Başla

YOLOv8 ve YOLO11

Bilgisayarlı görü alanındaki hızlı gelişme, gerçek zamanlı nesne algılama çerçevelerindeki sürekli ilerlemelerle sağlandı. Geliştiriciler ve araştırmacılar için doğru modeli seçmek; doğruluk, hız ve kaynak verimliliği arasında denge kurmak açısından kritik öneme sahiptir. Bu teknik karşılaştırma, Ultralytics ekosistemindeki iki temel model arasındaki farkları inceliyor: Ultralytics YOLOv8 ve Ultralytics YOLO11.

Her iki model de Ultralytics mimarilerinin belirgin özelliklerini paylaşır: kullanım kolaylığı, iyi bakımı yapılan bir ekosistem ve düşük bellek gereksinimleriyle verimli eğitim. Aşağıdaki bölümlerde mimari tasarımları, performans kıyaslamaları ve ideal dağıtım senaryoları ele alınıyor.

Modellere Genel Bakış#

Modellerin teknik özelliklerini karşılaştırmadan önce her iki modelin kökenini ve temel özelliklerini belirlemek faydalı olacaktır.

Ultralytics YOLOv8#

2023'ün başlarında yayımlanan YOLOv8, çapasız algılamayı ve kayıp fonksiyonlarında önemli iyileştirmeleri sunarak birçok görü görevinde hızla yaygınlaştı.

Ultralytics YOLO11#

Önceki modellerinin üzerine inşa edilen YOLO11, doğruluk-gecikme dengesini iyileştirmek için temel mimariyi geliştirdi; parametre sayısını azaltırken doğruluğu artırdı.

Diğer Mimariler

Alternatif yaklaşımları araştırıyorsan Ultralytics, RT-DETR gibi Transformer tabanlı modelleri ve YOLO-World gibi sıfır örnekli, açık söz dağarcıklı algılayıcıları da destekliyor. Ancak en iyi gecikme ve bellek verimliliği için standart YOLO mimarileri genellikle tercih edilmeye devam ediyor.

Mimari ve Yöntemsel Farklar#

YOLOv8'den YOLO11'e geçiş, bütünüyle bir yenilemeden ziyade sinir ağı tasarımında dikkatli bir evrimi temsil ediyor ve modellerin çevresindeki bakımı düzenli yapılan ekosistemin kararlı kalmasını sağlıyor.

Omurga ve Boyun Optimizasyonları#

YOLOv8, geleneksel çapa kutularından uzaklaşan ve nesne algılamayı bütünüyle merkez noktası tahmini olarak ele alan sadeleştirilmiş bir CNN omurgası sundu. Bu çapadan bağımsız 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 ve bunun sonucunda COCO veri kümesinde genellikle bulunan küçük nesnelerde daha iyi doğruluk elde etmesini sağlar.

Bellek Gereksinimleri ve Eğitim Verimliliği#

YOLOv8 ve YOLO11'in eğitim sırasındaki düşük bellek gereksinimleri, bu modellerin en dikkat çekici avantajlarından biridir. Tüketici sınıfı donanımlarda VRAM'i kolayca tüketebilen ağır görsel Transformer modellerinin aksine, bu modeller standart GPU'larda PyTorch ile eğitim yapmayı erişilebilir kılacak şekilde optimize edilmiştir. YOLO11, toplam parametre sayısını önemli ölçüde azaltır: Büyük (L) varyantında YOLOv8'e kıyasla %42'ye kadar daha az parametre kullanırken ortalama kesinlik ortalaması (mAP) değerini de artırır. Bu, daha kısa epoch süreleri ve model eğitimi için daha düşük karbon ayak izi anlamına gelir.

Performans Metrikleri#

Nesnel kıyaslamalar, bu modellerin performans dengesini gösteriyor. Aşağıdaki tabloda YOLOv8 ve YOLO11, standart ölçek varyantları (nano'dan ekstra büyüğe) genelinde karşılaştırılıyor.

Modelboyut
(piksel)
mAPval50-95Hız
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
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Görüldüğü üzere YOLO11, daha az parametre ve FLOP kullanırken doğruluk bakımından sürekli olarak YOLOv8'den daha iyi performans gösteriyor. ONNX Runtime kullanılarak ölçülen CPU çıkarım hızı, YOLO11'in uç dağıtımlardaki verimliliğini ortaya koyuyor. NVIDIA TensorRT biçimine aktarıldığında her iki model ailesi de T4 GPU'da görüntü başına 15 ms'nin altında kalıyor; bu da gerçek dünyadaki video akışı analizleri için uygun.

