4 Ekim 2024
Yeni Ultralytics YOLO11 modeli, özellikleri ve çeşitli endüstrilerdeki gerçek zamanlı uygulamaları hakkında her şeyi öğrenin. Bilmeniz gereken her şeyi size anlatacağız.
30 Eylül Pazartesi günü, Ultralytics, yıllık karma etkinliği olan YOLO Vision 2024'teki (YV24) lansmanının ardından, bilgisayarlı görüdeki en son gelişme olan Ultralytics YOLO11'i resmen piyasaya sürdü. Yapay zeka topluluğu, modelin yeteneklerini keşfetmek için acele ederken heyecanla dolup taşıyor. Daha hızlı işleme, daha yüksek doğruluk ve hem uç cihazlar hem de bulut dağıtımı için optimize edilmiş modellerle YOLO11, gerçek zamanlı bilgisayarlı görü uygulamalarında mümkün olanı yeniden tanımlıyor.
Ultralytics Kurucusu ve CEO'su Glenn Jocher bir röportajda şunları paylaştı: "Dünya temiz enerjiye doğru ilerliyor, ancak yeterince hızlı değil. Modellerimizin daha az epoch ile, daha az artırma ve daha az veri ile eğitilebilir olmasını istiyoruz, bu yüzden bunun üzerinde çok çalışıyoruz. En küçük nesne algılama modeli olan YOLO11n sadece 2,6 milyon parametreye sahip - yaklaşık bir JPEG boyutunda, bu gerçekten çılgınca. En büyük nesne algılama modeli olan YOLO11x ise yaklaşık 56 milyon parametreye sahip ve bu bile diğer modellere kıyasla inanılmaz derecede küçük. Bunları beş yıllık eski bir Nvidia GPU gibi ucuz bir GPU üzerinde sadece biraz heyecan ve biraz kahve ile eğitebilirsiniz."
Bu makalede, bu modelin neler yapabileceğini anlamanıza yardımcı olmak için YOLO11'e daha yakından bakacak, özelliklerini, iyileştirmelerini, performans kıyaslamalarını ve gerçek dünya uygulamalarını inceleyeceğiz. Hadi başlayalım!
YOLO11, YOLO (You Only Look Once) bilgisayarlı görü modelleri serisindeki en son gelişmedir ve YOLOv5 ve YOLOv8 gibi önceki sürümlere göre önemli iyileştirmeler sunar. Ultralytics'teki ekip, YOLO11'i daha hızlı, daha doğru ve daha verimli hale getirmek için topluluk geri bildirimlerini ve en son araştırmaları dahil etti. YOLO11 ayrıca nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere YOLOv8 ile aynı bilgisayarlı görü görevlerini destekler. Aslında, kullanıcılar mevcut iş akışlarını değiştirmeden kolayca YOLO11'e geçebilirler.
YOLO11'in temel özelliklerinden biri, önceki modellere kıyasla hem doğruluk hem de hız açısından üstün performans göstermesidir. YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek bir ortalama ortalama hassasiyet (mAP) elde eder, yani nesneleri daha hassas ve verimli bir şekilde algılayabilir. İşlem hızı açısından, YOLO11 önceki modellerden daha iyi performans gösterir, bu da onu hızlı algılama ve yanıtın kritik olduğu ve her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için ideal hale getirir.
Aşağıdaki kıyaslama grafiği, YOLO11'in önceki modellerden nasıl ayrıldığını göstermektedir. Yatay eksende, nesne tespitinin doğruluğunu ölçen COCO Kutu Ortalama Kesinliği (AP) gösterilmektedir. Dikey eksen, bir NVIDIA T4 GPU üzerinde TensorRT10 FP16 kullanılarak gecikmeyi gösterir ve modelin verileri ne kadar hızlı işlediğini belirtir.
Ultralytics, Ultralytics YOLO11'in lansmanı ile YOLO serisini genişleterek, çeşitli sektörlerdeki artan talebi karşılamak için hem açık kaynak hem de kurumsal modeller sunmaktadır.
