İçeriğe geç

Ultralytics YOLOv8 YOLOv10: Gerçek Zamanlı Algılamanın Evrimi

Bilgisayar görme alanı, yeni mimarilerin sürekli olarak en son teknolojiyi yeniden tanımlamasıyla birlikte, çok hızlı bir şekilde ilerlemektedir. Bu zaman çizelgesindeki iki önemli dönüm noktası şunlardır Ultralytics YOLOv8 ve YOLOv10'dir. Her iki model de efsanevi YOLO You Only Look Once) soyundan gelse de, farklı tasarım felsefelerini ve ekosistem entegrasyonlarını temsil ederler.

Bu kılavuz, araştırmacıların ve geliştiricilerin ekosistem olgunluğu, görev çok yönlülüğü ve mimari yenilik gibi faktörleri değerlendirerek özel ihtiyaçlarına uygun doğru aracı seçmelerine yardımcı olmak için ayrıntılı bir teknik karşılaştırma sunmaktadır.

Özet: Hangi Modeli Seçmelisiniz?

Mimariye dalmadan önce, genel düzeyde bir ayrım yapalım:

  • Ultralytics YOLOv8 bilgisayar görüşünün sağlam, "İsviçre çakısı" gibidir. Geniş ekosistemi, çoklu görevleri (Algılama, Segmentasyon, Poz, OBB, Sınıflandırma) desteklemesi ve Ultralytics ile sorunsuz entegrasyonu nedeniyle kurumsal dağıtım için tercih edilen seçimdir.
  • YOLOv10 , NMS eğitimi dünyaya tanıtan özel bir algılama modelidir. Araştırma ve son işlemlerin ortadan kaldırılmasının birincil hedef olduğu, yalnızca algılama amaçlı belirli senaryolar için mükemmeldir.

En Son Standart: YOLO26

YOLOv8 YOLOv10 karşılaştırmak değerli YOLOv10 da, mutlak en iyi performansı arayan kullanıcılar YOLO26'ye bakmalıdır. Ocak 2026'da piyasaya sürülen YOLO26, YOLOv10 öncülüğünü yaptığı NMS tasarımı YOLOv10 Ultralytics sağlam ekosistemi ve çoklu görev çok yönlülüğü YOLOv10 birleştirir. %43'e kadar daha hızlı CPU ve geliştirilmiş küçük nesne algılama sunar.

Ultralytics YOLOv8: Ekosistem Standardı

2023 yılının başında piyasaya sürülen YOLOv8 pratik bilgisayar görüşü için endüstri standardı haline geldi. En büyük gücü, sadece ham metriklerde değil, kullanılabilirliğinde ve çok yönlülüğünde yatmaktadır.

Temel Özellikler

Model Detayları

YOLOv8 hakkında daha fazla bilgi edinin.

YOLOv10: NMS Öncü

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10 , mimari verimlilik ve son işlemdeki darboğazların giderilmesine büyük YOLOv10 .

Temel Yenilikler

  • Uçtan Uca Eğitim: YOLOv10 , tutarlı çift atamalar YOLOv10 çıkarım sırasında Maksimum Baskılama (NMS) ihtiyacını ortadan kaldırır. Bu, kalabalık sahnelerde gecikme değişkenliğini azaltır.
  • Bütünsel Verimlilik Tasarımı: Mimari, hesaplama maliyetini (FLOP) azaltmak için hafif sınıflandırma başlıkları ve uzamsal kanal ayrıştırılmış aşağı örnekleme özelliğine sahiptir.
  • Odak: Öncelikle nesne algılama görevleri için tasarlanmıştır.

Model Detayları

  • Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
  • Kuruluş: Tsinghua University
  • Tarih: 2024-05-23
  • Arxiv:2405.14458
  • Belgeler:YOLOv10 Belgeleri

YOLOv10 hakkında daha fazla bilgi edinin.

Teknik Karşılaştırma: Metrikler ve Performans

Aşağıdaki tablo, COCO setinde her iki modelin performansını karşılaştırmaktadır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(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
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

Verilerin Analizi

  1. Doğruluk ve Verimlilik: YOLOv10 , YOLOv8 kıyasla YOLOv10 daha az parametre ve FLOP ile daha yüksekmAPval değerine ulaşır. Bu verimlilik, optimize edilmiş mimari bloklarından kaynaklanmaktadır.
  2. Çıkarım Hızı: YOLOv10 , NMS YOLOv10 , YOLOv8 (özellikle Nano varyantı) standart donanımda ham verimlilik açısından inanılmaz derecede rekabetçi olmaya devam ediyor.
  3. Eğitim Belleği: Ultralytics YOLOv8 , eğitim verimliliği için yüksek düzeyde optimizeYOLOv8 ve genellikle akademik uygulamalardan daha az GPU gerektirir, bu da tüketici donanımlarında daha büyük parti boyutlarına olanak tanır.

