Ultralytics YOLO11'i önceki YOLO modelleriyle karşılaştırma

Günlük görevleri otomatikleştirmekten gerçek zamanlı bilinçli kararlar almaya yardımcı olmaya kadar, yapay zeka (AI) çeşitli endüstrilerin geleceğini yeniden şekillendiriyor. AI'nın özellikle büyüleyici bir alanı, vizyon AI olarak da bilinen computer vision alanıdır. Bu alan, makinelerin görsel verileri tıpkı insanlar gibi analiz etmesini ve yorumlamasını sağlamaya odaklanır.

Özellikle, computer vision models hem güvenliği hem de verimliliği artıran inovasyonlara öncülük ediyor. Örneğin, bu modeller sürücüsüz araçlarda yayaları tespit etmek ve güvenlik kameralarında mekanları günün her saati izlemek için kullanılıyor.

En iyi bilinen computer vision modellerinden bazıları, gerçek zamanlı nesne tespiti yetenekleriyle tanınan YOLO (You Only Look Once) modelleridir. Zaman içinde YOLO modelleri gelişti ve her yeni sürüm daha iyi performans ve daha fazla esneklik sundu.

Ultralytics YOLO11 gibi daha yeni sürümler; örnek segmentasyonu (instance segmentation), görüntü sınıflandırma, poz tahmini ve çoklu nesne takibi gibi çeşitli görevleri, her zamankinden daha iyi doğruluk, hız ve hassasiyetle gerçekleştirebiliyor.

Bu makalede, bu modellerin nasıl evrimleştiğine dair daha iyi bir fikir edinmek için Ultralytics YOLOv8, YOLOv9, YOLOv10 ve Ultralytics YOLO11'i karşılaştıracağız. Temel özelliklerini, benchmark sonuçlarını ve performans farklarını analiz edeceğiz. Hadi başlayalım!

Link to this sectionUltralytics YOLOv8'e genel bakış#

Ultralytics tarafından 10 Ocak 2023'te piyasaya sürülen YOLOv8, önceki YOLO modellerine kıyasla ileriye doğru atılmış büyük bir adımdı. Daha iyi sonuçlar için iyi test edilmiş yaklaşımları yenilikçi güncellemelerle birleştirerek, gerçek zamanlı ve doğru tespit için optimize edilmiştir.

Object detection ötesine geçerek, şu computer vision görevlerini de destekler: instance segmentation, poz tahmini, yönlendirilmiş sınırlayıcı kutular (OBB) nesne tespiti ve görüntü sınıflandırma. YOLOv8'in bir diğer önemli özelliği de beş farklı model varyantı olarak sunulmasıdır: Nano, Small, Medium, Large ve X. Böylece ihtiyaçlarına göre hız ve doğruluk arasındaki doğru dengeyi seçebilirsin.

Çok yönlülüğü ve güçlü performansı sayesinde YOLOv8, güvenlik sistemleri, akıllı şehirler, sağlık hizmetleri ve endüstriyel otomasyon gibi birçok gerçek dünya uygulamasında kullanılabilir.

Fig 1. YOLOv8 ile akıllı şehirlerde park yönetimi.

Link to this sectionYOLOv8'in temel özellikleri#

İşte YOLOv8'in diğer temel özelliklerinden bazılarına daha yakından bir bakış:

• Gelişmiş tespit mimarisi: YOLOv8, iyileştirilmiş bir CSPDarknet omurgası (backbone) kullanır. Bu omurga, özellik çıkarımı (feature extraction) için optimize edilmiştir; bu, modelin doğru tahminler yapmasına yardımcı olan giriş görüntülerindeki önemli desenleri veya ayrıntıları tanımlama ve yakalama sürecidir.
• Tespit başlığı (Detection head): Anchor-free, ayrıştırılmış bir tasarım kullanır; yani önceden ayarlanmış sınırlayıcı kutu şekillerine (anchors) güvenmez ve bunun yerine nesne konumlarını doğrudan tahmin etmeyi öğrenir. Ayrıştırılmış kurulum sayesinde, nesnenin ne olduğunu sınıflandırma ve nerede olduğunu tahmin etme (regresyon) görevleri ayrı ayrı ele alınır, bu da doğruluğu artırmaya ve eğitimi hızlandırmaya yardımcı olur.
• Doğruluk ve hız dengesi: Bu model, etkileyici bir doğruluk elde ederken hızlı çıkarım (inference) sürelerini korur, bu da onu hem bulut hem de uç (edge) ortamları için uygun hale getirir.
• Kullanıcı dostu: YOLOv8, kullanmaya başlamanın kolay olması için tasarlanmıştır; Ultralytics Python package kullanarak sadece birkaç dakika içinde tahmin yapmaya ve sonuçları görmeye başlayabilirsin.

