Ultralytics YOLO27:
Get Started

YOLOv8 ve YOLO11#

Bilgisayarlı görünün hızlı gelişimi, gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle büyük ölçüde ivme kazandı. Modern alanda yolunu bulmaya çalışan geliştiriciler ve araştırmacılar için doğruluk, hız ve kaynak verimliliğini dengelemek adına doğru modeli seçmek kritik önem taşıyor. Bu teknik karşılaştırmada, Ultralytics ekosistemindeki iki temel modeli, Ultralytics YOLOv8 ve Ultralytics YOLO11, ele alacağız.

Her iki model de Ultralytics mimarilerinin ayırt edici özelliklerini sunuyor: kullanım kolaylığı, bakımı düzenli yapılan bir ekosistem ve düşük bellek gereksinimleriyle benzersiz eğitim verimliliği. Mimari tasarımlarını, performans ölçümlerini ve ideal dağıtım senaryolarını ayrıntılı olarak inceleyelim.

Modellere Genel Bakış#

Modellerin teknik özelliklerini karşılaştırmadan önce her iki modelin kökenini ve temel özelliklerini belirlemek faydalı olacaktır.

Ultralytics YOLOv8#

2023'ün başlarında ileriye doğru büyük bir atılım olarak yayımlanan YOLOv8, bağlantı noktası kullanmayan algılamayı ve kayıp fonksiyonlarında önemli iyileştirmeleri kullanıma sundu; böylece çok çeşitli makine öğrenimi görevleri için kısa sürede altın standart hâline geldi.

Ultralytics YOLO11#

Önceki sürümlerinin başarısını temel alan YOLO11, tahmin gücünden ödün vermeden son derece optimize edilmiş parametre sayısı sunarak doğruluk ve gecikme Pareto sınırını daha da ileri taşımak için temel mimariyi iyileştirdi.

Diğer Mimariler

Alternatif yaklaşımları araştırıyorsan Ultralytics, RT-DETR gibi Transformer tabanlı modelleri ve YOLO-World gibi sıfır örnekli, açık söz dağarcıklı algılayıcıları da destekliyor. Ancak en iyi gecikme ve bellek verimliliği için standart YOLO mimarileri genellikle tercih edilmeye devam ediyor.

Mimari ve Yöntemsel Farklar#

YOLOv8'den YOLO11'e geçiş, bütünüyle bir yenilemeden ziyade sinir ağı tasarımında dikkatli bir evrimi temsil ediyor ve modellerin çevresindeki bakımı düzenli yapılan ekosistemin kararlı kalmasını sağlıyor.

Omurga ve Boyun Optimizasyonları#

YOLOv8, geleneksel bağlantı kutularından uzaklaşan ve nesne algılamayı yalnızca merkez noktası tahmini olarak ele alan, sadeleştirilmiş bir CNN omurgası sundu. Bağlantı noktası kullanmayan bu yaklaşım, sınırlayıcı kutu regresyonunun karmaşıklığını önemli ölçüde azalttı. YOLO11 bu temeli alıp optimize edilmiş bir özellik piramidi ağı (FPN) ekledi ve C2f bloklarını C3k2 modüllerine dönüştürdü. Bu değişiklik, YOLO11'in COCO veri kümesinde tipik olarak bulunan küçük nesnelerde daha yüksek doğruluk sağlayan, daha zengin uzamsal özellikler çıkarmasını mümkün kılıyor.

Bellek Gereksinimleri ve Eğitim Verimliliği#

Hem YOLOv8'in hem de YOLO11'in eğitim sırasındaki düşük bellek gereksinimleri, en dikkat çekici avantajları arasındadır. Tüketici sınıfı donanımlarda VRAM'i kolayca doldurabilen ağır görsel Transformer modellerinin aksine, bu modeller standart GPU'larda PyTorch ile kolayca eğitilebilecek şekilde optimize edilmiştir. YOLO11, toplam parametre sayısını önemli ölçüde azaltırken Ortalama Kesinlik Ortalaması (mAP) değerini de artırır; büyük (L) varyantında YOLOv8'e kıyasla %42'ye kadar daha az parametre içerir. Bu, model eğitimi sırasında epoch sürelerinin kısalması ve karbon ayak izinin azalması anlamına gelir.

Performans Metrikleri#

Bu modellerin performans dengesini gerçek anlamda değerlendirmek için nesnel ölçütlere bakmalıyız. Aşağıdaki tablo, YOLOv8 ve YOLO11'i standart boyut çeşitlerinde (nano ile ekstra büyük arasında) karşılaştırıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Görüldüğü gibi YOLO11, daha az parametre ve FLOP kullanırken doğrulukta sürekli olarak YOLOv8'den daha iyi performans gösteriyor. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç dağıtımlardaki üstün verimliliğini ortaya koyuyor. NVIDIA TensorRT biçimine aktarıldığında her iki model de gerçek dünyadaki video akışı analizi için gerekli olan 15 ms'nin altında olağanüstü gecikme süreleri sunuyor.

