4 Ekim 2024
Yeni Ultralytics YOLO11 modeli, özellikleri ve çeşitli sektörlerdeki gerçek zamanlı uygulamalar hakkında her şeyi öğrenin. Bilmeniz gereken her şeyde size yol göstereceğiz.
Ultralytics, 30 Eylül Pazartesi günü, Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) ilk kez görücüye çıkmasının ardından, bilgisayarla görme alanındaki en son gelişme olan Ultralytics YOLO11'i resmi olarak piyasaya sürdü. Yapay zeka topluluğu, modelin yeteneklerini keşfetmek için acele ederken heyecan içindeydi. Daha hızlı işleme, daha yüksek doğruluk ve hem uç cihazlar hem de bulut dağıtımı için optimize edilmiş modellerle YOLO11, gerçek zamanlı bilgisayarla görme uygulamalarında nelerin mümkün olduğunu yeniden tanımlıyor.
Ultralytics Kurucusu ve CEO'su Glenn Jocher bir röportajında şunları paylaştı: "Dünya temiz enerjiye doğru ilerliyor, ancak yeterince hızlı değil. Modellerimizin daha az sayıda artırma ve daha az veri ile daha az sayıda epokta eğitilebilir olmasını istiyoruz, bu nedenle bu konuda çok çalışıyoruz. En küçük nesne algılama modeli olan YOLO11n, sadece 2,6 milyon parametreye sahip - yaklaşık bir JPEG boyutunda, ki bu gerçekten çılgınca. En büyük nesne algılama modeli olan YOLO11x yaklaşık 56 milyon parametreye sahip ve bu bile diğer modellere kıyasla inanılmaz derecede küçük. Bunları beş yıllık bir Nvidia GPU gibi ucuz bir GPU'da, sadece biraz heyecan ve biraz kahve ile eğitebilirsiniz."
Bu makalede, bu modelin neler yapabileceğini anlamanıza yardımcı olmak için özelliklerini, iyileştirmelerini, performans karşılaştırmalarını ve gerçek dünya uygulamalarını inceleyerek YOLO11'e daha yakından bakacağız. Hadi başlayalım!
YOLO11, YOLO (You Only Look Once) bilgisayarla görme modelleri serisindeki en son gelişmedir ve YOLOv5 ve YOLOv8 gibi önceki sürümlere göre önemli iyileştirmeler sunar. Ultralytics ekibi, YOLO11'i daha hızlı, daha doğru ve daha verimli hale getirmek için topluluk geri bildirimlerini ve en son araştırmaları bir araya getirdi. YOLO11, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere YOLOv8 ile aynı bilgisayarla görme görevlerini de destekler. Aslında, kullanıcılar mevcut iş akışlarını değiştirmeye gerek kalmadan kolayca YOLO11'e geçebilirler.
YOLO11'in en önemli özelliklerinden biri, öncekilere kıyasla hem doğruluk hem de hız açısından üstün performansıdır. YOLOv8m'ye göre %22 daha az parametreye sahip olan YOLO11m, COCO veri setinde daha yüksek bir ortalama hassasiyet (mAP) elde eder, yani nesneleri daha hassas ve verimli bir şekilde tespit edebilir. İşlem hızı açısından YOLO11, önceki modellerden daha iyi performans göstererek hızlı tespit ve yanıtın kritik olduğu ve her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için idealdir.
Aşağıdaki kıyaslama grafiği YOLO11'in önceki modellerden nasıl ayrıldığını göstermektedir. Yatay eksende, nesne algılama doğruluğunu ölçen COCO Kutusu Ortalama Hassasiyeti (AP) gösterilmektedir. Dikey eksen, NVIDIA T4 GPU'da TensorRT10 FP16 kullanılarak gecikmeyi gösterir ve modelin verileri ne kadar hızlı işlediğini gösterir.
Ultralytics YOLO11'in piyasaya sürülmesiyle Ultralytics, sektörler arasında artan talebi karşılamak için hem açık kaynak hem de kurumsal modeller sunarak YOLO serisini genişletiyor.
YOLO11, Nano, Küçük, Orta, Büyük ve X olmak üzere beş farklı model boyutuna sahiptir. Kullanıcılar, bilgisayarla görme 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, bu da Ultralytics'in tekliflerinin çekirdeğini 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 uygulam alara kadar çok çeşitli uygulamalar için idealdir.
Ultralytics, ürün tekliflerimizde önemli bir kilometre taşını işaret eden kurumsal modelleri ilk kez tanıtıyor ve bu yenilikleri kullanıcılarımızla paylaşmaktan heyecan duyuyoruz. YOLO11, ticari kullanım durumları için özel olarak tasarlanmış beş tescilli modeli tanıtıyor. Önümüzdeki ay kullanıma sunulacak olan bu kurumsal modeller, Ultralytics'in 1 milyondan fazla görüntüden oluşan yeni tescilli veri seti üzerinde eğitilerek daha sağlam önceden eğitilmiş modeller sunuyor. Bu modeller, hassas nesne tespitinin çok önemli olduğu tıbbi görüntü analizi ve uydu görüntüsü işleme gibi zorlu, gerçek dünya uygulamaları için tasarlanmıştır.
YOLO11'in neler sunduğundan bahsettiğimize göre, şimdi YOLO11'i bu kadar özel yapan şeylere bir göz atalım.