Link to this sectionYOLOv9, hesaplama verimliliğine odaklanıyor#

YOLOv9, 21 Şubat 2024'te Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından piyasaya sürüldü. Nesne tespiti ve instance segmentation gibi görevleri destekler.

Bu model, Ultralytics YOLOv5 üzerine inşa edilmiştir ve iki büyük yenilik sunar: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN).

PGI, verileri katmanları boyunca işlerken YOLOv9'un önemli bilgileri tutmasına yardımcı olur, bu da daha doğru sonuçlara yol açar. Bu arada GELAN, modelin katmanlarını nasıl kullandığını iyileştirerek performansı ve hesaplama verimliliğini artırır. Bu yükseltmeler sayesinde YOLOv9, hesaplama kaynaklarının genellikle sınırlı olduğu uç cihazlarda ve mobil uygulamalarda gerçek zamanlı görevleri yönetebilir.

Fig 2. GELAN'ın YOLOv9'un doğruluğunu nasıl iyileştirdiğini anlamak.

Link to this sectionYOLOv9'un temel özellikleri#

İşte YOLOv9'un diğer temel özelliklerinden bazılarına bir bakış:

• Verimlilikle yüksek hassasiyet: YOLOv9, çok fazla hesaplama gücü tüketmeden yüksek tespit doğruluğu sağlar, bu da onu kaynaklar sınırlı olduğunda harika bir seçenek haline getirir.
• Hafif modeller: YOLOv9'un hafif model varyantları, uç ve mobil dağıtımlar için optimize edilmiştir.
• Kullanımı kolay: YOLOv9, Ultralytics Python paketi tarafından desteklenir, bu nedenle kod veya CLI kullanarak farklı ortamlarda kurmak ve çalıştırmak basittir.

Link to this sectionYOLOv10, NMS'siz nesne tespitini mümkün kılıyor#

YOLOv10, 23 Mayıs 2024'te Tsinghua Üniversitesi'ndeki araştırmacılar tarafından tanıtıldı ve gerçek zamanlı nesne tespitine odaklanıyor. Yinelenen tespitleri ortadan kaldırmak için kullanılan bir işlem sonrası adımı olan NMS (non-maximum suppression) ihtiyacını kaldırarak ve genel model tasarımını iyileştirerek önceki YOLO sürümlerindeki sınırlamaları ele alır. Bu, en son teknoloji doğruluğuna ulaşırken daha hızlı ve daha verimli bir nesne tespiti sağlar.

Bunu mümkün kılan hayati bir parça, tutarlı ikili etiket atamaları (consistent dual-label assignments) olarak bilinen bir eğitim yaklaşımıdır. İki stratejiyi birleştirir: birden fazla tahminin aynı nesneden öğrenmesine izin veren (one-to-many) ve en iyi tek tahmini seçmeye odaklanan (one-to-one). Her iki strateji de aynı eşleştirme kurallarını izlediğinden, model kendi başına kopyalardan kaçınmayı öğrenir, bu nedenle NMS gerekmez.

Fig 3. YOLOv10, NMS-siz eğitim için tutarlı ikili etiket atamaları kullanır.

YOLOv10'un mimarisi ayrıca özellikleri daha etkili bir şekilde öğrenmek için iyileştirilmiş bir CSPNet omurgası ve farklı katmanlardan gelen bilgileri birleştirerek hem küçük hem de büyük nesneleri tespit etmede daha iyi hale getiren bir PAN (Path Aggregation Network) boynu kullanır. Bu iyileştirmeler, YOLOv10'u üretim, perakende ve otonom sürüş gibi gerçek dünya uygulamalarında kullanmayı mümkün kılar.

Link to this sectionYOLOv10'un temel özellikleri#

İşte YOLOv10'un diğer öne çıkan özelliklerinden bazıları:

• Büyük çekirdekli konvolüsyonlar (Large-kernel convolutions): Model, görüntünün daha geniş alanlarından daha fazla bağlam yakalamak için büyük çekirdekli konvolüsyonlar kullanır, bu da genel sahneyi daha iyi anlamasına yardımcı olur.

