki güçlü modelin kapsamlı bir teknik karşılaştırmasını sunuyor.

YOLOv8'e Genel Bakış#

Ultralytics YOLOv8, YOLO (Yalnızca Bir Kez Bak) model ailesinde önemli bir dönüm noktasını temsil eder. Çeşitli görevlerde olağanüstü hız, doğruluk ve kullanım kolaylığı sunmak için yılların temel araştırma birikiminden yararlanır.

Temel Özellikler:

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 10 Ocak 2023
• GitHub: Ultralytics Deposu
• Belgeler: YOLOv8 Belgeleri

Mimari ve Güçlü Yönler#

YOLOv8, hem özellik çıkarmayı hem de sınırlayıcı kutu regresyonunu optimize eden, kolaylaştırılmış bir mimari sunar. Çapadan bağımsız bir algılayıcıdır; bu sayede tahmin başlığı basitleşir ve eğitim sırasında gereken hiperparametre ayarlarının sayısı azalır. Bu mimari, çıkarım hızı ile ortalama hassasiyet (mAP) arasında mükemmel bir performans dengesi sağlayarak hem uç cihazlarda hem de bulut sunucularında gerçek dünyadaki dağıtımlar için son derece elverişlidir.

Ayrıca YOLOv8, eğitim sırasında Transformer tabanlı mimarilere kıyasla önemli ölçüde daha düşük bellek gereksinimlerine sahiptir. Bu sayede geliştiriciler bellek yetersizliği hatalarıyla karşılaşmadan standart tüketici GPU'larında model eğitebilir.

Çok Yönlülük#

YOLOv8'in belirleyici güçlü yönlerinden biri yerleşik çok yönlülüğüdür. Birçok model yalnızca sınırlayıcı kutulara odaklanırken YOLOv8; nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama desteğini kullanıma hazır olarak sunar.

RTDETRv2'ye Genel Bakış#

RTDETRv2 (Gerçek Zamanlı Algılama Transformer'ı sürüm 2), Görsel Transformer'ların güçlü dikkat mekanizmalarını gerçek zamanlı nesne algılama uygulamalarına taşımayı amaçlayarak özgün RT-DETR üzerine inşa edilmiştir.

Temel Özellikler:

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Kurum: Baidu
• Tarih: 2024-07-24
• Arxiv: 2407.17140
• GitHub: RT-DETR Deposu
• Belgeler: RTDETRv2 README Dosyası

Mimari ve Güçlü Yönler#

RTDETRv2, Evrişimli Sinir Ağı (CNN) omurgasını Transformer kodlayıcı-kod çözücü yapısıyla birleştiren hibrit bir mimariden yararlanır. Bu sayede model, öz dikkat mekanizmaları aracılığıyla karmaşık uzamsal ilişkileri ve genel bağlamı yakalayabilir. RTDETRv2, bir dizi "ücretsiz kazanım" eğitim stratejisinden yararlanarak COCO veri kümesi gibi standart kıyaslama veri kümelerinde rekabetçi mAP puanları elde eder.

Zayıf Yönler#

Yüksek doğruluğuna rağmen RTDETRv2'nin Transformer tabanlı yapısı, saf CNN mimarilerine kıyasla daha fazla bellek tüketimine ve daha uzun eğitim sürelerine yol açar. Transformer'lar doğası gereği daha fazla VRAM gerektirdiğinden kaynakları kısıtlı donanımlarda eğitilmeleri zor olabilir. Ayrıca RTDETRv2 algılama konusunda başarılı olsa da Ultralytics ekosisteminde yerleşik olan çok görevli çok yönlülükten (poz ve bölütleme gibi) yoksundur.

RTDETRv2 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Üretim ortamı için modelleri değerlendirirken model boyutu, çıkarım hızı ve doğruluk arasındaki denge çok önemlidir. Aşağıdaki tabloda YOLOv8 ve RTDETRv2 çeşitlerinin doğrudan karşılaştırması sunulmuştur.

