Link to this sectionUltralytics YOLO11#

Link to this sectionGenel Bakış#

YOLO11, 10 Eylül 2024'te Ultralytics tarafından piyasaya sürüldü ve mükemmel doğruluk, hız ve verimlilik sunuyor. Önceki YOLO sürümlerinin etkileyici ilerlemeleri üzerine inşa edilen YOLO11, mimari ve eğitim yöntemlerinde önemli iyileştirmeler getirerek onu çok çeşitli bilgisayarlı görü görevleri için çok yönlü bir seçenek haline getiriyor. Uçtan uca NMS'siz çıkarım ve optimize edilmiş uç dağıtım özelliklerine sahip en yeni Ultralytics modeli için YOLO26 bölümüne bak.

Link to this sectionTemel Özellikler#

• Enhanced Feature Extraction: YOLO11 employs an improved backbone and neck architecture, which enhances feature extraction capabilities for more precise object detection and complex task performance.
• Verimlilik ve Hız İçin Optimize Edildi: YOLO11, daha hızlı işlem hızları sunan ve doğruluk ile performans arasında en uygun dengeyi koruyan iyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim hatları sunar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: Model tasarımındaki ilerlemeler sayesinde YOLO11m, YOLOv8m'e göre %22 daha az parametre kullanırken COCO veri setinde daha yüksek bir mean Average Precision (mAP) elde eder, bu da onu doğruluktan ödün vermeden hesaplama açısından verimli kılar.
• Ortamlar Arası Adaptasyon: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU destekleyen sistemler dahil olmak üzere çeşitli ortamlarda sorunsuz bir şekilde dağıtılabilir, bu da maksimum esneklik sağlar.
• Geniş Desteklenen Görev Yelpazesi: Nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini veya yönelimli nesne tespiti (OBB) olsun, YOLO11 çok çeşitli bilgisayarlı görü zorluklarına hitap edecek şekilde tasarlanmıştır.

Link to this sectionDesteklenen Görevler ve Modlar#

YOLO11, önceki Ultralytics YOLO sürümleri tarafından oluşturulan çok yönlü model aralığını temel alarak çeşitli bilgisayarlı görü görevlerinde gelişmiş destek sunar:

Bu tablo, YOLO11 model varyantlarına genel bir bakış sunarak, belirli görevlerdeki uygulanabilirliklerini ve Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi operasyonel modlarla uyumluluklarını sergiler. Bu esneklik, YOLO11'i gerçek zamanlı tespitten karmaşık segmentasyon görevlerine kadar bilgisayarlı görüdeki çok çeşitli uygulamalar için uygun hale getirir.

Link to this sectionPerformans Metrikleri#

Link to this sectionKullanım Örnekleri#

Bu bölüm, temel YOLO11 eğitim ve çıkarım örneklerini sağlar. Bunlar ve diğer modlar hakkındaki tam dokümantasyon için Predict, Train, Val ve Export doküman sayfalarına bak.

Note that the example below is for YOLO11 Detect models for object detection. For additional supported tasks, see the Segment, Classify, OBB, and Pose docs.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO11n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Link to this sectionAlıntılar ve Teşekkür#

Eğer çalışmalarında YOLO11 veya bu depodan başka bir yazılım kullanıyorsan, lütfen şu formatı kullanarak atıfta bulun:

@software{yolo11_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO11},
  version = {11.0.0},
  year = {2024},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

Lütfen DOI numarasının henüz kesinleşmediğini ve hazır olduğunda atıfa ekleneceğini unutma. YOLO11 modelleri AGPL-3.0 ve Enterprise lisansları altında sunulmaktadır.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO11'in YOLOv8'e kıyasla temel iyileştirmeleri nelerdir?#

Ultralytics YOLO11, YOLOv8'e göre birkaç önemli gelişme sunar. Temel iyileştirmeler şunlardır:

