YOLOv8 ve YOLO11#
Bilgisayarlı görüdeki hızlı evrim, gerçek zamanlı nesne tespiti framework'lerindeki sürekli ilerlemelerle büyük ölçüde desteklenmiştir. Modern manzarada yol alan geliştiriciler ve araştırmacılar için doğru modeli seçmek; doğruluk, hız ve kaynak verimliliğini dengelemek açısından kritik önem taşır. Bu teknik karşılaştırmada, Ultralytics ekosistemindeki iki temel model olan Ultralytics YOLOv8 ve Ultralytics YOLO11 arasındaki farkları inceleyeceğiz.
Her iki model de Ultralytics mimarilerinin temel özelliklerini sergiler: kullanım kolaylığı, iyi korunmuş bir ekosistem ve düşük bellek gereksinimleriyle benzersiz bir eğitim verimliliği. Şimdi mimari tasarımlarına, performans kıyaslamalarına ve ideal dağıtım senaryolarına yakından bakalım.
Model Genel Bakışları#
Spesifik teknik değerlerini karşılaştırmadan önce, her iki modelin kökenlerini ve temel özelliklerini belirlemek faydalı olacaktır.
Ultralytics YOLOv8#
2023'ün başlarında büyük bir sıçrama olarak piyasaya sürülen YOLOv8, çapasız (anchor-free) algılamayı ve kayıp fonksiyonlarında önemli iyileştirmeleri beraberinde getirerek kısa sürede birçok makine öğrenmesi görevi için altın standart haline geldi.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: ultralytics/ultralytics
YOLOv8 hakkında daha fazla bilgi edinin
Ultralytics YOLO11#
Öncüllerinin başarısının üzerine inşa edilen YOLO11, doğruluk ve gecikme süresi (latency) konusundaki Pareto sınırını daha da ileriye taşımak için temel mimariyi iyileştirdi ve tahmin gücünden ödün vermeden yüksek düzeyde optimize edilmiş bir parametre sayısı sundu.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
YOLO11 hakkında daha fazla bilgi edinin
Alternatif yaklaşımları keşfediyorsan, Ultralytics ayrıca RT-DETR gibi transformer tabanlı modelleri ve YOLO-World gibi sıfır vuruşlu (zero-shot) açık kelime dağarcığı dedektörlerini de destekler. Bununla birlikte, optimum gecikme ve bellek verimliliği için standart YOLO mimarileri genellikle tercih edilen seçenek olmaya devam etmektedir.
Mimari ve Metodolojik Farklılıklar#
YOLOv8'den YOLO11'e geçiş, tamamen bir yenilenmeden ziyade, modellerin etrafındaki iyi korunmuş ekosistemin istikrarlı kalmasını sağlayan dikkatli bir evrimi temsil eder.
Backbone ve Neck Optimizasyonları#
YOLOv8, geleneksel çıpa (anchor) kutularından uzaklaşarak nesne tespitini tamamen bir merkez nokta tahmin problemi olarak ele alan kolaylaştırılmış bir CNN omurgası tanıttı. Bu çıpasız yaklaşım, sınırlayıcı kutu regresyonunun karmaşıklığını önemli ölçüde azalttı. YOLO11 bu temeli alarak optimize edilmiş bir özellik piramidi ağı (FPN) sundu ve C2f bloklarını C3k2 modüllerine dönüştürdü. Bu değişiklik, YOLO11'in COCO dataset içinde tipik olarak bulunan daha küçük nesnelerde daha iyi doğruluk anlamına gelen daha zengin uzamsal özellikleri çıkarmasına olanak tanır.
Bellek Gereksinimleri ve Eğitim Verimliliği#
Hem YOLOv8 hem de YOLO11'in en dikkat çekici avantajlarından biri, eğitim sırasında düşük bellek gereksinimlerine sahip olmalarıdır. Tüketici donanımlarında VRAM'i kolayca tüketebilen ağır vizyon transformer'larının aksine, bu modeller standart GPU'larda erişilebilir PyTorch eğitimi için optimize edilmiştir. YOLO11, Ortalama Ortalama Kesinliği (mAP) aynı anda artırırken toplam parametrelerde önemli bir azalma sağlar; büyük (L) varyantta YOLOv8'e kıyasla %42'ye varan oranda daha az parametre sunar. Bu, model eğitimi için daha hızlı epoch'lar ve daha düşük bir karbon ayak izi anlamına gelir.
Performans Metrikleri#
Bu modellerin performans dengesini gerçekten değerlendirmek için objektif kıyaslamalara bakmalıyız. Aşağıdaki tablo, YOLOv8 ve YOLO11'i standart ölçekleme varyantlarında (nano'dan ekstra büyüğe kadar) karşılaştırmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Gösterildiği gibi YOLO11, daha az parametre ve FLOP kullanırken doğruluk açısından sürekli olarak YOLOv8'i geride bırakmaktadır. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç (edge) dağıtımları için üstün verimliliğini vurgulamaktadır. NVIDIA TensorRT formatına aktarıldığında her iki model de gerçek dünya video akışı analizi için gerekli olan olağanüstü 15 ms altı gecikmeler sunar.