Ekosistem ve Kullanım Kolaylığı#

Her iki model de birleşik ultralytics Python paketinden büyük ölçüde yararlanıyor. Bu kullanım kolaylığı, mühendislerin YOLOv8 ve YOLO11 arasında sorunsuzca geçiş yapmasını sağlıyor. Eğitim, doğrulama ve dışa aktarma işlemleri yalnızca birkaç satır kodla yapılabiliyor.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 modelini yükle ("yolov8n.pt" olarak kolayca değiştirebilirsin)
model = YOLO("yolo11n.pt")

# Modeli yerel bir veri kümesinde verimli bir şekilde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Optimize edilmiş modeli ONNX biçimine aktar
model.export(format="onnx")

Sorunsuz entegrasyon, ileri DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı kolaylaştıran Ultralytics Platformu ile de sürüyor.

Çok Yönlülük ve Gerçek Dünya Uygulamaları#

Ultralytics çerçevesinin temel özelliklerinden biri doğasında bulunan çok yönlülüktür. Hem YOLOv8 hem de YOLO11, standart nesne algılamanın ötesinde çok çeşitli bilgisayarlı görü görevlerini destekliyor:

Daha uzun süredir kullanımda olan YOLOv8, devasa bir topluluk eğitimleri arşivine ve kapsamlı biçimde test edilmiş kurumsal dağıtımlara sahip. YOLOv8 tensör şekillerini özellikle bekleyen eski işlem hatlarıyla entegrasyon yapıyorsan güvenilir bir seçenek olmaya devam ediyor. Ancak Raspberry Pi gibi gömülü uç cihazlara dağıtım gibi en yüksek verimliliği önceleyen yeni projelerde, hız-parametre oranının üstünlüğü nedeniyle YOLO11 operasyonel açıdan açık ara öne çıkıyor.

Kullanım Alanları ve Öneriler#

YOLOv8 ve YOLO11 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına 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.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için önerilir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

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.

En İleri Teknoloji: YOLO26'nın Avantajı#

YOLOv8 ve YOLO11 olağanüstü mimariler olsa da yapay zekâ alanındaki gelişmeler hiç durmuyor. 2026'da en ileri teknolojiye ulaşmayı hedefleyen geliştiriciler için Ultralytics YOLO26, ileriye doğru atılmış bir sonraki büyük adımı temsil ediyor.

YOLO26, dağıtım işlem hattını temelden yeniden tasarlıyor. İlk kez YOLOv10 ile öncülüğü yapılan Uçtan Uca NMS'siz Tasarım özelliği, (nms=False ile) karmaşık son işleme adımlarını ortadan kaldırıyor. Ayrıca DFL'nin Kaldırılması (Dağılımsal Odak Kaybı), dışa aktarma mantığını büyük ölçüde sadeleştirip düşük güç tüketen uç cihazlarla uyumluluğu artırıyor ve önceki sürümlere kıyasla CPU çıkarımını %43'e kadar hızlandırıyor.

Eğitim kararlılığı ve yakınsama hızı, LLM eğitim tekniklerinden ilham alan yeni MuSGD Optimize Edicisi sayesinde önemli ölçüde iyileştiriliyor. Ayrıca ProgLoss + STAL gibi yeni kayıp formülleri, IoT ve robotikte uzun süredir sorun olan küçük nesne tanımayı önemli ölçüde geliştiriyor. Poz tahmini için RLE ve segmentasyon için çok ölçekli proto gibi göreve özgü iyileştirmelerle YOLO26 rakipsiz kalıyor.

Doğru Modeli Seçme

Geniş kapsamlı eski sürüm topluluk desteğine ihtiyacın varsa YOLOv8 ile başla. Hız ve azaltılmış parametre sayısı arasında son derece iyi bir denge için YOLO11'e geç. Geleceğin uç için optimize edilmiş, NMS'siz mimarisinden yararlanmak için YOLO26'ya sıçra.

Sonuç#

YOLOv8 ve YOLO11 arasındaki seçim, nihayetinde proje takvimine ve donanım kısıtlarına bağlıdır. YOLOv8, benzersiz kararlılık sunan, savaşta kendini kanıtlamış bir sektör devidir. YOLO11 ise bu mimariyi geliştirerek daha az parametreyle daha yüksek mAP sunar ve kaynakları kısıtlı uç uygulamalar için son derece cazip hâle gelir. Hangi modeli seçersen seç, sorunsuz Ultralytics Python API'si geliştirme iş akışının çevik, verimli ve kapsamlı biçimde desteklenmiş kalmasını sağlar. Uç cihazlarda mümkün olanın sınırlarını zorlamaya hazır olduğunda YOLO26 seni bekliyor.

Katkıda Bulunanlar
GLglenn-jocher17

Yorumlar