Ultralytics YOLO11 ve uygulamaları hakkında bilmen gereken her şey

On Monday, September 30th, Ultralytics officially launched Ultralytics YOLO11, the latest advancement in computer vision, following its debut at YOLO Vision 2024 (YV24), Ultralytics’ annual hybrid event. The AI community has been buzzing with excitement as they rush to explore the model’s capabilities. With faster processing, higher accuracy, and models optimized for both edge devices and cloud deployment, YOLO11 redefines what’s possible in real-time computer vision applications.

Bir röportajda, Ultralytics Kurucusu ve CEO'su Glenn Jocher şunları paylaştı: "Dünya temiz enerjiye doğru ilerliyor ama yeterince hızlı değil. Modellerimizin daha az eğitim devrinde (epoch), daha az veri çoğaltma (augmentation) ve daha az veriyle eğitilebilir olmasını istiyoruz, bu yüzden bunun üzerinde çok çalışıyoruz. En küçük nesne algılama modeli olan YOLO11n, sadece 2,6 milyon parametreye sahip - yani bir JPEG dosyası 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. Onları, biraz heyecan ve bir miktar kahve eşliğinde, beş yıllık bir Nvidia GPU gibi ucuz bir GPU üzerinde eğitebilirsin."

Bu makalede YOLO11'e daha yakından bakacak; bu modelin neler yapabileceğini anlamana yardımcı olmak için özelliklerini, iyileştirmelerini, performans kıyaslamalarını ve gerçek dünya uygulamalarını keşfedeceğiz. Haydi başlayalım!

Link to this sectionYOLO11'i anlamak: Önceki sürümlere göre iyileştirmeler#

YOLO11 is the latest advancement in the YOLO (You Only Look Once) series of computer vision models, and it offers significant improvements over previous versions like YOLOv5 and YOLOv8. The team at Ultralytics has incorporated community feedback and cutting-edge research to make YOLO11 faster, more accurate, and more efficient. YOLO11 also supports the same computer vision tasks as YOLOv8, including object detection, instance segmentation, and image classification. In fact, users can easily switch to YOLO11 without needing to change existing workflows.

One of the key highlights of YOLO11 is its superior performance in both accuracy and speed compared to its predecessors. With 22% fewer parameters than YOLOv8m, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset, meaning it can detect objects more precisely and efficiently. In terms of processing speed, YOLO11 outperforms earlier models, making it ideal for real-time applications, where rapid detection and response are critical, and every millisecond counts.

The benchmarking graph below illustrates how YOLO11 stands out from previous models. On the horizontal axis, it shows the COCO Box Average Precision (AP), which measures the accuracy of object detection. The vertical axis displays latency using TensorRT10 FP16 on an NVIDIA T4 GPU, indicating how fast the model processes data.

Şekil 1. YOLO11, son teknoloji gerçek zamanlı nesne algılama yetenekleri sunar.

Link to this sectionYOLO11 model lansmanı: Açık kaynak ve kurumsal seçenekler#

Ultralytics YOLO11'in lansmanı ile Ultralytics, endüstrilerdeki artan talebi karşılamak için hem açık kaynak hem de kurumsal modeller sunarak YOLO serisini genişletiyor.

Şekil 2. Bu lansmanla Ultralytics, 30 yeni model sunuyor.

YOLO11 features five distinct model sizes - Nano, Small, Medium, Large, and X. Users can choose the best model depending on their computer vision application’s specific needs. The five sizes offer flexibility across tasks such as image classification, object detection, instance segmentation, tracking, pose estimation, and oriented bounding boxes (OBB) object detection. For each size, there is a model available for each task, resulting in a total of 25 open-source models that form the core of Ultralytics' offerings. These models are ideal for a wide range of applications, from lightweight tasks on edge devices, where the YOLO11n model offers impressive efficiency, to larger-scale applications requiring the YOLO11l and YOLO11x models.

For the first time, Ultralytics is introducing enterprise models, marking a major milestone in our product offerings, and we are excited to share these new innovations with our users. YOLO11 introduces five proprietary models designed specifically for commercial use cases. These enterprise models, which will be available next month, are trained on Ultralytics’ new proprietary dataset, consisting of over 1 million images, offering more robust pre-trained models. They are engineered for demanding, real-world applications, such as medical imagery analysis and satellite image processing, where precise object detection is crucial.

Link to this sectionYeni nesil YOLO11 özelliklerini keşfetme#

Artık YOLO11'in neler sunduğunu tartıştığımıza göre, YOLO11'i bu kadar özel kılan şeylere bir göz atalım.

YOLO11'i geliştirirken karşılaşılan en önemli zorluklardan biri, birbiriyle yarışan öncelikler arasında doğru dengeyi kurmaktı: modelleri daha küçük, daha hızlı ve daha doğru hale getirmek. Ultralytics Kurucusu ve CEO'su Glenn Jocher'ın açıkladığı gibi: "YOLO araştırma ve geliştirmesi üzerinde çalışmak gerçekten zor çünkü üç farklı yöne gitmek istiyorsun: modelleri küçültmek, daha doğru hale getirmek ve aynı zamanda CPU ve GPU gibi farklı platformlarda daha hızlı çalışmalarını sağlamak istiyorsun. Bunların hepsi birbiriyle yarışan çıkarlar, bu yüzden taviz vermen ve nerede değişiklik yapacağına karar vermen gerekiyor." Bu zorluklara rağmen YOLO11, YOLOv8 gibi önceki sürümlere göre hem hız hem de doğruluk iyileştirmeleri sağlayarak etkileyici bir denge elde ediyor.