Kullanım Alanları ve Öneriler#

YOLOv8 ile RT-DETR arasında seçim yapmak; projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

• Çok Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlarda önerilir:

• Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
• Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
• Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Model seçimi, ham metriklerin ötesine geçer; çevresindeki yazılım ekosistemi, geliştirici üretkenliği açısından çok önemlidir. Ultralytics ekosistemi, tüm makine öğrenimi yaşam döngüsünü basitleştiren birleşik bir Python API'si sunarak kullanım kolaylığıyla tanınır.

Veri kümesi yönetiminden dağıtık eğitime kadar Ultralytics, karmaşık tekrar eden kodları soyutlar. Geliştiriciler, kullanıma hazır önceden eğitilmiş ağırlıklardan ve Hugging Face gibi platformlarla ve izleme araçlarıyla sorunsuz entegrasyondan yararlanır. İyi bakımı yapılan bu ekosistem, etkin geliştirme, sık güncellemeler ve güçlü topluluk desteği sağlar.

Ayrıca eğitim verimliliği, Ultralytics YOLO modellerinin ayırt edici özelliklerinden biridir. Modeller, eğitim süreci sırasında hızlı yakınsama ve daha düşük bellek kullanımı için yüksek düzeyde optimize edilmiştir; bu da transformatör tabanlı RTDETRv2 gibi algılayıcılara kıyasla deneme döngülerini önemli ölçüde hızlandırır.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLOv8 güçlü bir model olmaya devam etse de en yeni teknolojileri kullanmak isteyen geliştiriciler, Ocak 2026'da yayımlanan YOLO26 sürümüne yükseltmeyi değerlendirmelidir. YOLO26, birçok çığır açan yenilikle en ileri teknoloji standardını yeniden belirliyor:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırarak daha hızlı ve daha öngörülebilir dağıtım iş akışları sağlar.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, modeli uç ve düşük güç tüketimli cihazlarla daha uyumlu hâle getirir.
• MuSGD Optimize Edici: LLM eğitimi yeniliklerini bir araya getiren MuSGD optimize edici, daha kararlı eğitim süreçleri ve daha hızlı yakınsama sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Özel GPU'ların bulunmadığı ortamlar için yoğun biçimde optimize edilmiştir.
• ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması, hava görüntüleri ve robotik uygulamalar için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar.

Ultralytics ürün ailesinde keşfedilmeye değer diğer modern alternatiflerden biri, eski projelerde güçlü performans sunan YOLO11 modelidir; ancak tüm yeni dağıtımlar için YOLO26 önerilir.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics API'sinin basitliği sayesinde modelleri yalnızca birkaç satır Python koduyla yükleyebilir, eğitebilir ve dağıtabilirsin. Aşağıdaki örneği çalıştırmadan önce PyTorch kurulu olduğundan emin ol.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv8 modelini yükle
model = YOLO("yolov8s.pt")

# Modeli özel veri kümenle eğit
# Bellek verimliliği sağlayan eğitim, daha büyük toplu iş boyutlarına olanak tanır
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Bir test görüntüsü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")

# Sonuçları görüntüle
results[0].show()

# Uç dağıtımı için sorunsuz bir şekilde dışa aktar
export_path = model.export(format="onnx")

Sonuç#

YOLOv8 ve RTDETRv2, gerçek zamanlı nesne algılama için güçlü yetenekler sunar. RTDETRv2, genel bağlamı yakalamada Transformer modellerinin gücünü ortaya koyar ve çıkarım hızının ve bellek yükünün öncelikli kısıtlar olmadığı, karmaşık uzamsal akıl yürütme görevleri için uygun hâle gelir.

Ancak hız, doğruluk ve kaynak verimliliği arasında olağanüstü bir dengeye öncelik veren geliştiriciler için Ultralytics YOLO modelleri üstün seçenek olmaya devam eder. YOLOv8'in hafif yapısı; benzersiz kullanım kolaylığı, birden çok görüntü işleme görevindeki çok yönlülüğü ve canlı açık kaynak ekosistemiyle birleşerek onu ölçeklenebilir üretim ortamlarının başvurulacak çözümü hâline getirir. Uç performansında en üst düzeyi arayanlar için yeni yayımlanan YOLO26, sektörün öncülüğünü sürdüren, eşsiz NMS'siz verimlilik sunar.