YOLO11'in geliştirilmesindeki en önemli zorluklardan biri, birbiriyle yarışan 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 zor çünkü üç farklı yöne gitmek istiyorsunuz: modelleri küçültmek istiyorsunuz, daha doğru olmalarını istiyorsunuz ama aynı zamanda CPU ve GPU gibi farklı platformlarda daha hızlı olmalarını istiyorsunuz. Tüm bunlar birbiriyle rekabet eden çıkarlar, dolayısıyla taviz vermeniz ve nerede değişiklik yapacağınızı seçmeniz gerekiyor." Bu zorluklara rağmen YOLO11, YOLOv8 gibi önceki sürümlere göre hem hız hem de doğruluk açısından iyileştirmeler sunarak etkileyici bir denge yakalıyor.
YOLO11, yeniden tasarlanmış omurga ve boyun mimarisi ile geliştirilmiş özellik çıkarma gibi önemli geliştirmeler getirerek daha hassas nesne tespiti sağlar. Model ayrıca hız ve verimlilik için optimize edilmiştir ve yüksek doğruluğu korurken daha hızlı işlem süreleri sunar. Bu avantajlara ek olarak, YOLO11 farklı ortamlara son derece uyarlanabilir, uç cihazlarda, bulut platformlarında ve NVIDIA GPU'ları kullanan sistemlerde sorunsuz bir şekilde çalışır. Bu uyarlanabilirlik, onu mobil cihazlardan büyük ölçekli sunuculara kadar çeşitli donanım kurulumlarında esnek dağıtım seçeneklerine ihtiyaç duyan kullanıcılar için ideal bir seçim haline getirir.
YOLO11'in çok yönlülüğü, onu özellikle karmaşık kullanım durumlarıyla uğraşırken birçok sektörde güvenilir bir araç haline getirir. Örneğin, uç cihazlarda sorunsuz bir şekilde çalışır ve sınırlı bilgi işlem gücüne sahip ortamlarda gerçek zamanlı analiz gerektiren uygulamalar için kullanılabilir. Bunun mükemmel bir örneği, araçların herkesi güvende tutmak için anlık kararlar vermesi gereken otonom sürüştür. YOLO11, düşük ışık gibi zorlu koşullarda veya nesnelerin kısmen gizlendiği durumlarda bile yaya veya diğer araçlar gibi yoldaki nesneleri tespit ve analiz ederek yardımcı olur. Hızlı ve doğru algılama, kazaların önlenmesine yardımcı olur ve sürücüsüz araçların güvenli bir şekilde seyredebilmesini sağlar.
YOLO11'in menzilinin bir başka ilginç örneği de yönlendirilmiş sınırlayıcı kutuları (OBB) işleme yeteneğidir. Bu özellik, mükemmel şekilde hizalanmamış nesneleri tespit etmek için çok önemlidir. OBB nesne tespiti, görüntülerin genellikle hava veya uydu görüntülerinde ekinler veya binalar gibi döndürülmüş nesneler içerdiği tarım, haritalama ve gözetleme gibi sektörlerde özellikle yararlı olan bir özelliktir. Geleneksel modellerin aksine, YOLO11 nesneleri her açıdan tanımlayabilir ve hassasiyet gerektiren görevler için çok daha doğru sonuçlar sağlar.
YOLO11 ile çalışmaya başlamak, ister kodlamayı ister kodsuz seçeneği tercih edin, 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 tıklama ile YOLO11'i denemenizi sağlar.
YOLO11'i Python ile kullanmak için öncelikle Ultralytics paketini yüklemeniz gerekir. Tercihlerinize bağlı olarak bunu pip, conda veya Docker kullanarak yapabilirsiniz. Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum Kılavuzumuzu kontrol ettiğinizden emin olun. YOLO11 için gerekli paketleri yüklerken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar Kılavuz umuza 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, YOLO11'den en iyi şekilde yararlanmak için ayrıntılı kılavuzlar ve en iyi uygulamaları bulabileceğiniz resmi Ultralytics belgelerine başvurduğunuzdan emin olun.
Kodsuz bir yaklaşımı tercih eden kullanıcılar için Ultralytics HUB, YOLO11 modellerini sadece birkaç tıklama ile eğitmek ve dağıtmak için kolay bir yol sağlar. HUB'ı kullanmaya başlamak için Ultralytics HUB platformunda bir hesap oluşturmanız yeterlidir ve sezgisel bir arayüz aracılığıyla modellerinizi 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 sağlar. Gerçek zamanlı ve uç uygulamalar için tasarlanmıştır, bu da onu sağlık hizmetleri ve otonom sürüş gibi endüstriler için ideal hale getirir. İster Ultralytics Python paketini ister kodsuz Ultralytics Hub'ı kullanıyor olun, YOLO11 karmaşık Vision AI görevlerini basitleştirir. Güçlü bilgisayarla görme yetenekleri sunar, bu da onu geliştiriciler ve işletmeler için mükemmel bir seçim haline getirir.
GitHub depomuza göz atın ve yapay zeka hakkında daha fazla bilgi edinmek için aktif topluluğumuza katılın. Vision AI'ın sağlık ve tarım gibi sektörlerde inovasyonu nasıl desteklediğini keşfedin.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
VI
AR.webp)
