Ultralytics YOLO11 ve uygulamaları hakkında bilmen gereken her şey

30 Eylül Pazartesi günü Ultralytics, Ultralytics YOLO11 modelini resmen piyasaya sürdü; model, o sırada bilgisayarlı görü alanındaki en yeni gelişmeydi ve Ultralytics'in yıllık hibrit etkinliği YOLO Görü 2024 (YV24) sırasında ilk kez tanıtılmıştı. Yapay zekâ topluluğu, modelin yeteneklerini keşfetmekte gecikmedi. Daha hızlı işleme, daha yüksek doğruluk ve hem uç cihazlarda kullanım hem de bulut ortamında dağıtım için optimize edilmiş modelleriyle YOLO11, gerçek zamanlı bilgisayarlı görü uygulamalarında nelerin mümkün olduğunu yeniden tanımlıyor.

Bir röportajda Ultralytics’in Kurucusu ve CEO’su Glenn Jocher şöyle konuştu: “Dünya temiz enerjiye yöneliyor ama yeterince hızlı değil. Modellerimizin daha az epoch, daha az artırma işlemi ve daha az veriyle eğitilebilmesini istiyoruz; bu nedenle bu konuda yoğun biçimde çalışıyoruz. En küçük nesne algılama modeli YOLO11n yalnızca 2,6 milyon parametreye sahip; boyutu neredeyse bir JPEG kadar, ki bu gerçekten inanılmaz. En büyük nesne algılama modeli YOLO11x ise yaklaşık 56 milyon parametreye sahip; bu bile diğer modellere kıyasla son derece küçük. Onları ucuz bir GPU’da, örneğin beş yıllık bir Nvidia GPU’da, biraz heyecan ve kahve eşliğinde eğitebilirsin.”

Bu yazıda, modelin neler yapabileceğini anlamana yardımcı olmak için özelliklerini, iyileştirmelerini, performans kıyaslamalarını ve gerçek dünyadaki uygulamalarını inceleyerek Ultralytics YOLO11’e daha yakından bakacağız.

Ultralytics YOLO11'i anlamak: Önceki sürümlere kıyasla iyileştirmeler#

YOLO11 piyasaya sürüldüğünde, bilgisayarlı görü modellerinden oluşan YOLO (Yalnızca Bir Kez Bak) serisindeki en yeni gelişmeydi; o zamandan beri yerini Ultralytics YOLO26 aldı. YOLOv5 ve YOLOv8 gibi önceki sürümlere kıyasla önemli iyileştirmeler sunar. Ultralytics ekibi, YOLO11'i daha hızlı, daha doğru ve daha verimli hale getirmek için topluluk geri bildirimlerini ve en son araştırmaları modele dahil etti. YOLO11, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma dahil olmak üzere YOLOv8 ile aynı bilgisayarlı görü görevlerini de destekler. Hatta kullanıcılar, mevcut iş akışlarını değiştirmeden kolayca YOLO11'e geçebilir.

YOLO11’in öne çıkan temel özelliklerinden biri, önceki modellere kıyasla hem doğruluk hem de hız bakımından daha iyi performans göstermesidir. YOLOv8m’den %22 daha az parametreye sahip YOLO11m, COCO veri kümesinde daha yüksek bir ortalama hassasiyet (mAP) değerine ulaşır; yani nesneleri daha hassas ve verimli biçimde tespit edebilir. İşleme hızı açısından YOLO11 önceki modelleri geride bırakır ve hızlı tespit ile yanıtın kritik olduğu, her milisaniyenin önem taşıdığı gerçek zamanlı uygulamalar için idealdir.

Aşağıdaki kıyaslama grafiği, YOLO11’in önceki modellerden nasıl ayrıştığını gösteriyor. Yatay eksende, nesne algılama doğruluğunu ölçen COCO Kutu Ortalama Hassasiyeti (AP) yer alıyor. Dikey eksen, modelin verileri ne kadar hızlı işlediğini gösteren ve NVIDIA T4 GPU’da TensorRT 10 FP16 kullanılarak ölçülen gecikmeyi gösteriyor.

Şekil 1. Ultralytics YOLO11, gerçek zamanlı nesne tespitinde son teknoloji yetenekler sunar.

Ultralytics YOLO11 modelinin piyasaya sürülmesi: Açık kaynak ve kurumsal seçenekler#

Ultralytics YOLO11’in piyasaya sürülmesiyle Ultralytics, sektörlerdeki artan talebi karşılamak için hem açık kaynaklı hem de kurumsal modeller sunarak YOLO serisini genişletiyor.

