Ultralytics YOLO11'i önceki YOLO modelleriyle karşılaştırma

Günlük görevleri otomatikleştirmeden gerçek zamanlı olarak bilinçli kararlar almaya yardımcı olmaya kadar yapay zeka (AI), çeşitli endüstrilerin geleceğini yeniden şekillendiriyor. Yapay zekanın özellikle büyüleyici alanlarından biri, vizyon yapay zekası olarak da bilinen computer vision alanıdır. Makinelerin görsel verileri insanlar gibi analiz edip yorumlamasını sağlamaya odaklanır.

Özellikle computer vision models, hem güvenliği hem de verimliliği artıran yeniliklere öncülük ediyor. Örneğin, bu modeller sürücüsüz araçlarda yayaları tespit etmek ve güvenlik kameralarında tesisleri günün her saatinde 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 bölütleme (instance segmentation), görüntü sınıflandırma, poz tahminleme ve çoklu nesne takibi gibi çeşitli görevleri, eskisinden çok daha iyi doğruluk, hız ve hassasiyetle yerine getirebilir.

Bu makalede, bu modellerin nasıl evrim geçirdiğine dair daha iyi bir fikir edinmek için Ultralytics YOLOv8, YOLOv9, YOLOv10 ve Ultralytics YOLO11 modellerini karşılaştıracağız. Temel özelliklerini, kıyaslama (benchmark) sonuçlarını ve performans farklarını analiz edeceğiz. Haydi başlayalım!

Ultralytics 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.

Nesne algılama özelliğinin ötesine geçerek şu bilgisayarlı görü görevlerini de destekler: örnek bölütleme, poz tahmini, yönlendirilmiş sınırlayıcı kutu (OBB) nesne algılama ve görüntü sınıflandırma. Ultralytics YOLOv8'in bir diğer önemli özelliği, Nano, Small, Medium, Large ve X olmak üzere beş farklı model varyantıyla sunulmasıdır; böylece ihtiyaçlarına göre hız ve doğruluk arasında doğru dengeyi seçebilirsin.

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

Fig 1. YOLOv8 ile akıllı şehirlerde otopark yönetimi.

Ultralytics YOLOv8'in temel özellikleri#

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

• Gelişmiş algılama mimarisi: Ultralytics YOLOv8, iyileştirilmiş bir CSPDarknet omurgası kullanır. Bu omurga, modelin doğru tahminler yapmasına yardımcı olan, giriş görüntülerindeki önemli kalıpları veya detayları tanımlama ve yakalama süreci olan özellik çıkarımı için optimize edilmiştir.
• Detection head: Önceden ayarlanmış sınırlayıcı kutu şekillerine (anchor'lara) güvenmeyen ve bunun yerine nesne konumlarını doğrudan tahmin etmeyi öğrenen, anchor-free ve ayrıştırılmış (decoupled) bir tasarım kullanır. Ayrıştırılmış yapı 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, başlaması kolay olacak şekilde tasarlanmıştır; Ultralytics Python package kullanarak sadece birkaç dakika içinde tahmin yapmaya ve sonuçları görmeye başlayabilirsin.

YOLOv9, hesaplama verimliliğine odaklanıyor#

YOLOv9, 21 Şubat 2024'te Tayvan 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 Birleştirme 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 artırdığını anlamak.

YOLOv9'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.

YOLOv10, 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 (NMS-free) eğitim için tutarlı çift etiketli atamalar 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.

YOLOv10'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.

Ultralytics YOLO11: Gelişmiş hız ve doğruluk#

Bu yıl, 30 Eylül'de Ultralytics, yıllık hibrit etkinliği YOLO Vision 2024 (YV24)'te YOLO serisinin en son modellerinden biri olan YOLO11'i resmi olarak piyasaya sürdü.