Ekosistem ve Kullanım Kolaylığı#
Her iki model de birleştirilmiş ultralytics Python paketinden son derece faydalanmaktadır. Bu kullanım kolaylığı, mühendislerin YOLOv8 ve YOLO11 arasında sorunsuz bir şekilde geçiş yapmasını sağlar. Eğitim, doğrulama ve dışa aktarma sadece birkaç satır kodla gerçekleştirilebilir.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized model to ONNX
model.export(format="onnx")Sorunsuz entegrasyon, gelişmiş DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı basitleştiren Ultralytics Platform seçeneğine kadar uzanır.
Çok Yönlülük ve Gerçek Dünya Uygulamaları#
Ultralytics çerçevesinin en önemli özelliklerinden biri doğuştan gelen çok yönlülüğüdür. Hem YOLOv8 hem de YOLO11, standart nesne algılamanın ötesinde çok çeşitli bilgisayarlı görü görevlerini destekler:
- Instance Segmentation: Tıbbi görüntüleme ve otonom sürüş için yararlı olan yüksek doğruluklu piksel düzeyinde maskeler.
- Pose Estimation: Spor analitiği ve insan-bilgisayar etkileşimi için uyarlanmış anahtar nokta tespiti.
- Image Classification: ImageNet üzerinde eğitilmiş omurgaları kullanan hafif kategorilendirme.
- Oriented Bounding Boxes (OBB): Uydu görüntülerindeki döndürülmüş nesneleri tanımlamak için kritik öneme sahiptir.
Daha uzun süredir mevcut olan YOLOv8, devasa bir topluluk eğitimleri deposuna ve yoğun bir şekilde test edilmiş kurumsal dağıtımlara sahiptir. Eğer kesinlikle YOLOv8 tensör şekillerini bekleyen eski sistemlerle entegrasyon sağlıyorsan, oldukça güvenilir bir seçenek olmaya devam eder. Ancak Raspberry Pi gibi gömülü uç cihazlarda dağıtım yapmak gibi maksimum verimliliğe öncelik veren yeni projeler için YOLO11, hız-parametre oranı sayesinde operasyonel olarak açık ara kazanan taraftır.
Kullanım Durumları ve Öneriler#
YOLOv8 ile YOLO11 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.
YOLO11 Ne Zaman Seçilmeli#
YOLO11 şunlar için önerilir:
- Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
- Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.
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.
En İleri Nokta: YOLO26 Avantajı#
YOLOv8 ve YOLO11 olağanüstü mimariler olsa da, yapay zeka dünyası asla durmaksızın ilerlemektedir. 2026 yılında mutlak en son teknolojiyi (state-of-the-art) hedefleyen geliştiriciler için Ultralytics YOLO26, bir sonraki devasa sıçramayı temsil etmektedir.
YOLO26, dağıtım hattını temelden yeniden tasarlar. Karmaşık işlem sonrası adımları ortadan kaldıran, YOLOv10'da ilk kez öncülük edilen çığır açıcı bir yaklaşım olan Uçtan Uca NMS-Free (NMS'siz) Tasarım özelliğine sahiptir. Dahası, DFL Kaldırma (Dağılım Odaklı Kayıp) dışa aktarma mantığını büyük ölçüde basitleştirir ve düşük güç tüketen uç cihazlarla uyumluluğu artırarak, öncüllerine kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar.
Eğitim kararlılığı ve yakınsama hızları, LLM eğitim tekniklerinden esinlenen yeni MuSGD Optimizer ile dramatik bir şekilde iyileştirilmiştir. Ek olarak, ProgLoss + STAL gibi yeni kayıp formülasyonları, IoT ve robotik için tarihi bir sorun olan küçük nesne algılamayı önemli ölçüde geliştirir. Poz tahmini için RLE ve segmentasyon için çok ölçekli proto gibi göreve özel iyileştirmelerle YOLO26 rakipsizdir.
YOLO26 hakkında daha fazla bilgi edin
Kapsamlı eski topluluk desteğine ihtiyacın varsa yolculuğuna YOLOv8 ile başla. Hız ve azaltılmış parametrelerin son derece rafine edilmiş bir dengesi için YOLO11'e yükselt. Geleceğin en uç noktada optimize edilmiş, NMS'siz mimarisi için YOLO26'ya geç.
Sonuç#
YOLOv8 ile YOLO11 arasında seçim yapmak, nihayetinde proje takvimine ve donanım kısıtlamalarına bağlıdır. YOLOv8, rakipsiz bir istikrar sunan, endüstrinin savaşta test edilmiş titanıdır. Tersine, YOLO11 bu mimariyi rafine ederek daha az parametreyle daha yüksek mAP sunar ve bu da onu kaynak kısıtlı uç uygulamalar için inanılmaz derecede çekici kılar. Seçimin ne olursa olsun, sorunsuz Ultralytics Python API, geliştirme iş akışının çevik, verimli ve tamamen destekli kalmasını sağlar. Uç cihazlarda mümkün olanın sınırlarını zorlamaya hazır olduğunda, YOLO26 seni bekliyor olacak.