YOLO11, Nano, Small, Medium, Large ve X olmak üzere beş farklı model boyutuna sahiptir. Kullanıcılar, bilgisayarlı görü uygulamalarının özel ihtiyaçlarına bağlı olarak en iyi modeli seçebilirler. Beş boyut, görüntü sınıflandırma, nesne algılama, örnek segmentasyonu, izleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) nesne algılama gibi görevlerde esneklik sunar. Her boyut için, her görev için bir model mevcuttur ve bu da Ultralytics'in tekliflerinin temelini oluşturan toplam 25 açık kaynaklı modelle sonuçlanır. Bu modeller, YOLO11n modelinin etkileyici verimlilik sunduğu uç cihazlardaki hafif görevlerden, YOLO11l ve YOLO11x modellerini gerektiren daha büyük ölçekli uygulamalara kadar çok çeşitli uygulamalar için idealdir.
Ultralytics, ilk kez kurumsal modelleri tanıtıyor ve bu, ürün yelpazemizde önemli bir kilometre taşıdır. Bu yeni yenilikleri kullanıcılarımızla paylaşmaktan heyecan duyuyoruz. YOLO11, ticari kullanım durumları için özel olarak tasarlanmış beş tescilli model sunar. Önümüzdeki ay kullanıma sunulacak olan bu kurumsal modeller, Ultralytics'in 1 milyondan fazla görüntüden oluşan yeni tescilli veri kümesi üzerinde eğitilmiştir ve daha güçlü, önceden eğitilmiş modeller sunar. Tıbbi görüntü analizi ve uydu görüntü işleme gibi zorlu, gerçek dünya uygulamaları için tasarlanmıştır ve burada hassas nesne tespiti çok önemlidir.
Artık YOLO11'in neler sunduğunu tartıştığımıza göre, YOLO11'i bu kadar özel yapan şeylere bir göz atalım.
YOLO11'i geliştirirken karşılaşılan temel zorluklardan biri, rekabet eden öncelikler arasında doğru dengeyi bulmaktı: modelleri daha küçük, daha hızlı ve daha doğru hale getirmek. Ultralytics'in Kurucusu ve CEO'su Glenn Jocher'in açıkladığı gibi, "YOLO araştırma ve geliştirme üzerinde çalışmak gerçekten zorlu çünkü üç farklı yöne gitmek istiyorsunuz: modelleri daha küçük yapmak, daha doğru olmalarını sağlamak, ama aynı zamanda CPU ve GPU gibi farklı platformlarda daha hızlı olmalarını istiyorsunuz. Bunların hepsi rekabet eden çıkarlar, bu yüzden tavizler vermeniz ve nerede değişiklik yapacağınızı seçmeniz gerekiyor." Bu zorluklara rağmen, YOLO11 etkileyici bir denge sağlayarak YOLOv8 gibi önceki sürümlere göre hem hız hem de doğruluk iyileştirmeleri sunuyor.
YOLO11, yeniden tasarlanmış bir omurga ve boyun mimarisi ile iyileştirilmiş özellik çıkarımı gibi önemli geliştirmeler getirerek daha hassas nesne tespiti sağlıyor. Model ayrıca hız ve verimlilik için optimize edilmiştir ve yüksek doğruluğu korurken daha hızlı işlem süreleri sunar. Bu faydalarına ek olarak, YOLO11 farklı ortamlara son derece uyarlanabilirdir ve uç cihazlarda, bulut platformlarında ve NVIDIA GPU'ları kullanan sistemlerde sorunsuz bir şekilde çalışır. Bu uyarlanabilirlik, mobil cihazlardan büyük ölçekli sunuculara kadar çeşitli donanım kurulumlarında esnek dağıtım seçeneklerine ihtiyaç duyan kullanıcılar için ideal bir seçimdir.
YOLO11'in çok yönlülüğü, özellikle karmaşık kullanım durumlarıyla uğraşırken, onu birçok sektörde güvenilir bir araç haline getirir. Örneğin, uç cihazlarda sorunsuz çalışır ve sınırlı işlem gücüne sahip ortamlarda gerçek zamanlı analiz gerektiren uygulamalar için kullanılabilir. Bunun mükemmel bir örneği, herkesi güvende tutmak için araçların anlık kararlar alması gereken otonom sürüş dür. YOLO11, düşük ışık veya nesneler kısmen gizlendiğinde gibi zorlu koşullarda bile, yoldaki yayalar veya diğer arabalar gibi nesneleri algılayıp analiz ederek yardımcı olur. Hızlı ve doğru algılama, kazaları önlemeye yardımcı olur ve kendi kendine sürüş yapan araçların güvenli bir şekilde gezinmesini sağlar.
