Ultralytics YOLOv8 YOLO11: Mimari Evrim ve Performans Analizi

Nesne algılama mimarilerinin gelişimi hızlı olmuştur ve her yineleme, doğruluk, hız ve kullanılabilirlik açısından önemli iyileştirmeler getirmiştir. Ultralytics YOLOv8, 2023'ün başlarında piyasaya sürüldü ve bilgisayar görüşünde çok yönlülük ve kullanım kolaylığı açısından yeni bir standart belirledi. 2024'ün sonlarında, Ultralytics YOLO11 , daha geniş bir görev yelpazesinde daha da fazla verimlilik ve performans için mimariyi iyileştirerek piyasaya sürüldü.

Bu kapsamlı kılavuz, bu iki güçlü modeli karşılaştırarak mimari farklılıklarını, performans ölçütlerini ve ideal kullanım örneklerini analiz eder ve bir sonraki bilgisayar görme projeniz için doğru aracı seçmenize yardımcı olur.

Modele Genel Bakış

Teknik özelliklere geçmeden önce, her modelin geliştirilmesinin arkasındaki bağlamı ve hedefleri anlamak önemlidir. Her ikisi de Ultralytics erişilebilir, son teknoloji görme yapay zekası yaratma taahhüdünün ürünleridir.

Ultralytics YOLOv8

2023 yılının Ocak ayında piyasaya sürülen YOLOv8 , algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB gibi birçok görevi tek bir kullanıcı dostu API altında birleştirerek önemli bir dönüm noktası YOLOv8 . Yeni bir backbone ankrajsız algılama başlığı sunarak, çeşitli uygulamalar için son derece çok yönlü hale geldi.

Önemli Detaylar:

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

YOLOv8 hakkında daha fazla bilgi edinin.

Ultralytics YOLO11

Eylül 2024'te piyasaya sürülen YOLO11 , YOLOv8 sağlam temelleri üzerine YOLO11 . Özellik çıkarma verimliliğini ve işlem hızını artırmak için mimari iyileştirmelere odaklanmaktadır. YOLO11 , daha az parametre ile daha yüksek doğruluk sunmak üzere YOLO11 , bu da onu gerçek zamanlı uç uygulamalar için özellikle etkili kılmaktadır.

Önemli Detaylar:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş:Ultralytics
• Tarih: 27 Eylül 2024
• Belgeler:YOLO11 Dökümantasyonu
• GitHub:Ultralytics Deposu

YOLO11 hakkında daha fazla bilgi edinin

Mimari Farklılıklar

YOLOv8 YOLO11 YOLOv8 geçiş, hesaplama maliyeti ve doğruluk arasındaki dengeyi optimize etmeyi amaçlayan birkaç önemli mimari değişikliği YOLO11 .

Backbone ve Özellik Çıkarımı

YOLOv8 , önceki nesillerdeki C3 modüllerinin yerini alan C2f backbone değiştirilmiş bir CSPDarknet53 backbone YOLOv8 . Bu tasarım, gradyan akışını ve özellik zenginliğini iyileştirmiştir.

YOLO11 , backbone içindeki darboğaz yapılarını ve dikkat mekanizmalarını iyileştirerek bunu daha da YOLO11 . Bu değişiklikler, modelin daha karmaşık kalıpları ve uzamsal hiyerarşileri daha az hesaplama yüküyle yakalamasına olanak tanır. Bu, hava görüntülerinde küçük nesnelerin algılanması veya üretim kalite kontrolü gibi zor görevler için özellikle faydalıdır.

Baş Mimari

Her iki model de çapa içermeyen kafalar kullanır, bu da eğitim sürecini basitleştirir ve farklı nesne şekilleri arasında genellemeyi iyileştirir. Ancak YOLO11 , boyun ve kafada daha gelişmiş özellik birleştirme teknikleri YOLO11 , bu da YOLOv8 kıyasla daha iyi konumlandırma hassasiyeti ve sınıf ayrımı sağlar.

Performans Analizi

Üretim için bir model seçerken, ortalama ortalama hassasiyet (mAP), çıkarım hızı ve model boyutu gibi ölçütler çok önemlidir. Aşağıdaki tablo, COCO önceden eğitilmiş ağırlıkların ayrıntılı bir karşılaştırmasını sunmaktadır.

Temel Performans Çıkarımları

• Verimlilik: YOLO11 , YOLOv8 kıyasla daha hafif (daha az parametre) ve daha hızlı (daha düşük gecikme süresi) olmasının yanı sıra daha yüksek doğruluk sağlar. Örneğin, YOLO11n, CPU ONNX YOLOv8n yaklaşık %22 daha hızlıdır YOLOv8n daha yüksek mAP değerine sahiptir.
• Hesaplama: YOLO11 'deki azaltılmış FLOP'lar, onu cep telefonları veya gömülü IoT sensörleri gibi pille çalışan veya kaynakları sınırlı cihazlar için mükemmel bir seçim YOLO11 .
• Doğruluk: YOLO11 mAP , özellikle daha küçük model varyantlarında (Nano ve Small), ağır donanım gerektirmeden yüksek güvenilirlik gerektiren uygulamalar için önemlidir.

