YOLOv8 vs YOLO11: Teknik Bir Karşılaştırma
Nesne algılama için Ultralytics YOLOv8 ve YOLO11 'in karşılaştırılması, gerçek zamanlı bilgisayarla görme alanındaki gelişmeleri ortaya koymaktadır. Ultralytics tarafından geliştirilen her iki model de hız ve doğruluk için tasarlanmıştır, ancak biraz farklı ihtiyaçlara hitap eder ve farklı mimari seçimler üzerine inşa edilir. Bu sayfa, kullanıcıların temel farklılıkları ve ideal uygulamaları anlamalarına yardımcı olmak için ayrıntılı bir teknik karşılaştırma sunmaktadır.
YOLOv8 Genel Bakış
YOLOv8Ultralytics tarafından 2023-01-10 tarihinde tanıtılan YOLO , YOLO serisinde önemli bir yinelemeyi temsil etmektedir. Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından yazılan YOLOv8 , nesne algılama, segmentasyon, sınıflandırma ve poz tahmini gibi çeşitli görme görevlerinde çok yönlülük ve kullanım kolaylığına odaklanmaktadır. Önceki YOLO mimarileri üzerine inşa edilmiştir ancak gelişmiş performans ve esneklik için geliştirmeler içermektedir. YOLOv8 dokümantasyonu, kullanıcı dostu olduğunu vurgulayarak nesne algılama alanında hem yeni başlayanlar hem de deneyimli uygulayıcılar için erişilebilir olmasını sağlar.
Mimari ve Temel Özellikler:
YOLOv8 , model mimarisini düzene sokan ve eğitim sürecini basitleştiren tek aşamalı, çapasız bir algılama paradigmasını sürdürmektedir. Temel mimari özellikler şunlardır:
- Omurga: Özellik çıkarma verimliliği için optimize edilmiş, rafine bir CSPDarknet omurgası kullanır.
- Boyun: Gelişmiş özellik füzyonu için boyunda bir C2f çapraz aşamalı kısmi ağ kullanır, bilgi akışını ve gradyan yayılımını iyileştirir.
- Kafa: Ayrıştırılmış algılama kafası, sınıflandırma ve regresyon görevlerini ayırarak gelişmiş doğruluk ve daha hızlı yakınsamaya katkıda bulunur.
Performans Ölçütleri:
YOLOv8 , çeşitli model boyutlarında en son teknolojiye sahip performansa ulaşmaktadır. COCO veri setinde nesne tespiti için en büyük varyant olan YOLOv8x 53,9 mAPval50-95 değerine ulaşırken, nano versiyon olan YOLOv8n 37,3 mAPval50-95 değerine ulaşarak doğruluk ve hızı dengelemiştir. Çıkarım hızları, YOLOv8n için CPU ONNX üzerinde 80,4 ms ile YOLOv8x için 479,1 ms arasında değişmekte ve farklı hesaplama kısıtlamaları için seçenekler sunmaktadır. Ayrıntılı YOLOv8 performans ölçümlerini keşfedin.
Kullanım Örnekleri:
YOLOv8'in çok yönlülüğü, onu güvenlik alarm sistemleri ve akıllı şehir dağıtımlarından sağlık ve üretim alanındaki gelişmiş uygulamalara kadar geniş bir uygulama yelpazesi için uygun hale getirir. Dengeli performansı, doğruluk ve hız karışımı gerektiren projeler için güçlü bir seçim olmasını sağlar.
Güçlü yönler:
- Çok Yönlü Görev Desteği: Algılama, segmentasyon, sınıflandırma ve poz tahminini yönetir.
- Yüksek Doğruluk ve Hız: mAP ve çıkarım hızı arasında iyi bir denge sunar.
- Kullanıcı Dostu: Ultralytics ile iyi belgelenmiş ve kullanımı kolay Python ve CLI arayüzler.
- Aktif Topluluk: Benefits from a large community and continuous updates from Ultralytics.
Zayıflıklar:
- Kaynak Yoğun: Daha büyük modeller, eğitim ve dağıtım için önemli hesaplama kaynakları gerektirir.
- Optimizasyon İhtiyaçları: Aşırı kaynak kısıtlı ortamlar için daha fazla optimizasyon gerektirebilir.
YOLOv8 hakkında daha fazla bilgi edinin
YOLO11 Genel Bakış
YOLO11Glenn Jocher ve Jing Qiu tarafından yazılan ve 2024-09-27 tarihinde piyasaya sürülen Ultralytics'in en son modeli olan YOLO , verimlilik ve performansta daha fazla ilerleme hedefleyerek YOLO serisine dayanmaktadır. YOLO11 , hız ve doğruluk temel felsefesini paylaşırken, doğruluktan önemli ölçüde ödün vermeden çıkarım hızını optimize etmek için tasarlanmış mimari iyileştirmeler sunuyor. YOLO11 dokümantasyonu, gerçek zamanlı uygulamalar için son teknoloji niteliğini ve uygunluğunu vurgulamaktadır.