• Gelişmiş Özellik Çıkarımı: YOLO11, daha hassas nesne tespiti için özellik çıkarımı yeteneklerini geliştiren iyileştirilmiş bir omurga (backbone) ve boyun (neck) mimarisi kullanır.
• Optimize Edilmiş Verimlilik ve Hız: İyileştirilmiş mimari tasarımlar ve optimize edilmiş eğitim süreçleri, doğruluk ve performans arasında bir denge korurken daha hızlı işleme hızları sağlar.
• Daha Az Parametre ile Daha Yüksek Doğruluk: YOLO11m, COCO veri kümesinde YOLOv8m'den %22 daha az parametre ile daha yüksek ortalama Hassasiyet (mAP) elde ederek doğruluğu düşürmeden hesaplama verimliliği sağlar.
• Ortamlar Arası Uyarlanabilirlik: YOLO11, uç cihazlar, bulut platformları ve NVIDIA GPU'larını destekleyen sistemler dahil olmak üzere çeşitli ortamlarda çalıştırılabilir.
• Desteklenen Geniş Görev Yelpazesi: YOLO11; nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş nesne tespiti (OBB) gibi çeşitli bilgisayarlı görü görevlerini destekler.

Link to this sectionNesne tespiti için nasıl YOLO11 modeli eğitebilirim?#

Nesne tespiti için YOLO11 modeli eğitimi, Python veya CLI komutları kullanılarak yapılabilir. Her iki yöntem için örnekler aşağıdadır:

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Daha detaylı talimatlar için Train dokümantasyonuna bak.

Link to this sectionYOLO11 modelleri hangi görevleri gerçekleştirebilir?#

YOLO11 modelleri çok yönlüdür ve aşağıdakiler dahil olmak üzere geniş bir bilgisayarlı görü görevi yelpazesini destekler:

• Nesne Tespiti: Bir görüntü içindeki nesneleri tanımlama ve konumlandırma.
• Örnek Segmentasyonu: Nesneleri tespit etme ve sınırlarını belirleme.
• Görüntü Sınıflandırma: Görüntüleri önceden tanımlanmış sınıflara ayırma.
• Poz Tahmini: İnsan vücudundaki anahtar noktaları tespit etme ve izleme.
• Yönlendirilmiş Nesne Tespiti (OBB): Daha yüksek hassasiyet için nesneleri rotasyon ile tespit etme.

Her görev hakkında daha fazla bilgi için Detection, Instance Segmentation, Classification, Pose Estimation ve Oriented Detection dokümantasyonuna bak.

Link to this sectionYOLO11 nasıl daha az parametre ile daha fazla doğruluk elde ediyor?#

YOLO11, model tasarımı ve optimizasyon tekniklerindeki ilerlemeler sayesinde daha az parametre ile daha yüksek doğruluk elde eder. İyileştirilmiş mimari, verimli özellik çıkarımı ve işleme olanağı tanıyarak, COCO gibi veri kümelerinde YOLOv8m'e kıyasla %22 daha az parametre kullanarak daha yüksek ortalama Hassasiyet (mAP) sağlar. Bu, YOLO11'i doğruluğundan ödün vermeden hesaplama açısından verimli kılar ve kısıtlı kaynaklara sahip cihazlarda kullanıma uygun hale getirir.

Link to this sectionYOLO11 uç cihazlarda çalıştırılabilir mi?#

Evet, YOLO11 uç cihazlar dahil olmak üzere çeşitli ortamlara uyarlanabilecek şekilde tasarlanmıştır. Optimize edilmiş mimarisi ve verimli işlem yetenekleri, onu uç cihazlarda, bulut platformlarında ve NVIDIA GPU'larını destekleyen sistemlerde kuruluma uygun hale getirir. Bu esneklik, YOLO11'in mobil cihazlarda gerçek zamanlı tespitten bulut ortamlarındaki karmaşık segmentasyon görevlerine kadar çeşitli uygulamalarda kullanılabilmesini sağlar. Kurulum seçenekleri hakkında daha fazla ayrıntı için Export dokümantasyonuna bak.