• Kısmi öz-dikkat (Partial self-attention) modülleri: Model, çok fazla hesaplama gücü kullanmadan görüntünün en önemli kısımlarına odaklanmak için kısmi öz-dikkat modülleri içerir ve performansı verimli bir şekilde artırır.

• Benzersiz model varyantı: Olağan YOLOv10 boyutlarının (Nano, Small, Medium, Large ve X) yanı sıra, YOLOv10b (Dengeli) adı verilen özel bir sürüm de vardır. Daha geniş bir modeldir, yani her katmanda daha fazla özellik işler, bu da hız ve boyutu dengelerken doğruluğu artırmaya yardımcı olur.

• Kullanıcı dostu: YOLOv10, Ultralytics Python paketi ile uyumludur, bu da kullanımını kolaylaştırır.

Link to this sectionUltralytics YOLO11: Gelişmiş hız ve doğruluk#

Bu yıl, 30 Eylül'de, Ultralytics yıllık hibrit etkinliği YOLO Vision 2024 (YV24) kapsamında, YOLO serisindeki en yeni modellerden biri olan YOLO11'i resmen piyasaya sürdü.

Bu sürüm, önceki sürümlere göre önemli iyileştirmeler getirdi. YOLO11 daha hızlı, daha doğru ve son derece verimlidir. YOLOv8 kullanıcılarının aşina olduğu nesne tespiti, instance segmentation ve görüntü sınıflandırma dahil olmak üzere tüm computer vision tasks yelpazesini destekler. Ayrıca YOLOv8 iş akışlarıyla uyumluluğunu korur, bu da kullanıcıların yeni sürüme sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.

Bunun da ötesinde, YOLO11, hafif uç cihazlardan güçlü bulut sistemlerine kadar çok çeşitli hesaplama ihtiyaçlarını karşılamak üzere tasarlanmıştır. Model, hem açık kaynaklı hem de kurumsal sürümler olarak mevcuttur, bu da onu farklı kullanım durumları için uyarlanabilir kılar.

Tıbbi görüntüleme ve uydu tespiti gibi hassas görevler ile otonom araçlar, tarım ve sağlık hizmetlerindeki daha geniş uygulamalar için harika bir seçenektir.

Fig 4. Trafiği tespit etmek, saymak ve izlemek için Ultralytics YOLO11 kullanılıyor.

Link to this sectionYOLO11'in temel özellikleri#

İşte YOLO11'in diğer benzersiz özelliklerinden bazıları:

• Hızlı ve verimli tespit: YOLO11, minimum gecikme için tasarlanmış, performanstan ödün vermeden son tahmin katmanlarında hıza odaklanan bir tespit başlığına sahiptir.
• Gelişmiş özellik çıkarımı: Optimize edilmiş bir omurga ve boyun mimarisi, özellik çıkarımını iyileştirerek daha hassas tahminlere yol açar.
• Platformlar arası sorunsuz dağıtım: YOLO11, uç cihazlarda, bulut platformlarında ve NVIDIA GPU'larında verimli bir şekilde çalışacak şekilde optimize edilmiştir ve farklı ortamlarda uyarlanabilirlik sağlar.

Link to this sectionCOCO veri setinde YOLO modellerini kıyaslamak#

Farklı modelleri incelerken, onları sadece özelliklerine bakarak compare etmek her zaman kolay değildir. İşte benchmarking (kıyaslama) burada devreye girer. Tüm modelleri aynı veri setinde çalıştırarak performanslarını objektif bir şekilde ölçebilir ve karşılaştırabiliriz. Her modelin COCO dataset üzerinde nasıl performans gösterdiğine bir bakalım.

YOLO modellerini karşılaştırırken, her yeni sürüm doğruluk, hız ve esneklik açısından dikkate değer iyileştirmeler getiriyor. Özellikle YOLO11m, YOLOv8m'den %22 daha az parametre kullandığı için burada bir atılım yapıyor, bu da daha hafif ve çalıştırılmasının daha hızlı olduğu anlamına geliyor. Ayrıca, daha küçük boyutuna rağmen, COCO veri setinde daha yüksek bir mAP (ortalama hassasiyet) elde eder. Bu metrik, modelin nesneleri ne kadar iyi tespit ettiğini ve konumlandırdığını ölçer, dolayısıyla daha yüksek bir mAP daha doğru tahminler anlamına gelir.

