YOLOv8 ve YOLOv10#
Gerçek zamanlı object detection evrimi benzeri görülmemiş bir hızla ilerliyor. Geliştiriciler ve araştırmacılar en verimli ve doğru bilgisayarla görü modellerini kendi boru hatlarına entegre etmeyi amaçlarken, lider mimarileri karşılaştırmak esastır. Bu derinlemesine incelemede, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak amacıyla mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını inceleyerek Ultralytics YOLOv8 ve YOLOv10'u karşılaştırıyoruz.
Model Genel Bakışı: YOLOv8#
YOLO serisinde büyük bir sıçrama olarak tanıtılan YOLOv8, birleşik ve çok yönlü bir çerçeve için yeni bir standart belirledi. Standart sınırlayıcı kutuların ötesinde birçok görevi desteklemek için temelden tasarlanmış olup, modern bilgisayarlı görü için inanılmaz derecede esnek bir araç haline gelmiştir.
YOLOv8 Detayları:
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Dokümanlar: https://docs.ultralytics.com/models/yolov8
Mimari ve Güçlü Yönler#
YOLOv8, çıpasız (anchor-free) bir tespit başlığı ve yenilenmiş bir CSPDarknet omurgası sunarak hem doğruluğu hem de inference latency değerini önemli ölçüde iyileştirmiştir. Çıpa kutularını (anchor boxes) kaldıran model, kutu tahminlerinin sayısını azaltır ve bu da işlem sonrası aşamada Non-Maximum Suppression (NMS) sürecini hızlandırır.
YOLOv8'i seçmenin öne çıkan avantajlarından biri, devasa çok yönlülüğüdür. Birçok model yalnızca nesne tespiti üzerine odaklanırken, YOLOv8 yerel olarak instance segmentation, image classification, pose estimation ve oriented bounding boxes (OBB) destekler. Bu durum, farklı görsel anlama türlerinin aynı anda gerekeceği karmaşık, çok aşamalı boru hatları için onu güçlü bir araç haline getirir. Ek olarak, eğitim sırasındaki bellek gereksinimleri RT-DETR gibi tabanlı mimarilere kıyasla büyük ölçüde optimize edilmiştir ve araştırmacıların standart tüketici GPU'larında büyük modeller eğitmesine olanak tanır.
YOLOv8 hakkında daha fazla bilgi edinin
Model Genel Bakışı: YOLOv10#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, YOLO ailesindeki en uzun süreli darboğazlardan birini ele almayı amaçladı: NMS işlem sonrası süreçlerine olan bağımlılık.
YOLOv10 Detayları:
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Kuruluş: Tsinghua University
- Tarih: 23-05-2024
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Dokümanlar: https://docs.ultralytics.com/models/yolov10
Mimari ve Güçlü Yönler#
YOLOv10'un temel inovasyonu, NMS'siz eğitime ve uçtan uca dağıtıma olanak tanıyan Tutarlı İkili Atamalar (Consistent Dual Assignments) stratejisidir. NMS adımını ortadan kaldırarak YOLOv10, özellikle işlem sonrası operasyonların hesaplama açısından pahalı olabileceği uç cihazlarda çıkarım gecikmesini önemli ölçüde azaltır.
Buna ek olarak YOLOv10, her katmanın hesaplama yükünü dikkatle optimize eden, bütüncül bir verimlilik-doğruluk odaklı model tasarımı barındırır. Bu, rekabetçi bir ortalama Ortalama Kesinlik (mAP) elde ederken daha az parametre ve FLOPs gerektiren bir model ortaya çıkarır. Saf tespit görevlerinde mutlak minimum gecikme süresi gerektiren kullanım senaryoları için harika bir akademik katkıdır.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu iki mimariyi karşılaştırırken parametre sayısı, FLOPs ve doğruluk arasındaki ödünleşimlere bakmak çok önemlidir. Aşağıda COCO dataset üzerindeki performans metriklerinin tam karşılaştırması yer almaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
YOLOv10 bazı ölçeklerde daha az parametre ile biraz daha yüksek mAP elde etse de, YOLOv8 daha güçlü bir ekosistem ve daha geniş görev desteği sunar, bu da onu sınırlayıcı kutulardan daha fazlasını gerektiren üretim ortamları için genel olarak daha güvenilir kılar.
Ekosistem ve Eğitim Metodolojisi#
Modern ML süreçleri için gerçek ayırt edici özellik genellikle mimariyi çevreleyen ekosistemdir. YOLOv8 gibi bir Ultralytics modeli seçmek, benzersiz bir kullanım kolaylığı ve kesintisiz bir geliştirici deneyimi sağlar.
Son derece sezgisel bir Python SDK ile geliştiriciler veri etiketleme, eğitim ve dağıtımı minimum sürtünmeyle yönetebilir. Ultralytics ekosistemi olağanüstü düzeyde iyi bakımlıdır; sık güncellemeler, hyperparameter tuning hakkında kapsamlı belgeler ve Discord ile GitHub gibi platformlarda güçlü topluluk desteği sunar.
Kod Örneği: Basitleştirilmiş Eğitim#
Ultralytics Python API, her iki modeli başlatmayı, eğitmeyi ve doğrulamayı inanılmaz derecede basit hale getirir. Altta yatan mimariden bağımsız olarak aynı sürecin nasıl uygulandığına dikkat et.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model efficiently with automated learning rate scheduling
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # optimized CUDA memory usage
batch=16,
)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Export to ONNX for edge deployment
model.export(format="onnx")Kullanım Durumları ve Öneriler#
YOLOv8 ile YOLOv10 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv8 Ne Zaman Seçilmeli#
YOLOv8 şunlar için güçlü bir tercihtir:
- Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren projeler.
- Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.
Ne Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için önerilir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Gelecek: YOLO26'ya Geçiş#
YOLOv8 harika bir çok yönlü model ve YOLOv10 NMS'siz mimariler hakkında harika akademik içgörüler sağlarken, bilgisayarlı görünün en uç noktası ileriye doğru hareket etti. Hız, doğruluk ve dağıtım basitliğinin nihai dengesi için YOLO26'ya geçmeni şiddetle tavsiye ederiz.
YOLO26, 2026'nın başlarında piyasaya sürülmüş olup YOLO ailesinin mutlak zirvesini temsil eder. Çığır açan yeni teknolojiler sunarken öncüllerinin en iyi özelliklerini kusursuz bir şekilde birleştirir:
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un öncülük ettiği atılımı benimseyen YOLO26, daha hızlı ve daha basit dağıtım için NMS'yi doğal olarak ortadan kaldırır.
- DFL Kaldırılması: Distribution Focal Loss'un kaldırılması, modeli CoreML ve uç cihazlara dışa aktarmayı önemli ölçüde daha akıcı hale getirir.
- MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim paradigmalarından esinlenen bu hibrit optimize edici, daha hızlı yakınsama ve eşsiz bir eğitim kararlılığı garanti eder.
- CPU Çıkarım Hakimiyeti: YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunarak Raspberry Pi ve IoT uygulamaları için ezber bozan bir özellik sunar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleme ve robotik için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
YOLO26 hakkında daha fazla bilgi edin
Şu anda modelleri değerlendiriyorsanız, günümüzde kurumsal çözümlerde yaygın olarak kullanılan ve sağlamlığını kanıtlamış, YOLO26'nın doğrudan öncülü olan YOLO11 ile de ilgileniyor olabilirsiniz. Ancak maksimum geleceğe uyum ve performans için Ultralytics Platform gelişmiş yeteneklerini YOLO26 ile keşfetmek, vizyon yapay zeka stratejiniz için ileriye dönük en iyi yoldur.