YOLO11'in menzilinin bir diğer ilginç örneği de yönlendirilmiş sınırlayıcı kutuları (OBB) işleyebilmesidir. Mükemmel şekilde hizalanmamış nesneleri tespit etmek için gereklidir. OBB nesne tespiti, özellikle tarım, haritalama ve gözetim gibi sektörlerde, görüntülerin genellikle havadan veya uydudan çekilmiş görüntülerde mahsuller veya binalar gibi döndürülmüş nesneler içerdiği durumlarda kullanışlıdır. Geleneksel modellerin aksine, YOLO11 nesneleri herhangi bir açıda tanımlayabilir ve hassasiyet gerektiren görevler için çok daha doğru sonuçlar sağlayabilir.
YOLO11 ile başlamak, kodlama veya kodsuz bir seçeneği tercih etmeniz fark etmeksizin basit ve erişilebilirdir. Kod aracılığıyla YOLO11 ile çalışmak için, modelleri kolayca eğitmek ve dağıtmak üzere Ultralytics Python paketini kullanabilirsiniz. Kodsuz bir yaklaşımı tercih ederseniz, Ultralytics HUB sadece birkaç tıklamayla YOLO11'i denemenize olanak tanır.
YOLO11'i Python ile kullanmak için öncelikle Ultralytics paketini yüklemeniz gerekecektir. Tercihlerinize bağlı olarak, bunu pip, conda veya Docker kullanarak yapabilirsiniz. Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum Kılavuzumuza göz atmayı unutmayın. YOLO11 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Sık Karşılaşılan Sorunlar Kılavuzumuza bakın.
Ultralytics paketini yükledikten sonra, YOLO11'i kullanmak kolaydır. Aşağıdaki kod parçacığı, bir modeli yükleme, eğitme, performansını test etme ve ONNX formatına aktarma sürecinde size yol gösterir. Daha derinlemesine örnekler ve gelişmiş kullanım için, resmi Ultralytics belgelerine başvurduğunuzdan emin olun; burada YOLO11'den en iyi şekilde yararlanmak için ayrıntılı kılavuzlar ve en iyi uygulamaları bulacaksınız.
Kodsuz bir yaklaşımı tercih eden kullanıcılar için Ultralytics HUB, yalnızca birkaç tıklamayla YOLO11 modellerini eğitmek ve dağıtmak için kolay bir yol sunar. HUB'ı kullanmaya başlamak için Ultralytics HUB platformunda bir hesap oluşturmanız yeterlidir ve modellerinizi sezgisel bir arayüz aracılığıyla eğitmeye ve yönetmeye başlayabilirsiniz.
Yapay zeka topluluğu, gerçek dünya uygulamaları için daha hızlı, daha doğru modeller geliştirmeye çalışarak bilgisayarla görme alanını sürekli olarak ilerletmektedir. Ultralytics YOLO11, bu çabada önemli bir kilometre taşıdır ve gelişmiş hız, doğruluk ve esneklik sunar. Gerçek zamanlı ve uç uygulamalar için tasarlanmıştır ve bu da onu sağlık ve otonom sürüş gibi endüstriler için ideal hale getirir. İster Ultralytics Python paketini ister kodsuz Ultralytics Hub'ı kullanıyor olun, YOLO11 karmaşık Vizyon Yapay Zeka görevlerini basitleştirir. Güçlü bilgisayarla görme yetenekleri sunarak geliştiriciler ve işletmeler için harika bir seçimdir.
GitHub depomuza göz atın ve yapay zeka hakkında daha fazla bilgi edinmek için aktif topluluğumuza katılın. Vizyon Yapay Zekasının sağlık hizmetleri ve tarım gibi sektörlerdeki inovasyonu nasıl yönlendirdiğini keşfedin.
.webp)