YOLOv8 ve RTDETRv2#

Bilgisayarlı görü dünyası sürekli gelişiyor ve yeni mimariler, gerçek zamanlı nesne algılamada mümkün olanın sınırlarını zorluyor. Önemli ölçüde ilgi gören iki belirgin model, Ultralytics YOLOv8 ve Baidu'nun RTDETRv2'sidir. Bu kılavuz, bu iki güçlü model arasında kapsamlı bir teknik karşılaştırma sunarak mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını inceliyor.

YOLOv8'e Genel Bakış#

Ultralytics YOLOv8, YOLO (You Only Look Once) model ailesinde önemli bir dönüm noktasını temsil eder. Çok çeşitli görevler için olağanüstü hız, doğruluk ve kullanım kolaylığı sunmak adına yılların temel araştırmaları üzerine inşa edilmiştir.

Temel Özellikler:

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 10 Ocak 2023
• GitHub: Ultralytics Repository
• Docs: YOLOv8 Documentation

Mimari ve Güçlü Yönler#

YOLOv8, hem özellik çıkarımını hem de BBox regresyonunu optimize eden modern bir mimari sunar. Tahmin kafasını basitleştiren ve eğitim sırasında gereken hiperparametre ayarı miktarını azaltan çıpasız bir dedektördür. Bu mimari, çıkarım hızı ile ortalama ortalama kesinlik (mAP) arasında harika bir performance balance sağlayarak hem uç cihazlarda hem de bulut sunucularında gerçek dünya dağıtımları için son derece uygun hale getirir.

Ayrıca YOLOv8, Transformer tabanlı mimarilere kıyasla eğitim sırasında çok daha düşük memory requirements gerektirir. Bu, geliştiricilerin bellek dolması hatalarıyla karşılaşmadan standart tüketici GPU'larında modelleri eğitmesine olanak tanır.

Çok Yönlülük#

YOLOv8'in belirgin güçlü yönlerinden biri yerel çok yönlülüğüdür. Birçok model yalnızca BBox'lara odaklanırken YOLOv8; object detection, instance segmentation, image classification, pose estimation ve oriented bounding box (OBB) algılama için kutudan çıkan bir destek sunar.

YOLOv8 hakkında daha fazla bilgi edinin

RTDETRv2'ye Genel Bakış#

RTDETRv2 (Gerçek Zamanlı Algılama Transformatörü sürüm 2), Vision Transformer'ların güçlü dikkat mekanizmalarını gerçek zamanlı nesne algılama uygulamalarına getirmeyi amaçlayarak orijinal RT-DETR üzerine inşa edilmiştir.

Temel Özellikler:

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

Mimari ve Güçlü Yönler#

RTDETRv2, bir Evrişimli Sinir Ağı (CNN) omurgasını bir Transformer kodlayıcı-kod çözücü yapısıyla birleştiren hibrit bir mimariden yararlanır. Bu, modelin öz-dikkat mekanizmaları aracılığıyla karmaşık uzamsal ilişkileri ve küresel bağlamı yakalamasına olanak tanır. Bir dizi "bag-of-freebies" eğitim stratejisi kullanan RTDETRv2, COCO dataset gibi standart kıyaslama veri kümelerinde rekabetçi mAP puanları elde eder.

Zayıf Yönler#

Yüksek doğruluğuna rağmen, RTDETRv2'nin transformatör tabanlı yapısı, saf CNN mimarilerine kıyasla daha yüksek bellek tüketimi ve daha yavaş eğitim süreleri getirir. Transformatörler doğası gereği daha fazla VRAM gerektirir, bu da onları kaynakları kısıtlı donanımlarda eğitmeyi zorlaştırır. Ayrıca, RTDETRv2 algılamada güçlü olsa da, Ultralytics ekosisteminin doğasında bulunan çok görevli çok yönlülükten (poz ve bölümleme gibi) yoksundur.

RTDETRv2 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Üretim için modelleri değerlendirirken, model boyutu, çıkarım hızı ve doğruluk arasındaki denge çok önemlidir. Aşağıdaki tablo, YOLOv8 ve RTDETRv2 varyantlarının doğrudan bir karşılaştırmasını sunar.

