YOLOv8 ve YOLO11: Gerçek Zamanlı Görsel Modellerin Kapsamlı Bir Teknik Karşılaştırması

Bilgisayar görüşünün hızlı evrimi, gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle büyük ölçüde yönlendirilmiştir. Modern ortamda yol alan geliştiriciler ve araştırmacılar için doğru modeli seçmek, doğruluk, hız ve kaynak verimliliğini dengelemek açısından kritik öneme sahiptir. Bu teknik karşılaştırmada, Ultralytics ekosisteminden iki temel model olan Ultralytics YOLOv8 ve Ultralytics YOLO11 arasındaki farkları inceleyeceğiz.

Her iki model de Ultralytics mimarilerinin temel özelliklerini sergiler—kullanım kolaylığı, iyi yönetilen bir ekosistem ve düşük bellek gereksinimleriyle eşsiz eğitim verimliliği. Mimari tasarımlarına, performans kıyaslamalarına ve ideal dağıtım senaryolarına derinlemesine bakalım.

Model Genel Bakışları

Belirli teknik üstünlüklerini karşılaştırmadan önce, her iki modelin kökenlerini ve temel özelliklerini belirlemek faydalı olacaktır.

Ultralytics YOLOv8

2023 yılının başlarında büyük bir ilerleme olarak piyasaya sürülen YOLOv8, anchor-free algılamayı ve kayıp fonksiyonlarında önemli iyileştirmeleri tanıttı ve hızla çok çeşitli makine öğrenimi görevleri 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 başarısı üzerine inşa edilen YOLO11, doğruluk ve gecikme Pareto sınırını daha da ileriye taşımak için çekirdek mimariyi iyileştirerek, tahmin gücünden ödün vermeden yüksek oranda optimize edilmiş bir parametre sayısı tanıttı.

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2024-09-27
GitHub:ultralytics/ultralytics

YOLO11 hakkında daha fazla bilgi edinin

Diğer Mimariler

Alternatif yaklaşımları araştırıyorsanız, Ultralytics ayrıca RT-DETR gibi transformer tabanlı modelleri ve YOLO-World gibi sıfır atışlı açık kelime algılayıcılarını da desteklemektedir. Ancak, 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, tam bir revizyondan ziyade sinir ağı tasarımında dikkatli bir evrimi temsil ederek, modeller etrafındaki iyi yönetilen ekosistemin istikrarlı kalmasını sağlamaktadır.

Backbone ve Boyun Optimizasyonları

YOLOv8, geleneksel anchor kutularından uzaklaşan, nesne algılamayı tamamen bir merkez nokta tahmin problemi olarak ele alan modern bir CNN backbone tanıttı. Bu anchor-free yaklaşım, sınırlayıcı kutu regresyonunun karmaşıklığını önemli ölçüde azalttı. YOLO11 bu temeli alarak optimize edilmiş bir özellik piramidi ağı (FPN) tanıttı ve C2f bloklarını C3k2 modüllerine dönüştürdü. Bu değişiklik, YOLO11'in daha zengin uzamsal özellikler çıkarmasına olanak tanır, bu da genellikle COCO veri kümesinde bulunan daha küçük nesnelerde daha iyi doğruluk anlamına gelir.

Bellek Gereksinimleri ve Eğitim Verimliliği

Hem YOLOv8 hem de YOLO11'in en dikkat çekici avantajlarından biri, eğitim sırasında düşük bellek gereksinimleridir. Tüketici donanımında VRAM'i kolayca tüketebilen ağır görme transformer'larının aksine, bu modeller standart GPU'larda erişilebilir PyTorch eğitimi için optimize edilmiştir. YOLO11, YOLOv8'e kıyasla büyük (L) varyantında %22'ye kadar daha az parametre ile toplam parametrelerde önemli bir azalma sağlarken, aynı zamanda Ortalama Hassasiyetini (mAP) artırmaktadır. Bu, daha hızlı epoch'lar ve model eğitimi için 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 ölçeklendirme varyantları (nano'dan ekstra-büyüğe) genelinde karşılaştırmaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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 kullanarak doğrulukta YOLOv8'i sürekli olarak geride bırakmaktadır. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç dağıtımlar için üstün verimliliğini vurgulamaktadır. NVIDIA TensorRT'ye aktarıldığında, her iki model de gerçek dünya video akışı analizi için gerekli olan olağanüstü 15ms altı gecikmeler sunar.

Ekosistem ve Kullanım Kolaylığı

Her iki model de birleşik ultralytics Python paketi. Bu kullanım kolaylığı mühendislerin YOLOv8 ve YOLO11 arasında sorunsuz bir şekilde geçiş yapmasına olanak tanır. Eğitim, doğrulama ve dışa aktarma yalnızca 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, ileri düzey DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı basitleştiren Ultralytics Platformu'na kadar uzanır.

