Başla

YOLOv8 ve YOLOv10

Gerçek zamanlı nesne algılama hızla gelişti. Geliştiriciler ve araştırmacılar, en verimli ve doğru bilgisayarlı görü modellerini işlem hatlarına entegre etmeye çalışırken önde gelen mimarileri karşılaştırmak önem kazanıyor. Bu kılavuz, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak amacıyla Ultralytics YOLOv8 ve YOLOv10'u; mimari farklılıklarını, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyerek karşılaştırıyor.

Modele Genel Bakış: YOLOv8#

YOLO soyunda önemli bir ilerleme olarak sunulan YOLOv8, birleşik ve çok yönlü bir çerçeve için yeni bir standart belirledi. Standart sınırlayıcı kutuların ötesinde pek çok görevi desteklemek üzere en başından tasarlanan YOLOv8, modern bilgisayarlı görü için esnek bir araçtır.

YOLOv8 Ayrıntıları:

Mimari ve Güçlü Yönler#

YOLOv8, çapasız bir algılama başlığı ve yenilenmiş bir CSPDarknet omurgası sunarak hem doğruluğu hem de çıkarım gecikmesini önemli ölçüde iyileştirdi. Çapa kutularının kaldırılması, modelin kutu tahminlerinin sayısını azaltır ve böylece son işleme sırasında Maksimum Olmayan Bastırmayı (NMS) hızlandırır.

YOLOv8'i seçmenin öne çıkan avantajlarından biri çok yönlülüğüdür. Pek çok model yalnızca nesne algılamaya odaklanırken YOLOv8 yerel olarak örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler. Bu sayede aynı anda farklı türlerde görsel anlayış gerektiren çok aşamalı işlem hatları için uygundur. Eğitim sırasındaki bellek gereksinimleri de RT-DETR gibi Transformer tabanlı mimarilerden daha düşüktür; böylece araştırmacılar standart tüketici GPU'larında büyük modeller eğitebilir.

Modele Genel Bakış: YOLOv10#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, YOLO ailesinin uzun süredir devam eden darboğazlarından birini, NMS son işlemesine bağımlılığı çözmeyi hedefledi.

YOLOv10 Ayrıntıları:

Mimari ve Güçlü Yönler#

YOLOv10'un başlıca yeniliği, NMS'siz eğitime ve uçtan uca dağıtıma olanak tanıyan Tutarlı Çift Atamalar stratejisidir. NMS adımını ortadan kaldıran YOLOv10, özellikle son işleme işlemlerinin hesaplama açısından pahalı olabileceği uç cihazlarda çıkarım gecikmesini azaltır.

YOLOv10 ayrıca her katmanın hesaplama yükünü dikkatle ayarlayan, verimlilik ve doğruluğu bütünsel biçimde gözeten bir model tasarımı kullanır. Böylece daha az parametre ve FLOP gerektiren, ancak rekabetçi ortalama Ortalama Kesinliğe (mAP) ulaşan bir model ortaya çıkar. Yalnızca algılama görevlerinde en düşük gecikmeyi gerektiren kullanım alanları için güçlü bir seçenektir.

Uçtan Uca Algılama

YOLOv10'da NMS'nin kaldırılması, modelin tamamı özel son işleme katmanları olmadan tek bir grafik olarak derlenebildiğinden, OpenVINO ve TensorRT gibi çerçevelere dışa aktarma sürecini basitleştirir.

YOLOv10 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu iki mimariyi karşılaştırırken parametre sayısı, FLOP ve doğruluk arasındaki ödünleşimleri incelemek kritik önem taşır. Aşağıda, COCO veri kümesindeki performans ölçümlerinin birebir karşılaştırması verilmiştir.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLOv10 bu tablodaki her ölçekte daha az parametreyle daha yüksek mAP elde ederken YOLOv8 daha olgun bir ekosistem ve daha geniş görev desteği sunar. Bu nedenle YOLOv8, yalnızca sınırlayıcı kutulardan fazlasını gerektiren üretim ortamlarında genellikle daha güvenilirdir.

Ekosistem ve Eğitim Yöntemi#

Modern makine öğrenimi iş akışlarında asıl farkı yaratan çoğu zaman mimarinin çevresindeki ekosistemdir. YOLOv8 gibi bir Ultralytics modeli seçmek kullanım kolaylığı ve tutarlı bir geliştirici deneyimi sağlar.

Sezgisel bir Python SDK'sı sayesinde geliştiriciler eğitim, doğrulama ve dağıtım işlemlerini çok az çabayla yürütebilir. Ultralytics ekosistemi etkin biçimde bakımı yapılan bir yapıdır; sık güncellemeler, hiperparametre ayarlaması hakkında kapsamlı belgeler ve Discord ile GitHub gibi platformlarda güçlü topluluk desteği sunar.

Kod Örneği: Basitleştirilmiş Eğitim#

Ultralytics Python API'si her iki modeli de örneklemeyi, eğitmeyi ve doğrulamayı kolaylaştırır. Temel mimari ne olursa olsun aynı iş akışının geçerli olduğuna 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 Alanları ve Öneriler#

YOLOv8 ve YOLOv10 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

  • Çok Yönlü Çoklu Görev Dağıtımı: 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.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması 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.

Gelecek: YOLO26 ile Bir Üst Seviyeye Geçiş#

YOLOv8 çok yönlü bir genel amaçlı model, YOLOv10 ise NMS'siz mimariler konusunda faydalı içgörüler sunuyor; ancak alan ilerledi. Hız, doğruluk ve dağıtım kolaylığı arasında en iyi denge için Ultralytics, yeni projelerde YOLO26'yı öneriyor.

Ocak 2026'da yayımlanan YOLO26, önceki modellerinin güçlü yönlerini yeni özelliklerle bir araya getiriyor:

  • Uçtan Uca NMS İçermeyen Tasarım: YOLO modellerine YOLOv10 tarafından kazandırılan NMS içermeyen eğitim yaklaşımını temel alan YOLO26, daha hızlı ve basit dağıtım için isteğe bağlı NMS içermeyen çıkarım (nms=False) sunar.
  • DFL'nin Kaldırılması: Dağılım Odaklı Kaybın kaldırılması, modelin CoreML ve uç cihazlara aktarılmasını kolaylaştırır.
  • MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitiminden ilham alan bu SGD ve Muon hibriti, daha hızlı yakınsama ve daha istikrarlı eğitim sağlar.
  • Daha Hızlı CPU Çıkarımı: YOLO26n, YOLO11n'e kıyasla CPU çıkarımını %43'e kadar hızlandırarak Raspberry Pi ve IoT uygulamaları için uygun hâle gelir.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), hava görüntüleri ve robotik için kritik olan küçük nesne algılamayı iyileştirir.

Şu anda modelleri değerlendiriyorsan, YOLO26'nın doğrudan öncülü olan ve kurumsal çözümlerde yaygın olarak kullanılan, üretime hazır bir model olmayı sürdüren YOLO11 de ilgini çekebilir. Ancak yeni projelerde görü yapay zekâsını etiketlemek, eğitmek ve dağıtmak için Ultralytics Platform ile YOLO26 önerilen yoldur.

Katkıda Bulunanlar

Yorumlar

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