Şekil 3. Nesne algılama için YOLO11 kullanımına bir örnek.

YOLO11 brings substantial enhancements like improved feature extraction with a redesigned backbone and neck architecture, leading to more precise object detection. The model is also optimized for speed and efficiency, offering faster processing times while maintaining high accuracy. In addition to these benefits, YOLO11 is highly adaptable across different environments, working seamlessly on edge devices, cloud platforms, and systems using NVIDIA GPUs. This adaptability makes it an ideal choice for users who need flexible deployment options across various hardware setups, from mobile devices to large-scale servers.

Link to this sectionGerçek zamanlı YOLO11 uygulamaları#

YOLO11'in çok yönlülüğü, özellikle karmaşık kullanım durumlarıyla uğraşırken onu birçok endüstride güvenilir bir araç haline getirir. Örneğin, uç cihazlarda sorunsuz çalışır ve sınırlı bilgi işlem gücüne sahip ortamlarda gerçek zamanlı analiz gerektiren uygulamalar için kullanılabilir. Bunun mükemmel bir örneği, araçların herkesin güvenliğini sağlamak için saniyelik kararlar vermesi gereken otonom sürüş teknolojisidir. YOLO11, düşük ışık veya kısmen gizlenmiş nesneler gibi zorlu koşullarda bile yayaları veya diğer araçları yoldaki nesneleri algılayıp analiz ederek yardımcı olur. Hızlı ve doğru algılama, kazaları önlemeye yardımcı olur ve sürücüsüz araçların güvenli bir şekilde hareket etmesini sağlar.

Şekil 4. Glenn Jocher YV24 sahnesinde, YOLO11 uygulamaları hakkında konuşurken.

YOLO11'in kapsamının bir başka ilginç örneği de yönlendirilmiş sınırlayıcı kutuları (OBB) işleme yeteneğidir. Bu, mükemmel şekilde hizalanmamış nesneleri algılamak için gereklidir. OBB nesne algılama, tarım, haritalama ve gözetim gibi endüstrilerde, görüntülerin genellikle hava veya uydu görüntülerindeki ekinler veya binalar gibi döndürülmüş nesneler içerdiği durumlarda özellikle yararlı olan bir özelliktir. Geleneksel modellerin aksine, YOLO11 nesneleri her açıda tanımlayabilir ve hassasiyet gerektiren görevler için çok daha doğru sonuçlar sağlayabilir.

Link to this sectionAI geliştiricileri için YOLO11: Kendin dene#

YOLO11 ile çalışmaya başlamak, kodlamayı mı yoksa kodsuz bir seçeneği mi tercih ettiğine bakılmaksızın basit ve erişilebilirdir. YOLO11 ile kod aracılığıyla çalışmak için Ultralytics Python paketini kullanarak modelleri kolayca eğitebilir ve dağıtabilirsin. Kodsuz bir yaklaşımı tercih ediyorsan, Ultralytics Platform sadece birkaç tıklamayla YOLO11'i denemene olanak tanır.

Link to this sectionYOLO11 kod rehberi#

YOLO11'i Python ile kullanmak için önce Ultralytics paketini yüklemen gerekir. Tercihlerine bağlı olarak bunu pip, conda veya Docker kullanarak yapabilirsin. Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum Kılavuzumuza göz attığından emin ol. YOLO11 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsan, çözümler ve ipuçları için Yaygın Sorunlar Kılavuzumuza başvur.

Once you have the Ultralytics package installed, using YOLO11 is straightforward. The following code snippet walks you through the process of loading a model, training it, testing its performance, and exporting it to ONNX format. For more in-depth examples and advanced usage, be sure to refer to the official Ultralytics documentation, where you’ll find detailed guides and best practices for getting the most out of YOLO11.

Şekil 5. Ultralytics paketi aracılığıyla YOLO11 kullanımı.

Kodsuz bir yaklaşımı tercih eden kullanıcılar için Ultralytics Platform, YOLO11 modellerini sadece birkaç tıklamayla eğitmek ve dağıtmak için kolay bir yol sağlar. Ultralytics Platformu ile çalışmaya başlamak için Ultralytics Platformunda bir hesap oluşturman yeterlidir; ardından sezgisel bir arayüz aracılığıyla modellerini eğitmeye ve yönetmeye başlayabilirsin.

Link to this sectionYOLO11: Vizyon yapay zekasının geleceğini şekillendiriyor#

Yapay zeka topluluğu, gerçek dünya uygulamaları için daha hızlı, daha doğru modeller geliştirmeye çalışarak bilgisayarlı görü alanını sürekli olarak ileriye taşıyor. Ultralytics YOLO11, gelişmiş hız, doğruluk ve esneklik sağlayarak bu çabada önemli bir dönüm noktasıdır. Gerçek zamanlı ve uç uygulamalar için tasarlanmış olup sağlık ve otonom sürüş gibi endüstriler için idealdir. İster Ultralytics Python paketini ister kodsuz Ultralytics Platformunu kullan, YOLO11 karmaşık vizyon yapay zekası görevlerini basitleştirir. Güçlü bilgisayarlı görü yetenekleri sunarak geliştiriciler ve işletmeler için harika bir seçim haline gelir.

Yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuza göz at ve aktif topluluğumuza katıl. Görsel yapay zekanın sağlık ve tarım gibi sektörlerde inovasyonu nasıl yönlendirdiğini keşfet.