Fig 5. COCO veri setinde YOLO11 ve diğer YOLO modellerini kıyaslamak.

Link to this sectionYOLO modellerini bir videoda test etmek ve karşılaştırmak#

Bu modellerin gerçek dünya durumunda nasıl performans gösterdiğini inceleyelim.

YOLOv8, YOLOv9, YOLOv10 ve YOLO11'i karşılaştırmak için, dördü de 0.3 güven puanı (model yalnızca bir nesneyi doğru tanımladığından en az %30 emin olduğunda tespitleri görüntüler) ve adil bir değerlendirme için 640 görüntü boyutu kullanılarak aynı trafik videosunda çalıştırıldı. Nesne tespiti ve takibi sonuçları, tespit doğruluğu, hız ve hassasiyetteki temel farkları vurguladı.

İlk kareden itibaren, YOLO11, YOLOv10'un gözden kaçırdığı kamyon gibi büyük araçları yakaladı. YOLOv8 ve YOLOv9 iyi bir performans sergiledi ancak aydınlatma koşullarına ve nesne boyutuna göre değişiklik gösterdi. Daha küçük, uzak araçlar tüm modellerde bir zorluk olmaya devam etti, ancak YOLO11 bu tespitlerde de gözle görülür iyileştirmeler gösterdi.

Fig 6. YOLOv8, YOLOv9, YOLOv10 ve YOLO11'in karşılaştırması.

Hız açısından, tüm modeller kare başına 10 ile 20 milisaniye arasında çalıştı, bu da 50 FPS'nin üzerinde gerçek zamanlı görevleri yerine getirecek kadar hızlı. Bir yandan, YOLOv8 ve YOLOv9 video boyunca istikrarlı ve güvenilir tespitler sağladı. İlginç bir şekilde, daha düşük gecikme süresi için tasarlanan YOLOv10 daha hızlıydı ancak belirli nesne türlerini tespit etmede bazı tutarsızlıklar gösterdi.

YOLO11 ise hassasiyetiyle öne çıktı ve hız ile accuracy arasında güçlü bir denge sundu. Hiçbir model her karede mükemmel performans göstermese de, yan yana karşılaştırma YOLO11'in genel olarak en iyi performansı sunduğunu açıkça ortaya koydu.

Link to this sectionComputer vision görevleri için en iyi YOLO modeli hangisidir?#

Bir proje için model seçmek, projenin özel gereksinimlerine bağlıdır. Örneğin, bazı uygulamalar hıza öncelik verebilirken, diğerleri daha yüksek doğruluk gerektirebilir veya kararı etkileyen dağıtım kısıtlamalarıyla karşı karşıya kalabilir.

Bir diğer önemli faktör, ele alman gereken computer vision görevlerinin türüdür. Farklı görevlerde daha geniş esneklik arıyorsan, YOLOv8 ve YOLO11 iyi seçeneklerdir.

YOLOv8 veya YOLO11'i seçmen tamamen ihtiyaçlarına bağlıdır. Computer vision alanında yeniysen ve daha büyük bir topluluğa, daha fazla eğitime ve kapsamlı third-party integrations önem veriyorsan YOLOv8 sağlam bir seçenektir.

Diğer yandan, daha iyi doğruluk ve hız ile en son performansı arıyorsan, daha yeni bir sürüm olduğu için daha küçük bir topluluğa ve daha az entegrasyona sahip olmasına rağmen YOLO11 daha iyi bir seçimdir.

Link to this sectionÖne çıkanlar#

Ultralytics YOLOv8'den Ultralytics YOLO11'e, YOLO model serisinin evrimi, daha akıllı computer vision modellerine doğru tutarlı bir ilerlemeyi yansıtır. YOLO'nun her sürümü, hız, doğruluk ve hassasiyet açısından anlamlı yükseltmeler getirir.

Computer vision gelişmeye devam ettikçe, bu modeller nesne tespitinden otonom sistemlere kadar gerçek dünya zorluklarına güvenilir çözümler sunar. YOLO modellerinin devam eden gelişimi, alanın ne kadar ilerlediğini ve gelecekte ne kadarını bekleyebileceğimizi gösteriyor.

Yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı ziyaret et ve topluluğumuzla etkileşime geç. Üretimde vision AI alanından sağlık hizmetlerinde computer vision alanına kadar endüstrilerdeki ilerlemeleri keşfet. Vision AI projelerine bugün başlamak için licensing options sayfamıza göz at.