Bu sürüm, önceki sürümlere kıyasla önemli iyileştirmeler getirdi. Ultralytics YOLO11 daha hızlı, daha doğru ve son derece verimlidir. YOLOv8 kullanıcılarının aşina olduğu nesne tespiti, örnek bölütleme ve görüntü sınıflandırma dahil olmak üzere computer vision tasks yelpazesinin tamamını destekler. Ayrıca YOLOv8 iş akışlarıyla uyumluluğunu koruyarak kullanıcıların yeni sürüme sorunsuz bir şekilde geçmesini kolaylaştırır.

Bunun da ötesinde, Ultralytics YOLO11 hafif uç cihazlardan güçlü bulut sistemlerine kadar geniş bir yelpazedeki bilişim ihtiyaçlarını karşılamak üzere tasarlanmıştır. Model, hem açık kaynaklı hem de kurumsal sürümler olarak sunulmakta ve böylece farklı kullanım senaryolarına uyarlanabilir hale gelmektedir.

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.

Ultralytics YOLO11'in temel özellikleri#

İşte Ultralytics YOLO11'in diğer benzersiz özelliklerinden bazıları:

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

COCO veri setinde YOLO modellerini kıyaslamak#

Farklı modelleri keşfederken, onları yalnızca özelliklerine bakarak compare etmek her zaman kolay değildir. İşte benchmarking (kıyaslama) bu noktada devreye girer. Tüm modelleri aynı veri kümesi üzerinde çalıştırarak performanslarını objektif olarak ölçebilir ve karşılaştırabiliriz. Her modelin COCO dataset üzerinde nasıl performans gösterdiğine bir göz atalım.

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 kümesi üzerinde YOLO11 ve diğer YOLO modellerinin kıyaslanması.

YOLO 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 adil bir değerlendirme amacıyla 0,3 güven skoru (model yalnızca bir nesneyi doğru bir şekilde tanımladığından en az %30 emin olduğunda tespitleri gösterir) ve 640 görüntü boyutu kullanılarak aynı trafik videosunda çalıştırıldı. Nesne tespiti ve takibi sonuçları; tespit doğruluğu, hızı ve hassasiyetindeki temel farkları ortaya koydu.

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 karşılaştırılması.

Hız açısından, tüm modeller kare başına 10 ila 20 milisaniye arasında çalıştı; bu, 50 FPS'nin üzerinde gerçek zamanlı görevlerin üstesinden gelmek için yeterince hızlıdır. Bir yandan, Ultralytics YOLOv8 ve YOLOv9 video boyunca istikrarlı ve güvenilir algılamalar sağladı. İlginç bir şekilde, daha düşük gecikme için tasarlanan YOLOv10 daha hızlıydı ancak belirli nesne türlerini algılamada bazı tutarsızlıklar gösterdi.

Öte yandan Ultralytics YOLO11, hız ve accuracy arasında güçlü bir denge sunarak hassasiyetiyle öne çıktı. Modellerin hiçbiri her karede mükemmel performans göstermese de yan yana karşılaştırma, YOLO11'in en iyi genel performansı sunduğunu açıkça gösterdi.

Computer 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'i mi yoksa YOLO11'i mi seçeceğin gerçekten senin ihtiyaçlarına bağlıdır. YOLOv8, computer vision alanında yeniysen ve daha geniş bir topluluğa, daha fazla eğitime ve kapsamlı third-party integrations desteğine değer veriyorsan sağlam bir seçenektir.

Öte yandan, daha iyi doğruluk ve hız ile son teknoloji performans arıyorsan, daha yeni bir sürüm olmasından dolayı daha küçük bir topluluğa ve daha az entegrasyona sahip olmasına rağmen Ultralytics YOLO11 daha iyi bir seçimdir.

Öne 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.

YAI hakkında daha fazla bilgi edinmek için GitHub repository sayfamızı ziyaret et ve our community. ile etkileşim kur. vision AI in manufacturing alanından computer vision in healthcare alanına kadar endüstrilerdeki gelişmeleri keşfet. Vision AI projelerine bugün başlamak için licensing options seçeneklerimize göz at.