Sayfayı GitHub üzerinde düzenle (EN)

YOLOv8 ve YOLO11: Gerçek Zamanlı Görüntü Modellerinin Kapsamlı Teknik Karşılaştırması

Bilgisayarlı görüdeki hızlı evrim, büyük ölçüde gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle yönlendiriliyor. Modern dünyada yolunu bulmaya çalışan geliştiriciler ve araştırmacılar için, doğruluk, hız ve kaynak verimliliğini dengelemek adına doğru modeli seçmek kritik öneme sahiptir. Bu teknik karşılaştırmada, Ultralytics ekosisteminin iki temel modeli olan Ultralytics YOLOv8 ve Ultralytics YOLO11 arasındaki farkları inceleyeceğiz.

Her iki model de Ultralytics mimarilerinin temel özelliklerini sergiliyor: kullanım kolaylığı, iyi sürdürülen bir ekosistem ve düşük bellek gereksinimleriyle benzersiz bir eğitim verimliliği. Şimdi mimari tasarımlarına, performans kıyaslamalarına ve ideal dağıtım senaryolarına derinlemesine bakalım.

Model Genel Bakışları

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

Ultralytics YOLOv8

2023 başlarında büyük bir sıçrama olarak piyasaya sürülen YOLOv8, çapasız (anchor-free) algılama yöntemini ve kayıp fonksiyonlarında önemli iyileştirmeleri tanıttı ve hızla birçok makine öğrenimi görevi için altın standart haline geldi.

YOLOv8 hakkında daha fazla bilgi edin

Ultralytics YOLO11

Öncüllerinin başarısı üzerine inşa edilen YOLO11, doğruluk ve gecikme süresinin Pareto sınırını daha da ileriye taşımak için temel mimariyi iyileştirdi ve tahmin gücünden ödün vermeden son derece optimize edilmiş bir parametre sayısı sundu.

YOLO11 hakkında daha fazla bilgi edin

Diğer Mimariler

Alternatif yaklaşımlar keşfediyorsan, Ultralytics ayrıca RT-DETR gibi transformer tabanlı modelleri ve YOLO-World gibi sıfır vuruşlu (zero-shot) açık kelime dağarcığına sahip dedektörleri de destekler. Ancak optimum gecikme ve bellek verimliliği için, standart YOLO mimarileri genellikle tercih edilen seçenek olmaya devam etmektedir.

Mimari ve Metodolojik Farklılıklar

YOLOv8'den YOLO11'e geçiş, tam bir yenilemeden ziyade sinir ağı tasarımında dikkatli bir evrimi temsil eder ve modellerin etrafındaki iyi sürdürülen ekosistemin istikrarlı kalmasını sağlar.

Omurga ve Boyun Optimizasyonları

YOLOv8, geleneksel çapa kutularından (anchor boxes) uzaklaşan ve nesne algılamayı tamamen bir merkez nokta tahmini problemi olarak ele alan modern bir CNN omurgası tanıttı. Bu çapasız yaklaşım, sınırlayıcı kutu regresyonunun karmaşıklığını önemli ölçüde azalttı. YOLO11 bu temeli alarak optimize edilmiş bir özellik piramidi ağı (FPN) ekledi ve C2f bloklarını C3k2 modüllerine dönüştürdü. Bu modifikasyon, YOLO11'in genellikle COCO veri kümesinde bulunan küçük nesnelerde daha iyi doğruluk anlamına gelen daha zengin mekansal özellikler çıkarmasını sağlar.

Bellek Gereksinimleri ve Eğitim Verimliliği

Hem YOLOv8 hem de YOLO11'in en dikkat çekici avantajlarından biri, eğitim sırasındaki düşük bellek gereksinimleridir. Tüketici donanımlarında kolayca VRAM tüketen ağır görme 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 %22'ye kadar daha az parametre) sağlarken aynı zamanda Ortalama Hassasiyeti (mAP) artırır. Bu, model eğitimi için daha hızlı dönemler ve daha düşük karbon ayak izi anlamına gelir.

Performans Metrikleri

Bu modellerin performans dengesini gerçekten değerlendirmek için objektif kıyaslamalara bakmalıyız. Aşağıdaki tablo, YOLOv8 ve YOLO11'i standart ölçeklendirme varyantları (nano'dan ekstra büyüğe) üzerinden karşılaştırır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

Görüldüğü üzere, YOLO11 daha az parametre ve FLOP kullanırken doğruluk açısından sürekli olarak YOLOv8'den daha iyi performans gösterir. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç nokta (edge) dağıtımları için üstün verimliliğini vurgular. NVIDIA TensorRT ile dışa aktarıldığında, her iki model de gerçek dünya video akışı analizi için gerekli olan 15ms altı olağanüstü gecikme süreleri sunar.

