YOLOv8 ve YOLOv10#

Gerçek zamanlı nesne algılamadaki gelişmeler benzeri görülmemiş bir hızla ilerliyor. Geliştiriciler ve araştırmacılar, işlem hatlarına en verimli ve doğru bilgisayarlı görü modellerini entegre etmeye çalışırken önde gelen mimarileri karşılaştırmak büyük önem taşıyor. Bu kapsamlı incelemede Ultralytics YOLOv8 ve YOLOv10'u karşılaştırıyor, bir sonraki yapay zekâ projen için bilinçli bir karar verebilmen amacıyla mimari farklarını, performans ölçümlerini ve ideal dağıtım senaryolarını ele alıyoruz.

Modele Genel Bakış: YOLOv8#

YOLO soy ağacında ileriye doğru büyük bir atılım olarak sunulan YOLOv8, birleşik ve çok yönlü bir çerçeve için yeni bir standart belirledi. Standart sınırlayıcı kutuların ötesinde çok sayıda görevi destekleyecek şekilde en başından tasarlandı ve modern bilgisayarlı görü için son derece esnek bir araç hâline geldi.

YOLOv8 Ayrıntıları:

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: https://docs.ultralytics.com/models/yolov8

Mimari ve Güçlü Yönler#

YOLOv8, bağlantı noktası kullanmayan bir algılama başlığı ve yenilenmiş CSPDarknet omurgası sunarak hem doğruluğu hem de çıkarım gecikmesini önemli ölçüde iyileştirdi. Bağlantı kutularını kaldırmak, modelin kutu tahminlerinin sayısını azaltarak son işlemedeki Maksimum Olmayan Bastırma (NMS) aşamasını hızlandırıyor.

YOLOv8'i seçmenin öne çıkan avantajlarından biri muazzam çok yönlülüğüdür. Pek çok model yalnızca nesne algılamaya odaklanırken YOLOv8 yerel olarak örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekliyor. Bu sayede farklı görsel anlama türlerinin aynı anda gerektiği karmaşık, çok aşamalı işlem hatları için güçlü bir araç oluyor. Ayrıca eğitim sırasındaki bellek gereksinimleri, RT-DETR gibi Transformer tabanlı mimarilere kıyasla büyük ölçüde optimize edilmiştir; bu da araştırmacıların standart tüketici GPU'larında büyük modeller eğitmesine olanak tanır.

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:

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Belgeler: https://docs.ultralytics.com/models/yolov10

Mimari ve Güçlü Yönler#

YOLOv10'un başlıca yeniliği, NMS'siz eğitime ve uçtan uca dağıtıma olanak tanıyan Tutarlı Çift Atama stratejisidir. NMS adımını ortadan kaldıran YOLOv10, özellikle son işleme işlemlerinin hesaplama açısından maliyetli olabildiği uç cihazlarda çıkarım gecikmesini önemli ölçüde azaltıyor.

Ayrıca YOLOv10, her katmanın hesaplama maliyetini dikkatle ayarlayan, verimlilik ve doğruluk odaklı bütüncül bir model tasarımı içerir. Bunun sonucunda, daha az parametre ve FLOPs gerektiren ve rekabetçi bir Ortalama Kesinlik Ortalaması (mAP) değerine ulaşan bir model ortaya çıkar. Bu, yalnızca nesne algılama görevlerinde mümkün olan en düşük gecikmeyi gerektiren kullanım senaryoları için çok değerli bir akademik katkıdır.

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.

YOLOv10 bazı ölçeklerde daha az parametreyle biraz daha yüksek mAP değerine ulaşsa da YOLOv8 daha sağlam bir ekosistem ve daha geniş görev desteği sunuyor; bu da onu yalnızca sınırlayıcı kutulardan fazlasını gerektiren üretim ortamları için genellikle daha güvenilir kılıyor.

Ekosistem ve Eğitim Yöntemi#

Modern makine öğrenimi iş akışlarını gerçekten farklı kılan, çoğu zaman mimarinin çevresindeki ekosistemdir. YOLOv8 gibi bir Ultralytics modeli seçmek, benzersiz kullanım kolaylığı ve sorunsuz bir geliştirici deneyimi sunar.

Son derece sezgisel bir Python SDK ile geliştiriciler veri açıklama, eğitim ve dağıtım işlerini en az zahmetle yürütebilir. Ultralytics ekosistemi olağanüstü iyi bakılır; sık güncellemeler, hiperparametre ayarı 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 başlatmayı, eğitmeyi ve doğrulamayı son derece kolaylaştırıyor. Altta yatan mimariden bağımsız olarak 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, Çok Görevli 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.

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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: YOLO26 ile Bir Üst Seviyeye Geçiş#

YOLOv8 çok yönlü ve harika bir model, YOLOv10 ise NMS içermeyen mimarilere dair önemli akademik içgörüler sunuyor; ancak bilgisayarlı görü alanındaki en yeni gelişmelerin gerisinde kaldılar. Hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi elde etmek için YOLO26'ya geçmeni şiddetle öneriyoruz.

2026'nın başlarında yayımlanan YOLO26, YOLO ailesinin zirvesini temsil ediyor. Önceki sürümlerin en iyi özelliklerini sorunsuz biçimde bir araya getirirken çığır açan yeni teknolojileri de sunuyor:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10'un öncülük ettiği çığır açan yaklaşımı benimseyen YOLO26, daha hızlı ve kolay dağıtım için isteğe bağlı NMS içermeyen çıkarım (nms=False) sunuyor.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, modelin CoreML ve uç cihazlara aktarımını önemli ölçüde kolaylaştırıyor.
• MuSGD Optimizasyonu: Büyük Dil Modeli (LLM) eğitim paradigmalarından esinlenen bu hibrit optimizasyon algoritması, daha hızlı yakınsamayı ve benzersiz eğitim kararlılığını garanti ediyor.
• CPU Çıkarımında Üstünlük: YOLO26, önceki nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırıyor; bu da onu Raspberry Pi ve IoT uygulamaları için çığır açan bir seçenek hâline getiriyor.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve robotik için kritik önem taşıyan küçük nesne tanımada kayda değer iyileştirmeler sağlıyor.

Şu anda modelleri değerlendiriyorsan, YOLO26'nın doğrudan önceki sürümü olan YOLO11 da ilgini çekebilir. YOLO11, günümüzde kurumsal çözümlerde yaygın olarak kullanılan, güvenilir ve üretime hazır bir çerçeve olmayı sürdürüyor. Ancak geleceğe hazırlık ve performansı en üst düzeye çıkarmak için, görsel yapay zekâ stratejinde Ultralytics Platform üzerindeki gelişmiş özellikleri YOLO26 ile keşfetmek en iyi yol.