Ekosistem ve Kullanım Kolaylığı#

Her iki model de birleşik ultralytics Python paketini kullanır; böylece mühendisler ağırlık dosyasını değiştirerek YOLOv8 ve YOLO11 arasında geçiş yapabilir. Eğitim, doğrulama ve dışa aktarma işlemleri yalnızca birkaç satır kodla gerçekleştirilebilir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 modelini yükle ("yolov8n.pt" olarak kolayca değiştirebilirsin)
model = YOLO("yolo11n.pt")

# Modeli yerel bir veri kümesinde verimli bir şekilde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Optimize edilmiş modeli ONNX biçimine aktar
model.export(format="onnx")

Ultralytics Platform, ileri düzey DevOps bilgisi gerektirmeden bulut tabanlı eğitim, model izleme ve dağıtım sağlayarak bu iş akışını genişletir.

Çok Yönlülük ve Gerçek Dünya Uygulamaları#

Ultralytics çerçevesinin en önemli güçlü yönlerinden biri çok yönlülüğüdür. YOLOv8 ve YOLO11, standart nesne algılamanın yanı sıra çok çeşitli bilgisayarlı görü görevlerini destekler:

Daha uzun süredir kullanılabilir olan YOLOv8, geniş bir topluluk eğitim materyali havuzuna ve sahada denenmiş kurumsal dağıtımlara sahiptir. YOLOv8 tensör şekillerini kesin olarak bekleyen eski işlem hatlarıyla entegrasyon yapıyorsan, hâlâ güvenilir bir seçenektir. Raspberry Pi gibi gömülü uç cihazlarda dağıtım dahil verimliliğe öncelik veren yeni projeler için YOLO11, daha az parametre ve daha düşük CPU gecikmesiyle daha yüksek doğruluk sunduğundan daha iyi bir seçenektir.

Kullanım Alanları ve Öneriler#

YOLOv8 ve YOLO11 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

  • Çok Görevli Esnek Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için önerilir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve etkin bakımın kritik olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

YOLO26'nın Avantajı#

YOLOv8 ve YOLO11 güçlü mimarilerdir; ancak 2026'da başlayacak yeni projeler için önerilen sonraki adım Ultralytics YOLO26'dır.

YOLO26, dağıtım işlem hattını basitleştirir. YOLO modellerine YOLOv10 tarafından kazandırılan bir yaklaşım olan Uçtan Uca NMS İçermeyen Tasarımı içerir ve (nms=False ile) NMS son işlemeyi ortadan kaldırır. DFL'nin Kaldırılması (Dağılımsal Odak Kaybı), dışa aktarma mantığını basitleştirir ve düşük güç tüketen uç cihazlarla uyumluluğu artırır; ayrıca YOLO26n, YOLO11n'den CPU çıkarımında %43'e kadar daha hızlıdır.

Eğitim kararlılığı ve yakınsama hızı, LLM eğitim tekniklerinden ilham alan SGD ve Muon hibriti MuSGD Optimize Edici ile iyileşir. ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama), IoT ve robotikte uzun süredir karşılaşılan bir zorluk olan küçük nesne algılamayı iyileştirir. Göreve özel iyileştirmeler arasında poz tahmini için RLE ve segmentasyon için çok ölçekli proto modülü yer alır.

Doğru Modeli Seçme

YOLOv8'in kapsamlı topluluk kaynaklarından ve mevcut dağıtımlarından yararlanıyorsan YOLOv8'i seç. Hız ve parametre sayısı arasında daha iyi ayarlanmış bir denge arıyorsan YOLO11'i seç. Uç cihazlar için optimize edilmiş, NMS gerektirmeyen çıkarım amacıyla şu anda önerilen model olan YOLO26'yı seç.

Sonuç#

YOLOv8 ve YOLO11 arasında seçim yapmak, nihayetinde proje takvimine ve donanım kısıtlarına bağlıdır. YOLOv8 sahada kendini kanıtlamış ve kararlıdır. YOLO11 bu mimariyi geliştirerek daha az parametreyle daha yüksek mAP sunar; bu da onu kaynakların kısıtlı olduğu uç uygulamalar için cazip kılar. Her iki durumda da paylaşılan Ultralytics Python API'si geliştirme iş akışının tutarlı ve iyi desteklenmesini sağlar; en iyi uç performansına ihtiyaç duyduğunda YOLO26 da kullanılabilir.

Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. naps22GitHub(düzenlendi)

    A very informative breakdown! The YOLOv8 vs YOLO11 comparison highlights how far real-time object detection has come. YOLOv11 seems to push the boundaries in terms of speed and accuracy, but the YOLOv8 comparison still shows it holding its ground with impressive stability and ease of deployment. Excited to see how the gap narrows with future updates.