YOLOv8 ve YOLO11#

Bilgisayarlı görü alanındaki hızlı gelişim, gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle büyük ölçüde desteklenmiştir. Modern ekosistemde yol alan geliştiriciler ve araştırmacılar için doğru modeli seçmek; doğruluk, hız ve kaynak verimliliği arasındaki dengeyi kurmak açısından kritik öneme sahiptir. Bu teknik karşılaştırmada, Ultralytics ekosistemindeki iki temel model olan Ultralytics YOLOv8 ve Ultralytics YOLO11 arasındaki farkları inceleyeceğiz.

Her iki model de Ultralytics mimarilerinin ayırt edici özelliklerini sergiler: kullanım kolaylığı, iyi sürdürülen bir ekosistem ve düşük bellek gereksinimleriyle benzersiz eğitim verimliliği. Şimdi mimari tasarımlarını, performans karşılaştırmalarını ve ideal dağıtım senaryolarını ayrıntılı olarak inceleyelim.

Model Genel Bakışları#

Modellerin teknik özelliklerini karşılaştırmadan önce, her iki modelin kökenlerini ve temel özelliklerini ortaya koymak yararlı olacaktır.

Ultralytics YOLOv8#

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

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics

Ultralytics YOLO11#

Önceki modellerinin başarısı üzerine inşa edilen YOLO11, doğruluk ve gecikme arasındaki Pareto sınırını daha da ileri taşımak için temel mimariyi geliştirdi ve tahmin gücünden ödün vermeden son derece optimize edilmiş bir parametre sayısı sundu.

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

Mimari ve Yöntemsel Farklılıklar#

YOLOv8'den YOLO11'e geçiş, tam kapsamlı bir yenilemeden ziyade sinir ağı tasarımının dikkatli bir şekilde evrimleşmesini ifade eder ve modellerin çevresindeki iyi sürdürülen ekosistemin istikrarını korur.

Backbone ve Neck Optimizasyonları#

YOLOv8, geleneksel anchor box'lardan uzaklaşan ve nesne algılamayı tamamen merkez noktası tahmini problemi olarak ele alan, sadeleştirilmiş bir CNN backbone'u kullanıma sundu. Bu anchorsuz 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 daha zengin uzamsal özellikler çıkarmasını sağlar; bu da COCO veri kümesinde tipik olarak bulunan daha küçük nesnelerde daha iyi doğruluk anlamına gelir.

Bellek Gereksinimleri ve Eğitim Verimliliği#

Hem YOLOv8'in hem de YOLO11'in en dikkat çekici avantajlarından biri, eğitim sırasındaki düşük bellek gereksinimleridir. Tüketici donanımındaki VRAM'i kolayca tüketebilen ağır vision Transformer'ların aksine bu modeller, standart GPU'larda erişilebilir PyTorch eğitimi için optimize edilmiştir. YOLO11, Mean Average Precision (mAP) değerini aynı anda artırırken toplam parametre sayısında önemli bir azalma sağlar; büyük (L) varyantında YOLOv8'e kıyasla %42'ye kadar daha az parametre kullanır. Bu, model eğitimi için daha hızlı epoch'lar ve daha düşük karbon ayak izi anlamına gelir.

Performans Metrikleri#

Bu modellerin performans dengesini gerçekten değerlendirmek için nesnel karşılaştırmalara bakmamız gerekir. Aşağıdaki tablo, YOLOv8 ile YOLO11'i standart ölçeklendirme varyantları (nano'dan ekstra büyüğe) genelinde karşılaştırır.

Gösterildiği üzere YOLO11, daha az parametre ve FLOP kullanırken doğrulukta sürekli olarak YOLOv8'i geride bırakır. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç dağıtımlarındaki üstün verimliliğini ortaya koyar. NVIDIA TensorRT'ye aktarıldığında her iki model de gerçek dünyadaki video akışı analizi için gerekli olan 15 ms'nin altında olağanüstü gecikmeler sunar.

Ekosistem ve Kullanım Kolaylığı#

Her iki model de birleşik ultralytics Python paketinden büyük ölçüde yararlanır. Bu kullanım kolaylığı, mühendislerin YOLOv8 ile YOLO11 arasında sorunsuzca geçiş yapmasını sağlar. 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, gelişmiş DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı kolaylaştıran Ultralytics Platform'a da uzanır.