Mimari ve Tasarım Felsefesi

Temel fark, bu modellerin nihai tahminleri nasıl ele aldıklarında yatmaktadır.

YOLOv8 Mimarisi

YOLOv8 , Görev Uyumlu AtayıcıYOLOv8 . Sınırlayıcı kutuları ve sınıf puanlarını ayrı ayrı tahmin eder, ancak bunları eğitim sırasında hizalar. En önemlisi, yinelenen kutuları filtrelemek için NMS dayanır. Bu, modeli sağlam ve çok yönlü hale getirir ve segmentasyon ve poz tahmini için kolayca uyarlanmasını sağlar.

YOLOv10 Mimarisi

YOLOv10 , Çift Etiket Atamaları özelliğiniYOLOv10 . Eğitim sırasında, zengin denetim sinyalleri için bir-çok başlık ( YOLOv8 gibi) ve nihai çıkarım için bir-bir başlık kullanır. Bu yapı, modelin bir nesne için en iyi kutuyu seçmeyi öğrenmesini sağlar ve NMS getirir.

Dağıtımın Etkileri

NMS kaldırmak, dağıtım sürecini önemli ölçüde NMS . Modelleri TensorRT veya OpenVINOgibi formatlara aktarırken, mühendisler artık karmaşık NMS uygulamak zorunda kalmazlar, bu da mühendislik maliyetlerini azaltır.

Kullanım Kolaylığı ve Ekosistem

Bu noktada, geliştiriciler için ayrım en kritik hale gelir.

Ultralytics YOLOv8 büyük ve aktif bir açık kaynak topluluğu tarafından desteklenmektedir. Aşağıdaki avantajlara sahiptir:

YOLOv10, Ultralytics aracılığıyla kullanılabilir olsa da, öncelikle akademik bir katkıdır. Ultralytics temel Ultralytics aynı sıklıkta bakım veya özellik genişletmeleri (izleme veya OBB desteği gibi) almayabilir.

Kod Karşılaştırması

Her iki model de birleşik Ultralytics kullanılarak çalıştırılabilir ve ekosistemin sağladığı kullanım kolaylığını gösterir.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model (Official Ultralytics)
model_v8 = YOLO("yolov8n.pt")

# Load a pretrained YOLOv10 model (Community supported)
model_v10 = YOLO("yolov10n.pt")

# Train YOLOv8 on a custom dataset
model_v8.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference with YOLOv10 on an image
results = model_v10("https://ultralytics.com/images/bus.jpg")

Gerçek Dünya Uygulamaları

Ne Zaman YOLOv8 Kullanılmalı

  • Karmaşık Robotik: Robotunuzun nesneleri algılaması (Algılama) ve manipüle etmesi (Poz/Bölümleme) gerekiyorsa, YOLOv8 çoklu görev yetenekleri vazgeçilmezdir.
  • Ticari Ürünler: Uzun vadeli bakım gerektiren ürünler için, Ultralytics istikrarı, model dağıtımınızın yıllarca geçerliliğini korumasını sağlar.
  • Uydu Görüntüleri: YOLOv8 'deki özel OBB modelleri, hava görüntülerinde gemiler veya araçlar gibi döndürülmüş nesneleri tespit etmek için YOLOv8 .

YOLOv10 ne zaman kullanılır?

  • Görsel Verilerin Yüksek Frekanslı Ticareti: Her mikro saniyelik gecikme farkının önemli olduğu senaryolarda, NMS ortadan kaldırılması deterministik bir çıkarım süresi sağlar.
  • Sınırlı CPU'lu Gömülü Cihazlar: CPU NMS bir darboğaz CPU cihazlar için, YOLOv10 uçtan uca tasarımı işlemciyi rahatlatır.

Sonuç

Her iki mimari de mükemmel seçimlerdir. YOLOv8 çoğu geliştirici için çok yönlü bir şampiyon olmaya devam ediyor ve güvenli, sağlam ve zengin özelliklere sahip bir üretim yolu sunuyor. YOLOv10 , NMS algılamanın geleceğine dair büyüleyici bir bakış sunar.

Ancak, bu alan zaten ilerleme kaydetmiştir. Bugün yeni projeler başlatan geliştiriciler için, YOLO26 önerilen seçimdir. YOLOv10 NMS avantajlarını benimser, YOLOv10 bunları MuSGD optimizörü ve gelişmiş kayıp fonksiyonları (ProgLoss) ile iyileştirerek her iki dünyanın en iyisini sunar: Ultralytics endüstriyel düzeyde desteğiyle desteklenen akademik araştırmanın en son teknoloji mimarisi.

Daha Fazla Okuma


Yorumlar