Link to this sectionYOLOv8 ve YOLO11: Gerçek Zamanlı Görüntü Modellerinin Kapsamlı Teknik Karşılaştırması#

Bilgisayarlı görüdeki hızlı evrim, gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle büyük ölçüde tetiklendi. Modern dünyada yönünü belirlemeye çalışan geliştiriciler ve araştırmacılar için, doğruluk, hız ve kaynak verimliliği arasında doğru dengeyi kuracak modeli seçmek kritiktir. Bu teknik karşılaştırmada, Ultralytics ekosisteminden iki temel modeli inceleyeceğiz: Ultralytics YOLOv8 ve Ultralytics YOLO11.

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.

Link to this sectionModel Genel Bakışları#

Spesifik teknik değerlerini karşılaştırmadan önce, her iki modelin kökenlerini ve temel özelliklerini belirlemek faydalı olacaktır.

Link to this sectionUltralytics 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

Link to this sectionUltralytics 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

Link to this sectionMimari 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.

Link to this sectionBackbone ve Neck Optimizasyonları#

YOLOv8, geleneksel çapa kutularından uzaklaşan ve nesne algılamayı tamamen bir merkez noktası tahmin problemi olarak ele alan aerodinamik bir CNN backbone tanıttı. Bu çapasız 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 modifikasyon, YOLO11'in genellikle COCO dataset üzerinde bulunan daha küçük nesnelerde daha iyi doğruluk sağlayan daha zengin uzamsal özellikler çıkarmasına olanak tanır.

Link to this sectionBellek Gereksinimleri ve Eğitim Verimliliği#

Hem YOLOv8 hem de YOLO11'in en dikkat çekici avantajlarından biri, eğitim sırasındaki düşük bellek gereksinimleridir. Tüketici donanımlarında VRAM'i kolayca tüketebilen ağır görüntü transformer'larının aksine, bu modeller standart GPU'larda erişilebilir PyTorch eğitimi için optimize edilmiştir. YOLO11, toplam parametrelerde önemli bir azalma (büyük (L) varyantında YOLOv8'e kıyasla %42'ye kadar daha az parametre) sağlarken aynı zamanda Ortalama Hassasiyetini (mAP) artırır. Bu da model eğitimi için daha hızlı epoch'lar ve daha düşük bir karbon ayak izi anlamına gelir.

Link to this sectionPerformans 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.

Görüldüğü gibi, YOLO11 doğruluk konusunda YOLOv8'den sürekli olarak daha iyi performans gösterirken daha az parametre ve FLOP kullanır. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç nokta dağıtımları için üstün verimliliğini vurgulamaktadır. NVIDIA TensorRT ile dışa aktarıldığında her iki model de gerçek dünya video akışı analizi için kritik olan 15ms altı olağanüstü gecikme süreleri sunar.

Link to this sectionEkosistem ve Kullanım Kolaylığı#

Her iki model de birleşik ultralytics Python paketinden büyük ölçüde yararlanır. Bu kullanım kolaylığı, mühendislerin YOLOv8 ve YOLO11 arasında sorunsuz bir şekilde geçiş yapmalarını sağlar. Eğitim, doğrulama ve dışa aktarma işlemleri 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")

Kesintisiz entegrasyon, gelişmiş DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı basitleştiren Ultralytics Platform ile devam eder.

Link to this sectionÇok 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:

• Örnek Segmentasyonu: Tıbbi görüntüleme ve otonom sürüş için yararlı, son derece hassas piksel seviyesinde maskeler.
• Poz Tahmini: Spor analitiği ve insan-bilgisayar etkileşimi için tasarlanmış anahtar nokta algılama.
• Görüntü Sınıflandırma: ImageNet üzerinde eğitilmiş backbone'ları kullanan hafif kategorizasyon.
• Yönelimli Sınırlayıcı Kutular (OBB): Uydu görüntülerinde 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.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv8 ile YOLO11 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için güçlü bir tercihtir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan 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.

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionEn İleri Nokta: YOLO26 Avantajı#

YOLOv8 ve YOLO11 harika mimariler olsa da, yapay zeka dünyası asla durmaz. 2026'da teknolojinin en uç noktasını hedefleyen geliştiriciler için Ultralytics YOLO26 bir sonraki devasa sıçramayı temsil eder.

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

Link to this sectionSonuç#

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.