Mimari ve Temel Özellikler:
YOLO11 ayrıca aerodinamik tasarım ve verimli hesaplamaya odaklanan tek aşamalı, çapasız bir yaklaşım benimser. Temel mimari özellikler şunlardır:
- Verimli Omurga: Özellik çıkarma yeteneklerini korurken hesaplama ek yükünü azaltan optimize edilmiş bir omurga mimarisi kullanır.
- Boyun Tasarımı: Daha az parametre ile özellik toplamayı geliştiren ve daha hızlı çıkarıma katkıda bulunan rafine bir boyun yapısına sahiptir.
- Optimize Edilmiş Başlık: Algılama başlığı, son tahmin katmanlarında hıza öncelik vererek minimum gecikme için tasarlanmıştır.
Performans Ölçütleri:
YOLO11 , hız iyileştirmelerine odaklanarak rekabetçi bir performans sergilemektedir. COCO veri setinde nesne tespiti için YOLO11x, YOLOv8x'e kıyasla 54,7 ile biraz daha yüksek bir mAPval50-95 elde ederken, CPU 'da daha yüksek çıkarım hızlarını koruyor ve GPU'da karşılaştırılabilir hızlara ulaşıyor. YOLO11n modeli 39,5 mAPval50-95 değerine ulaşarak YOLOv8n'e göre gelişme göstermiştir. YOLO11n 56,1 ms ve YOLO11x 462,8 ms ile CPU'da çıkarım hızları belirgin şekilde daha yüksektir ve bu da onu CPU'ya CPU uygulamalar için uygun hale getirir. Ayrıntılı kıyaslamalar için YOLO11 performans ölçümlerine bakın.
Kullanım Örnekleri:
YOLO11 , gerçek zamanlı video analizi, robotik ve sınırlı hesaplama kaynaklarına sahip uç cihazlar gibi çıkarım hızının çok önemli olduğu uygulamalar için özellikle uygundur. Verimliliği, doğruluktan ödün vermeden hızlı nesne algılama gerektiren senaryolarda dağıtım için idealdir. Uygulamalar arasında atık yönetimi, çevre koruma ve otomotiv çözümleri yer almaktadır.
Güçlü yönler:
- Üstün Çıkarım Hızı: Özellikle CPU'da daha hızlı çıkarım için tasarlanmıştır.
- Rekabetçi Doğruluk: Daha küçük model boyutlarında genellikle YOLOv8 'i aşan yüksek doğruluğu korur.
- Verimli Mimari: Kaynak kısıtlı ortamlar ve uç dağıtım için optimize edilmiştir.
- En Son Ultralytics Modeli: Ultralytics'in en son gelişmelerinden ve desteğinden yararlanır.
Zayıflıklar:
- Daha Büyük Modellerde Marjinal Doğruluk Kazançları: Daha büyük YOLO11 modelleri, YOLOv8 'e göre sadece küçük doğruluk iyileştirmeleri gösterirken, hesaplama açısından hala yoğundur.
- Daha Yeni Model: Daha yeni olduğundan, YOLOv8'e kıyasla daha küçük bir topluluğa ve daha az üçüncü taraf entegrasyonuna sahip olabilir.
YOLO11 hakkında daha fazla bilgi edinin
Model Karşılaştırma Tablosu
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (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
YOLOv8 ve YOLO11 arasında seçim yapmak özel uygulama gereksinimlerine bağlıdır. YOLOv8 , doğruluk ve hızı etkili bir şekilde dengeleyerek çok çeşitli görevler için uygun, sağlam ve çok yönlü bir çözüm sunar. Genel amaçlı nesne algılama ihtiyaçları için ideal, olgun ve iyi desteklenen bir modeldir. Öte yandan YOLO11, hız optimizasyonu için tasarlanmıştır ve özellikle CPU veya uç hesaplama senaryolarında çıkarım süresinin kritik olduğu durumlarda üstün bir seçimdir. Rekabetçi doğrulukla mümkün olan en hızlı gerçek zamanlı performansı talep eden uygulamalar için YOLO11 tercih edilen seçenektir.
Diğer modelleri keşfetmek isteyen kullanıcılar da düşünebilir:
- YOLOv5: Geniş bir topluluğa sahip, köklü ve yaygın olarak kullanılan bir model için. YOLOv5 vs YOLOv8 karşılaştırması.
- YOLOv9: Doğruluk iyileştirmelerine ve mimari yeniliklere odaklanan modeller için. YOLOv9 belgeleri.
- FastSAM: Son derece hızlı segmentasyon görevleri için. FastSAM belgeleri.