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

YOLO11; Nano, Small, Medium, Large ve X olmak üzere beş farklı model boyutuna sahiptir. Kullanıcılar, bilgisayarlı görü uygulamalarının özel gereksinimlerine göre en uygun modeli seçebilir. Bu beş boyut; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini, yönlendirilmiş sınırlayıcı kutularla (OBB) nesne algılama ve takip gibi görevlerde esneklik sunar. Her boyutta her görev için bir model bulunur ve böylece Ultralytics’in sunduklarının temelini oluşturan toplam 25 açık kaynaklı model elde edilir. Bu modeller, YOLO11n modelinin etkileyici verimlilik sunduğu uç cihazlardaki hafif görevlerden YOLO11l ve YOLO11x modellerini gerektiren daha büyük ölçekli uygulamalara kadar geniş bir kullanım alanına uygundur.

Ultralytics ilk kez kurumsal modeller sunuyor; bu, ürün yelpazemizde önemli bir dönüm noktası ve bu yeni yenilikleri kullanıcılarımızla paylaşmaktan heyecan duyuyoruz. YOLO11, ticari kullanım senaryoları için özel olarak tasarlanmış beş tescilli model sunuyor. Gelecek ay kullanıma sunulacak bu kurumsal modeller, bir milyondan fazla görüntüden oluşan Ultralytics’in yeni tescilli veri kümesiyle eğitiliyor ve daha güçlü önceden eğitilmiş modeller sunuyor. Hassas nesne algılamanın kritik önem taşıdığı tıbbi görüntü analizi ve uydu görüntüsü işleme gibi zorlu gerçek dünya uygulamaları için tasarlandılar.

Yeni nesil Ultralytics YOLO11 özelliklerini keşfet#

Ultralytics YOLO11'in sunduklarını ele aldığımıza göre şimdi YOLO11'i bu kadar özel kılan özelliklere göz atalım.

YOLO11’i geliştirirken karşılaşılan temel zorluklardan biri, birbiriyle yarışan öncelikler arasında doğru dengeyi bulmaktı: modelleri küçültmek, hızlandırmak ve daha doğru hâle getirmek. Ultralytics’in Kurucusu ve CEO’su Glenn Jocher şöyle açıkladı: “YOLO araştırma ve geliştirme çalışmaları gerçekten zorlu; çünkü üç farklı yönde ilerlemek istiyorsun: modelleri küçültmek, doğruluklarını artırmak ve CPU ve GPU gibi farklı platformlarda daha hızlı çalışmalarını sağlamak. Bunların hepsi birbiriyle yarışan hedefler; bu nedenle ödün vermen ve nerede değişiklik yapacağını seçmen gerekiyor.” Bu zorluklara rağmen YOLO11, YOLOv8 gibi önceki sürümlere kıyasla hem hız hem de doğruluk iyileştirmeleri sunarak etkileyici bir denge yakalıyor.

Şekil 3. Ultralytics YOLO11 ile nesne tespitine bir örnek.

Ultralytics YOLO11, yeniden tasarlanan omurga ve boyun mimarisiyle gelişmiş özellik çıkarımı gibi önemli iyileştirmeler sunarak daha hassas nesne algılama sağlar. Model ayrıca hız ve verimlilik için optimize edilmiştir; yüksek doğruluğu korurken daha kısa işleme süreleri sunar. Bu avantajların yanı sıra YOLO11; uç cihazlarda, bulut platformlarında ve NVIDIA GPU’ları kullanan sistemlerde çalışarak farklı ortamlara kolayca uyum sağlar. Bu uyarlanabilirlik, mobil cihazlardan büyük ölçekli sunuculara kadar farklı donanım yapılandırmalarında esnek dağıtım seçeneklerine ihtiyaç duyan kullanıcılar için onu ideal bir tercih hâline getirir.