Eğitim ve Kullanım Kolaylığı

Ultralytics belirleyici güçlerinden biri, birleştirilmiş ve basitleştirilmiş kullanıcı deneyimidir. Hem YOLOv8 YOLO11 aynı sezgisel API'yi YOLO11 , böylece geliştiriciler tek bir satırlık kod değişikliği ile mimariler arasında geçiş yapabilirler.

Ultralytics'in Avantajı

Genellikle büyük miktarda GPU ve karmaşık yapılandırma gerektiren karmaşık dönüştürücü modellerinden farklı olarak, Ultralytics eğitim verimliliği için optimize edilmiştir. Tüketici sınıfı GPU'larda etkili bir şekilde eğitilebilirler ve yüksek performanslı yapay zekaya erişimi demokratikleştirirler.

Her iki modelde ortak olan özellikler şunlardır:

• Basit Python : Modelleri dakikalar içinde yükleyin, eğitin ve dağıtın.
• Kapsamlı Belgeler: Hiperparametre ayarlama, veri artırma ve dağıtım hakkında kapsamlı kılavuzlar.
• Ekosistem Entegrasyonu: Veri kümesi yönetimi, uzaktan eğitim ve tek tıklamayla model dışa aktarma için Ultralytics ile sorunsuz uyumluluk.

Eğitim Örneği:

Aşağıdaki kod, YOLOv8 YOLO11 arasında ne kadar kolay geçiş yapabileceğinizi göstermektedir.

from ultralytics import YOLO

# Load a YOLOv8 model
model_v8 = YOLO("yolov8n.pt")
# Train YOLOv8
model_v8.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a YOLO11 model - Same API!
model_11 = YOLO("yolo11n.pt")
# Train YOLO11
model_11.train(data="coco8.yaml", epochs=100, imgsz=640)

İdeal Kullanım Senaryoları

Her iki model de oldukça yetenekli olmakla birlikte, kendine özgü güçlü yönleri sayesinde farklı senaryolar için uygundur.

YOLOv8 Ne Zaman Tercih Edilmeli?

YOLOv8 , özellikle aşağıdakiler için sağlam ve güvenilir bir seçenek YOLOv8 :

• Eski Projeler: YOLOv8 için zaten optimize edilmiş YOLOv8 mimari yükseltmeye acil ihtiyaç duymadan istikrar YOLOv8 mevcut boru hatları.
• Geniş Topluluk Kaynakları: Piyasada daha uzun süredir bulunması nedeniyle, YOLOv8 üçüncü taraf eğitimleri, videolar ve topluluk uygulamalarından oluşan kapsamlı bir kütüphaneye YOLOv8 .
• Genel Amaçlı Vizyon: Aşırı kenar optimizasyonunun birincil kısıtlama olmadığı standart nesne algılama görevleri için mükemmeldir.

Ne Zaman YOLO11 Seçmeli

YOLO11 , çoğu yeni dağıtım için, özellikle aşağıdakiler için önerilen YOLO11 :

• Edge Computing: Daha düşük parametre sayısı ve daha hızlı çıkarım hızı, onu Raspberry Pi, Jetson Nano ve mobil uygulamalar için ideal hale getirir.
• Gerçek Zamanlı Uygulamalar: Her milisaniyenin önemli olduğu otonom sürüş veya yüksek hızlı üretim hatları gibi görevler için kritik öneme sahiptir.
• Karmaşık Görevler: Mimari iyileştirmeler, spor analitiği için poz tahmini veya tıbbi görüntüleme için örnek segmentasyonu gibi zorlu senaryolarda performansı artırır.

Sonuç

Hem YOLOv8 YOLO11 , verimli bilgisayar görüşünün zirvesini YOLO11 . YOLOv8 , dünya çapında sayısız yapay zeka uygulamasını destekleyen çok yönlü, kullanıcı dostu bir standart oluşturmuştur. YOLO11 bu mirası daha da geliştirerek, uç cihazlarda mümkün olanın sınırlarını zorlayan, daha akıcı, daha hızlı ve daha doğru bir mimari sunar.

Bugün yeni projeler başlatan geliştiriciler için, YOLO11 hız ve doğruluk arasında üstün bir denge sunar. Ancak, uçtan uca NMS algılama ve optimize edilmiş kayıp fonksiyonları gibi en son yenilikleri talep edenler için, yeni piyasaya sürülen YOLO26'yi incelemenizi şiddetle tavsiye ederiz.

Daha Fazla Okuma

• YOLO Performans Metrikleri Açıklaması
• Model Dışa Aktarma Kılavuzu (ONNX, TensorRT, CoreML)
• Ultralytics : Zahmetsizce Eğitin ve Dağıtın
• Gerçek Dünyada Yapay Zeka Uygulamaları

Keşfedilecek Diğer Modeller

• YOLO26: Ultralytics en son teknoloji ürünü modeli Ultralytics Ocak 2026), NMS tasarıma sahiptir.
• RT-DETR: Hızın daha az kritik olduğu senaryolar için yüksek doğruluk sunan, transformer tabanlı bir detect edici.
• SAM 2: Meta'nın Segment Anything Modeli, sıfır atış segmentasyon görevleri için idealdir.

Yorumlar