YOLOv8 - YOLO11: Ayrıntılı Teknik Bir Karşılaştırma
Özellikle nesne algılama için bir bilgisayar görüşü modeli seçerken, farklı mimarilerin güçlü ve zayıf yönlerini anlamak önemlidir. Bu sayfa, nesne algılama ve diğer görme görevleri için tasarlanmış Ultralytics'in son teknoloji ürünü iki modeli olan Ultralytics YOLOv8 ve Ultralytics YOLO11 arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Projeniz için bilinçli bir karar vermenize rehberlik etmek için mimari nüanslarını, performans kıyaslamalarını ve uygun uygulamalarını analiz edeceğiz.
Ultralytics YOLOv8
Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolov8/
2023'ün başlarında piyasaya sürülen YOLOv8, önceki sürümlere göre performansta önemli bir sıçrama sunarak gerçek zamanlı nesne algılama için hızla bir ölçüt haline geldi. Hem doğruluğu hem de hızı artıran, ankraj içermeyen bir algılama mekanizması ve yeni bir CSPDarknet53 tabanlı backbone tanıttı. YOLOv8, algılama, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırması dahil olmak üzere çok çeşitli vizyon yapay zeka görevlerini destekleyen son derece çok yönlü bir modeldir.
Mimari ve Temel Özellikler
YOLOv8'in mimarisi, verimlilik ve esneklik için tasarlanmıştır. Anchor-free (bağlantısız) başlığı, kutu tahminlerinin sayısını azaltarak, işlem sonrası ardışık düzeni basitleştirir ve çıkarım hızını artırır. Model, yalnızca tek bir model değil, çeşitli görevler için modellerin eğitilmesi için birleşik bir platform sağlayan kapsamlı bir çerçeve olarak tasarlanmıştır. Ultralytics ekosistemine bu entegrasyon, kullanıcıların kapsamlı belgeler ve sağlam bir araç seti ile desteklenen, eğitimden dağıtıma kadar kolaylaştırılmış bir iş akışından yararlanması anlamına gelir.
Güçlü Yönler
- Kanıtlanmış Performans: Performans ve hız konusunda endüstri standartlarını belirlemiş, son derece güvenilir ve yaygın olarak benimsenmiş bir modeldir.
- Görev Çok Yönlülüğü: Algılama, segmentasyon, sınıflandırma ve poz tahminini işleyebilen tek, birleşik bir çerçeve.
- Olgun Ekosistem: Çok sayıda topluluk eğitimi, üçüncü taraf entegrasyonları ve üretim ortamlarında yaygın dağıtımından yararlanır.
- Kullanım Kolaylığı: Basit bir Python API'si ve CLI içerir, bu da onu hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar.
Zayıflıklar
- Hala en iyi performans gösterenlerden biri olmasına rağmen, özellikle CPU kaynaklı senaryolarda, doğruluğu ve hızı halefi YOLO11 tarafından aşılmıştır.
- Daha büyük modeller (YOLOv8l, YOLOv8x) işlem açısından yoğun olabilir ve gerçek zamanlı performans için önemli miktarda GPU kaynağı gerektirebilir.
Kullanım Alanları
YOLOv8, özellikle istikrar ve olgun bir ekosistemin değerli olduğu çok çeşitli uygulamalar için mükemmel bir seçim olmaya devam ediyor. Şu konularda mükemmeldir:
- Endüstriyel Otomasyon: Üretimde kalite kontrolü ve kusur tespiti için.
- Güvenlik Sistemleri: Gerçek zamanlı izleme ve izinsiz giriş algılama için gelişmiş güvenlik sistemlerine güç sağlar.
- Perakende Analitiği: Envanter yönetimini iyileştirme ve müşteri davranışını analiz etme.
YOLOv8 hakkında daha fazla bilgi edinin
Ultralytics YOLO11
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolo11/
YOLO11, üstün doğruluk ve verimlilik için tasarlanmış Ultralytics YOLO serisindeki en son evrimdir. YOLOv8'in güçlü temeli üzerine inşa edilen YOLO11, özellik çıkarımını ve işlemeyi optimize eden mimari iyileştirmeler sunar. Bu, özellikle CPU'larda daha az parametre ve daha hızlı çıkarım hızlarıyla daha yüksek algılama hassasiyetiyle sonuçlanır. Selefi gibi, YOLO11 de aynı akıcı çerçeve içinde algılama, segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekleyen çok görevli bir modeldir.