Gerçek zamanlı Ultralytics YOLO11 uygulamaları#

Ultralytics YOLO11’in çok yönlülüğü, özellikle karmaşık kullanım senaryolarında onu birçok sektörde güvenilir bir araca dönüştürüyor. Örneğin uç cihazlarda verimli çalışır ve işlem gücünün sınırlı olduğu ortamlarda gerçek zamanlı analiz gerektiren uygulamalarda kullanılabilir. Otonom sürüş bunun mükemmel bir örneğidir; araçların herkesin güvenliğini sağlamak için saniyeden kısa sürede karar vermesi gerekir. YOLO11, düşük ışık veya nesnelerin kısmen gizlendiği zorlu koşullarda bile yayalar ya da diğer araçlar gibi yoldaki nesneleri tespit edip analiz ederek yardımcı olur. Hızlı ve doğru tespit, kazaları önlemeye ve otonom araçların güvenli biçimde yol almasına katkıda bulunur.

Şekil 4. YV24'te Ultralytics YOLO11 uygulamalarını anlatırken sahnede Glenn Jocher.

Ultralytics YOLO11’in yetenek yelpazesinin bir başka ilgi çekici örneği de yönlendirilmiş sınırlayıcı kutuları (OBB) işleyebilmesidir. Bu özellik, tam olarak hizalanmamış nesneleri tespit etmek için gereklidir. OBB nesne algılama; görüntülerde çoğu zaman hava veya uydu görüntülerindeki ürünler ya da binalar gibi döndürülmüş nesnelerin yer aldığı tarım, haritalama ve gözetim gibi sektörlerde özellikle yararlıdır. Geleneksel modellerden farklı olarak YOLO11 nesneleri her açıda tanımlayabilir ve hassasiyet gerektiren görevler için çok daha doğru sonuçlar sunabilir.

Yapay zekâ geliştiricileri için Ultralytics YOLO11: Kendin dene#

Kod yazarak ya da kodsuz bir seçeneği tercih ederek YOLO11'i kullanmaya başlamak kolay ve erişilebilirdir. YOLO11 ile kod üzerinden çalışmak için modelleri kolayca eğitip dağıtmanı sağlayan Ultralytics Python paketini kullanabilirsin. Kodsuz bir yaklaşım tercih ediyorsan Ultralytics Platform, yalnızca birkaç tıklamayla YOLO11'i denemene olanak tanır.

Ultralytics YOLO11 kodunu adım adım inceleme#

YOLO11'i Python ile kullanmak için önce Ultralytics paketini yüklemen gerekir. Tercihine bağlı olarak bunu pip, conda veya Docker kullanarak yapabilirsin. Yükleme sürecine ilişkin ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Yükleme Kılavuzumuza göz at. YOLO11 için gerekli paketleri yüklerken sorun yaşarsan çözümler ve ipuçları için Yaygın Sorunlar Kılavuzumuza başvur.

Ultralytics paketi yüklendikten sonra YOLO11’i kullanmak oldukça kolaydır. Aşağıdaki kod parçası, modeli yükleme, eğitme, performansını test etme ve ONNX biçimine dışa aktarma adımlarında sana rehberlik eder. Daha ayrıntılı örnekler ve ileri düzey kullanım için YOLO11’den en iyi şekilde yararlanmana yönelik detaylı kılavuzlar ve en iyi uygulamaları bulabileceğin resmi Ultralytics belgelerine başvur.

Şekil 5. Ultralytics paketi aracılığıyla YOLO11 kullanımı.

Kod yazmadan çalışmayı tercih eden kullanıcılar için Ultralytics Platform, YOLO11 modellerini yalnızca birkaç tıklamayla eğitip dağıtmanın kolay bir yolunu sunar. Ultralytics Platform’u kullanmaya başlamak için platformda bir hesap oluşturman yeterli; ardından sezgisel arayüz üzerinden modellerini eğitmeye ve yönetmeye başlayabilirsin.

Ultralytics YOLO11: Görsel yapay zekânın geleceğini şekillendiriyor#

Yapay zekâ topluluğu, gerçek dünya uygulamaları için daha hızlı ve daha doğru modeller geliştirmeye çalışarak computer vision alanını sürekli ileriye taşıyor. Ultralytics YOLO11, hız, doğruluk ve esnekliği geliştirerek bu çabada önemli bir dönüm noktası oluşturuyor. Gerçek zamanlı ve uç uygulamalar için tasarlanan model; sağlık hizmetleri ve otonom sürüş gibi sektörler için ideal. İster Ultralytics Python paketini ister kodsuz Ultralytics Platform'u kullan, YOLO11 karmaşık görsel yapay zekâ görevlerini kolaylaştırıyor. Güçlü computer vision yetenekleri sunması, onu geliştiriciler ve işletmeler için harika bir seçenek hâline getiriyor.

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