Çok Yönlülük ve Gerçek Dünya Uygulamaları#

Ultralytics çerçevesinin temel özelliklerinden biri, doğal 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, piksel düzeyinde yüksek doğruluklu maskeler.
• Poz Tahmini: Spor analitiği ve insan-bilgisayar etkileşimi için uyarlanmış anahtar nokta algılama.
• Görüntü Sınıflandırma: ImageNet üzerinde eğitilmiş backbone'ları kullanan hafif kategorilendirme.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Uydu görüntülerindeki döndürülmüş nesneleri tanımlamak için kritik öneme sahiptir.

Daha uzun süredir kullanıma sunulmuş olan YOLOv8, geniş bir topluluk eğitimleri arşivine ve kapsamlı biçimde test edilmiş kurumsal dağıtımlara sahiptir. YOLOv8 tensör şekillerini kesin olarak bekleyen eski işlem hatlarıyla entegrasyon yapıyorsan güvenilirliğini kanıtlamış bir seçenek olmaya devam eder. Ancak Raspberry Pi gibi gömülü uç cihazlara dağıtım yapma örneğinde olduğu gibi, en yüksek verimliliğe öncelik veren yeni projeler için YOLO11, üstün hız-parametre oranı sayesinde operasyonel açıdan açık ara kazanan seçenektir.

Kullanım Alanları ve Öneriler#

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

YOLOv8 Ne Zaman Seçilmeli?#

YOLOv8 şu durumlar için güçlü bir seçenektir:

• Çok Görevli Çok Yönlü Dağıtım: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Kurulu Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve kapsamlı biçimde test edilmiş dağıtım işlem 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 şu durumlarda önerilir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

En İleri Nokta: YOLO26'nın Avantajı#

YOLOv8 ve YOLO11 olağanüstü mimariler olsa da yapay zekâ dünyasındaki gelişim hiç durmaz. 2026'da son teknolojiye ulaşmayı hedefleyen geliştiriciler için Ultralytics YOLO26, ileriye doğru bir sonraki büyük atılımı temsil eder.

YOLO26, dağıtım işlem hattını temelden yeniden tasarlar. YOLOv10'da ilk kez öncülük edilen çığır açıcı bir yaklaşım olan Uçtan Uca NMS'siz Tasarım özelliği, karmaşık son işleme adımlarını ortadan kaldırır. Ayrıca DFL'nin Kaldırılması (Dağılımsal Odak Kayıp), dışa aktarma mantığını büyük ölçüde sadeleştirir ve düşük güçlü uç cihazlarla uyumluluğu artırır; bunun sonucunda önceki modellerine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde edilir.

Eğitim kararlılığı ve yakınsama hızları, LLM eğitim tekniklerinden esinlenen hibrit bir yöntem olan yeni MuSGD Optimizer sayesinde önemli ölçüde iyileştirilmiştir. Ayrıca ProgLoss + STAL gibi yeni kayıp formülasyonları, IoT ve robotik alanlarının tarihsel sorunlarından biri olan küçük nesne tanımayı büyük ölçüde geliştirir. Poz tahmini için RLE ve segmentasyon için çok ölçekli proto gibi göreve özgü iyileştirmelerle YOLO26 rakipsizdir.

Sonuç#

YOLOv8 ile YOLO11 arasındaki seçim, nihayetinde proje zaman çizelgene ve donanım kısıtlamalarına bağlıdır. YOLOv8, benzersiz kararlılık sunan ve sahada kendini kanıtlamış bir sektör devidir. Buna karşılık YOLO11, bu mimariyi geliştirerek daha az parametreyle daha yüksek mAP sunar ve kaynakları kısıtlı uç uygulamalar için son derece cazip hâle gelir. Seçimin ne olursa olsun, sorunsuz Ultralytics Python API'si geliştirme iş akışının çevik, verimli ve kapsamlı biçimde desteklenmiş kalmasını sağlar. Uç cihazlarda mümkün olanların sınırlarını zorlamaya hazır olduğunda YOLO26 seni bekliyor.