Mimari ve Temel Özellikler
YOLO11, hesaplama maliyeti ve performans arasında daha iyi bir denge sağlamak için ağ yapısını iyileştirir. Aşağıdaki performans tablosunda gösterildiği gibi, YOLOv8'e kıyasla daha düşük parametre sayısı ve daha az FLOP ile daha yüksek doğruluk elde eder. Bu verimlilik, kaynak kısıtlı uç cihazlardan güçlü bulut sunucularına kadar çok çeşitli donanımlarda dağıtım için oldukça uygundur. YOLO11'in temel bir avantajı, mükemmel bir kullanıcı deneyimi, kolayca erişilebilen önceden eğitilmiş ağırlıklarla verimli eğitim süreçleri ve eğitim ve çıkarım sırasında daha düşük bellek kullanımı sağlayan iyi yönetilen Ultralytics ekosistemine sorunsuz entegrasyonudur.
Güçlü Yönler
- Son Teknoloji Doğruluğu: Tüm model boyutlarında YOLOv8'den daha yüksek mAP skorları sunarak nesne algılama için yeni bir standart belirler.
- Gelişmiş Verimlilik: Özellikle CPU'da önemli ölçüde daha hızlı çıkarım hızları sunarken, daha az parametre ve FLOP gerektirir.
- Performans Dengesi: Çeşitli gerçek dünya uygulamaları için ideal olmasını sağlayan hız ve doğruluk arasında olağanüstü bir denge sağlar.
- Ölçeklenebilirlik ve Çok Yönlülük: Çeşitli donanımlarda iyi performans gösterir ve tek, kullanımı kolay bir çerçeve içinde birden fazla bilgisayar görüşü görevini destekler.
- İyi Yönetilen Ekosistem: Aktif geliştirme, GitHub ve Discord üzerinden güçlü topluluk desteği ve sık güncellemelerden yararlanır.
Zayıflıklar
- Daha yeni bir model olduğu için, daha köklü YOLOv8'e kıyasla başlangıçta daha az üçüncü taraf entegrasyonuna sahip olabilir.
- En büyük modeller (örneğin, YOLO11x) hala eğitim ve dağıtım için önemli miktarda işlem gücü gerektirir; bu, yüksek doğruluklu dedektörlerin ortak bir özelliğidir.
Kullanım Alanları
YOLO11, en yüksek düzeyde doğruluk ve gerçek zamanlı performans gerektiren yeni projeler için önerilen seçimdir. Verimliliği, onu aşağıdakiler için ideal hale getirir:
- Robotik: Otonom sistemlerde hassas navigasyon ve nesne etkileşimini mümkün kılar.
- Sağlık Hizmetleri: Tümör tespiti gibi uygulamalar için tıbbi görüntü analizine yardımcı olma.
- Akıllı Şehirler: Akıllı trafik yönetimi ve kamu güvenliği sistemlerini güçlendirme.
YOLO11 hakkında daha fazla bilgi edinin
Performans Karşılaştırması: YOLOv8 - YOLO11
YOLOv8 ve YOLO11 arasındaki temel fark performansta yatmaktadır. YOLO11, daha yüksek doğruluk (mAP) ve daha fazla verimlilik (daha az parametre ve daha yüksek hızlar) sunarak YOLOv8'den sürekli olarak daha iyi performans gösterir. Örneğin, YOLO11l, YOLOv8l'den (52.9) daha yüksek bir mAP'ye (53.4) yaklaşık %42 daha az parametreyle ulaşır ve CPU'da önemli ölçüde daha hızlıdır. Bu eğilim tüm model varyantlarında geçerlidir ve YOLO11'i daha güçlü ve verimli bir halef yapar.
Model | boyut (piksel) |
mAPval 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 |
Sonuç ve Öneri
Hem YOLOv8 hem de YOLO11 olağanüstü modellerdir, ancak biraz farklı ihtiyaçlara hizmet ederler.
-
YOLOv8, üzerine inşa edilmiş veya mevcut üçüncü taraf araçlar ve eğitimlerden oluşan geniş ekosistemine büyük ölçüde güvenen projeler için güvenli bir seçim olmasını sağlayan sağlam ve olgun bir modeldir. Çok çeşitli bilgisayarla görme görevleri için güçlü bir seçim olmaya devam ediyor.
-
YOLO11, performans ve verimlilik açısından açık bir kazanan. Gerçek zamanlı nesne algılamanın en son noktasını temsil ediyor. Herhangi bir yeni proje için YOLO11, önerilen başlangıç noktasıdır. Üstün doğruluğu, daha hızlı çıkarım hızları (özellikle CPU'da) ve daha verimli mimarisi önemli bir avantaj sağlar ve uygulamanızı geleceğe hazırlar. Ultralytics ekosistemi içindeki sürekli destek ve geliştirme, geliştiriciler ve araştırmacılar için birinci sınıf bir seçim olarak konumunu daha da sağlamlaştırıyor.
Diğer modelleri keşfetmek isteyenler için Ultralytics, temel YOLOv5, son YOLOv9 ve RT-DETR gibi transformatör tabanlı modeller dahil olmak üzere bir dizi mimariyi de destekler. Model karşılaştırma sayfamızda daha fazla karşılaştırma bulabilirsiniz.