Çok Yönlülük ve Gerçek Dünya Uygulamaları

Ultralytics çerçevesinin önemli bir özelliği, doğal çok yönlülüğüdür. Hem YOLOv8 hem de YOLO11, standart nesne algılamanın ötesinde geniş bir bilgisayar görüşü görevi yelpazesini destekler:

Örnek Segmentasyon: Tıbbi görüntüleme ve otonom sürüş için faydalı, yüksek doğrulukta piksel düzeyinde maskeler.
Duruş Tahmini: Spor analizi ve insan-bilgisayar etkileşimi için özel olarak tasarlanmış anahtar nokta algılama.
Görüntü Sınıflandırma: ImageNet üzerinde eğitilmiş backbone'ları kullanan hafif kategorizasyon.
Oriented Bounding Boxes (OBB): Uydu görüntülerindeki dönmüş nesneleri tanımlamak için kritik öneme sahiptir.

YOLOv8, daha uzun süredir mevcut olması nedeniyle, geniş bir topluluk eğitimleri deposuna ve yoğun bir şekilde test edilmiş kurumsal dağıtımlara sahiptir. Kesinlikle YOLOv8 tensor şekilleri bekleyen eski iş akışlarıyla entegre oluyorsanız, oldukça güvenilir bir seçim olmaya devam etmektedir. Ancak, Raspberry Pi gibi gömülü kenar cihazlara dağıtım yapmak gibi maksimum verimliliğe öncelik veren yeni projeler için YOLO11, üstün hız-parametre oranı nedeniyle açık ara operasyonel kazananıdır.

Kullanım Durumları ve Öneriler

YOLOv8 ve YOLO11 arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.

YOLOv8 Ne Zaman Tercih Edilmeli?

YOLOv8 şunlar için güçlü bir seçenektir:

Çok Yönlü Çok Görevli Dağıtım: Ultralytics ekosistemi içinde detect, segment, sınıflandırma ve poz tahmini için kanıtlanmış bir model gerektiren projeler.
Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulu, kararlı 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 faydalanan uygulamalar.

Ne Zaman YOLO11 Seçmeli

YOLO11, aşağıdaki durumlar için önerilir:

Üretim Uç Cihaz Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçeve içinde detect, segment, poz tahmini ve obb gerektiren projeler.
Hızlı Prototipleme ve Dağıtım: Basitleştirilmiş Ultralytics python API'sini kullanarak veri toplama aşamasından üretime hızla 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 Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Son Teknoloji: YOLO26 Avantajı

YOLOv8 ve YOLO11 olağanüstü mimariler olsa da, yapay zeka alanı sürekli gelişmektedir. 2026'da en son teknolojiyi hedefleyen geliştiriciler için Ultralytics YOLO26, bir sonraki anıtsal ileri adımı temsil etmektedir.

YOLO26, dağıtım hattını temelden yeniden tasarlar. İlk olarak YOLOv10'da öncülük edilen, karmaşık işlem sonrası adımlarını ortadan kaldıran Uçtan Uca NMS-Free Tasarımına sahiptir. Ayrıca, DFL Kaldırma (Distribution Focal Loss), dışa aktarma mantığını büyük ölçüde basitleştirir ve düşük güçlü kenar cihazlarla uyumluluğu artırarak seleflerine kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar.

Eğitim kararlılığı ve yakınsama hızları, LLM eğitim tekniklerinden esinlenilen hibrit bir yapı olan yeni MuSGD Optimizatörü tarafından önemli ölçüde iyileştirilmiştir. Ayrıca, ProgLoss + STAL gibi yeni kayıp formülasyonları, IoT ve robotik için tarihsel bir sorun noktası olan küçük nesne tanımayı önemli ölçüde geliştirir. Poz tahmini için RLE ve segmentasyon için çok ölçekli proto gibi göreve özel iyileştirmelerle YOLO26 rakipsizdir.

YOLO26 hakkında daha fazla bilgi edinin

Doğru Modeli Seçmek

Kapsamlı eski topluluk desteğine ihtiyacınız varsa yolculuğunuza YOLOv8 ile başlayın. Hız ve azaltılmış parametrelerin yüksek oranda rafine edilmiş dengesi için YOLO11'e yükseltin. Geleceğin nihai kenar optimize edilmiş, NMS-free mimarisi için YOLO26'ya geçin.

Sonuç

YOLOv8 ve YOLO11 arasında seçim yapmak, nihayetinde proje zaman çizelgenize ve donanım kısıtlamalarınıza bağlıdır. YOLOv8, sektörün savaşta kanıtlanmış bir devi olup, eşsiz kararlılık sunar. Tersine, YOLO11 bu mimariyi iyileştirerek daha az parametreyle daha yüksek mAP sunar, bu da onu kaynak kısıtlı kenar uygulamaları için inanılmaz derecede çekici kılar. Seçiminiz ne olursa olsun, sorunsuz Ultralytics Python API'si, geliştirme iş akışınızın çevik, verimli ve eksiksiz desteklenmesini sağlar. Kenar cihazlarda nelerin mümkün olduğunun sınırlarını zorlamaya hazır olduğunuzda ise YOLO26 hazır ve beklemektedir.