Ekosistem 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 yapmasını sağlar. Eğitim, doğrulama ve dışa aktarma 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")

Sorunsuz entegrasyon, gelişmiş DevOps bilgisi gerektirmeden bulut tabanlı eğitimi, model izlemeyi ve dağıtımı basitleştiren Ultralytics Platform ile genişletilmiştir.

Çok Yönlülük ve Gerçek Dünya Uygulamaları

Ultralytics çerçevesinin temel bir özelliği, sahip olduğu çok yönlülüktür. Hem YOLOv8 hem de YOLO11, standart nesne algılamanın ötesinde çok çeşitli bilgisayarlı görü görevlerini destekler:

Daha uzun süredir mevcut olan YOLOv8, muazzam bir topluluk eğitimi deposuna ve yoğun bir şekilde test edilmiş kurumsal dağıtımlara sahiptir. Eğer kesinlikle YOLOv8 tensör şekillerini bekleyen eski sistemlerle entegrasyon sağlıyorsan, son derece güvenilir bir seçenek olmaya devam eder. Ancak, Raspberry Pi gibi gömülü uç cihazlarda dağıtım yapmak gibi maksimum verimliliği önceliklendiren yeni projeler için YOLO11, hız-parametre oranındaki üstünlüğü sayesinde net operasyonel kazananıdır.

Kullanım Durumları ve Öneriler

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

YOLOv8 Ne Zaman Seçilmeli

YOLOv8 şunlar için güçlü bir seçenektir:

  • Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde tespit, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir model gerektiren projeler.
  • Kurulmuş Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, kararlı ve iyi test edilmiş dağıtım süreçlerine sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Ne Zaman YOLO11 Seçilmeli

YOLO11 şunlar için önerilir:

  • Üretim Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çok Görevli Görü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, poz tahmini ve OBB gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ne Zaman Ultralytics (YOLO26) Seçilmeli

Çoğu yeni proje için Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

  • NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası zorluğu olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Sadece CPU Ortamları: Özel GPU hızlandırması olmayan, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı 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.

En İleri Nokta: YOLO26 Avantajı

YOLOv8 ve YOLO11 olağanüstü mimariler olsa da, yapay zeka dünyası asla yerinde durmaz. 2026'da mutlak en son teknolojiyi hedefleyen geliştiriciler için Ultralytics YOLO26 bir sonraki büyük sıçramayı temsil eder.

YOLO26, dağıtım sürecini temelden yeniden hayal eder. İlk olarak YOLOv10'da öncülük edilen ve karmaşık işlem sonrası adımlarını ortadan kaldıran çığır açıcı bir yaklaşım olan Uçtan Uca NMS'siz Tasarım'a sahiptir. Ayrıca, DFL (Dağılımsal Odak Kaybı) Kaldırma özelliği, dışa aktarma mantığını büyük ölçüde basitleştirir ve düşük güçlü uç cihazlarla uyumluluğu artırarak öncülerine kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar.

Eğitim kararlılığı ve yakınsama hızları, LLM eğitim tekniklerinden ilham alan hibrit bir yapı olan yeni MuSGD Optimize Edici ile önemli ölçüde iyileştirilmiştir. Ek olarak, ProgLoss + STAL gibi yeni kayıp formülasyonları, IoT ve robotik için tarihsel bir zorluk olan küçük nesne tanımayı 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

Doğru Modeli Seçmek

Kapsamlı eski topluluk desteğine ihtiyacın varsa yolculuğuna YOLOv8 ile başla. Hız ve azaltılmış parametrelerin oldukça rafine bir dengesi için YOLO11'e yükselt. Geleceğin en uç, optimize edilmiş, NMS'siz mimarisi için YOLO26'ya geç.

Sonuç

YOLOv8 ve YOLO11 arasında seçim yapmak nihayetinde proje takvimine ve donanım kısıtlamalarına bağlıdır. YOLOv8, benzersiz bir kararlılık sunan endüstrinin savaşta test edilmiş devidir. Buna karşılık YOLO11, o mimariyi geliştirerek 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'si geliştirme sürecinin çevik, verimli ve tamamen desteklenen bir şekilde kalmasını sağlar. Uç cihazlarda mümkün olanın sınırlarını zorlamaya hazır olduğunda, YOLO26 hazır ve seni bekliyor.

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher11

Yorumlar