Kullanım Durumları ve Öneriler#

YOLOv8 ve RT-DETR arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için güçlü bir tercihtir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

RT-DETR Ne Zaman Seçilmeli#

RT-DETR şunlar için önerilir:

• Transformer Tabanlı Algılama Araştırması: NMS olmadan uçtan uca nesne algılama için dikkat mekanizmalarını ve transformer mimarilerini keşfeden projeler.
• Esnek Gecikmeli Yüksek Doğruluklu Senaryolar: Algılama doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebilir olduğu uygulamalar.
• Büyük Nesne Algılama: Transformer'ların küresel dikkat mekanizmasının doğal bir avantaj sağladığı, ağırlıklı olarak orta-büyük nesnelerin olduğu sahneler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı#

Bir model seçmek ham metriklerin ötesine geçer; çevreleyen yazılım ekosistemi, geliştirici verimliliği açısından çok önemlidir. Ultralytics ecosystem, tüm makine öğrenimi yaşam döngüsünü basitleştiren birleşik bir Python API sağlayarak kullanım kolaylığıyla tanınır.

Veri kümesi yönetiminden dağıtık eğitime kadar Ultralytics, karmaşık ortak kodu soyutlar. Geliştiriciler, hazır önceden eğitilmiş ağırlıklardan ve Hugging Face gibi platformlar ve izleme araçlarıyla kusursuz entegrasyondan yararlanır. Bu iyi bakılan ekosistem; aktif geliştirmeyi, sık güncellemeleri ve güçlü topluluk desteğini garanti eder.

Ayrıca eğitim verimliliği, Ultralytics YOLO modellerinin ayırt edici bir özelliğidir. training process sırasında hızlı yakınsama ve daha düşük bellek ayak izleri için yüksek düzeyde optimize edilmiştirler; bu da RTDETRv2 gibi Transformer tabanlı dedektörlere kıyasla deneme döngülerini önemli ölçüde hızlandırır.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLOv8 bir güç merkezi olmaya devam ederken, en son teknolojiyi arayan geliştiriciler Ocak 2026'da piyasaya sürülen merakla beklenen YOLO26 sürümüne geçmeyi düşünmelidir. YOLO26, birkaç çığır açan yenilikle son teknolojiyi yeniden tanımlıyor:

• Uçtan Uca NMS-Free Tasarım: YOLO26, Non-Maximum Suppression (NMS) sonrası işlemini ortadan kaldırarak daha hızlı ve daha deterministik dağıtım iş akışları sağlar.
• DFL Kaldırma: Distribution Focal Loss'un kaldırılması, modeli daha iyi uç ve düşük güçlü cihaz uyumluluğu için sadeleştirir.
• MuSGD Optimizer: LLM eğitim yeniliklerini entegre eden MuSGD optimize edici, daha kararlı eğitim çalışmaları ve daha hızlı yakınsama sağlar.
• %43'e kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lardan yoksun ortamlar için ağır şekilde optimize edilmiştir.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleme ve robotik için kritik olan küçük nesne tanımada kayda değer iyileşmeler sağlar.

Ultralytics paketi içinde keşfetmeye değer diğer modern alternatifler arasında, eski projeler için güçlü performans sunan YOLO11 yer alır; ancak tüm yeni dağıtımlar için YOLO26 önerilir.

Kod Örneği: Eğitim ve Çıkarım#

Ultralytics API'sinin basitliği, modelleri yalnızca birkaç satırlık Python koduyla yükleyebileceğin, eğitebileceğin ve dağıtabileceğin anlamına gelir. Aşağıdaki örneği çalıştırmadan önce PyTorch yüklü olduğundan emin ol.

from ultralytics import YOLO

# Load a pretrained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model on your custom dataset
# Memory efficient training allows for larger batch sizes
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Run inference on a test image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

# Export seamlessly for edge deployment
export_path = model.export(format="onnx")

Sonuç#

Hem YOLOv8 hem de RTDETRv2, gerçek zamanlı nesne algılama için etkileyici yetenekler sunar. RTDETRv2, küresel bağlamı yakalamada transformatörlerin gücünü gösterir ve bu da onu çıkarım hızı ile bellek yükünün birincil kısıtlamalar olmadığı karmaşık uzamsal akıl yürütme görevleri için uygun hale getirir.

Ancak, hız, doğruluk ve kaynak verimliliğinin olağanüstü dengesine öncelik veren geliştiriciler için Ultralytics YOLO modelleri üstün seçenek olmaya devam etmektedir. YOLOv8'in hafif yapısı, benzersiz kullanım kolaylığı, birden fazla görüntüleme görevindeki çok yönlülüğü ve gelişen açık kaynak ekosistemi ile birleştiğinde, onu ölçeklenebilir üretim ortamları için tercih edilen çözüm haline getirir. Uç performansın zirvesini arayanlar için, yeni piyasaya sürülen YOLO26, endüstriye liderlik etmeye devam eden eşsiz NMS-free verimlilik sunar.