Ultralytics YOLO11'i önceki YOLO modelleriyle karşılaştırma

Yapay zekâ (AI), günlük görevleri otomatikleştirmekten gerçek zamanlı ve bilinçli kararlar almaya yardımcı olmaya kadar çeşitli sektörlerin geleceğini yeniden şekillendiriyor. Yapay zekânın özellikle ilgi çekici bir alanı olan bilgisayarlı görü, görsel yapay zekâ olarak da bilinir. Bu alan, makinelerin görsel verileri insanlar gibi analiz edip yorumlamasını sağlamaya odaklanır.

Özellikle bilgisayarlı görü modelleri, hem güvenliği hem de verimliliği artıran yeniliklere öncülük ediyor. Örneğin bu modeller, yayaları algılamak için otonom araçlarda ve tesisleri günün her saati izlemek için güvenlik kameralarında kullanılıyor.

En tanınmış bilgisayarlı görü modellerinden bazıları, gerçek zamanlı nesne algılama yetenekleriyle bilinen YOLO (Yalnızca Bir Kez Bak) modelleridir. YOLO modelleri zaman içinde gelişti; her yeni sürüm daha iyi performans ve daha fazla esneklik sundu.

Ultralytics YOLO11 gibi daha yeni sürümler; örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve çoklu nesne takibi gibi çeşitli görevleri her zamankinden daha yüksek doğruluk, hız ve hassasiyetle gerçekleştirebilir.

Bu makalede, bu modellerin nasıl geliştiğini daha iyi anlamak için Ultralytics YOLOv8, YOLOv9, YOLOv10 ve Ultralytics YOLO11'i karşılaştıracağız. Temel özelliklerini, kıyaslama sonuçlarını ve performans farklarını inceleyeceğiz. Hadi başlayalım!

Ultralytics YOLOv8'e genel bakış#

Ultralytics tarafından 10 Ocak 2023'te yayımlanan YOLOv8, önceki YOLO modellerine kıyasla önemli bir ilerlemeydi. Gerçek zamanlı ve doğru algılama için optimize edilen model, daha iyi sonuçlar elde etmek üzere kendini kanıtlamış yaklaşımları yenilikçi güncellemelerle birleştiriyor.

Nesne algılamanın yanı sıra şu bilgisayarlı görü görevlerini de destekler: örnek segmentasyonu, poz tahmini, yönlendirilmiş sınırlayıcı kutu (OBB) nesne algılama ve görüntü sınıflandırma. Ultralytics YOLOv8'in bir diğer önemli özelliği, beş farklı model çeşidinin bulunmasıdır: Nano, Small, Medium, Large ve X; 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 pek çok gerçek dünya uygulamasında kullanılabilir.

Şekil 1. YOLOv8 ile akıllı şehirlerde park yönetimi.

Ultralytics YOLOv8'in temel özellikleri#

Ultralytics YOLOv8'in diğer temel özelliklerinden bazılarına yakından bakalım:

• Geliştirilmiş algılama mimarisi: Ultralytics YOLOv8, iyileştirilmiş bir CSPDarknet omurgası kullanır. Bu omurga, modelin doğru tahminler yapmasına yardımcı olan, giriş görüntülerindeki önemli örüntüleri veya ayrıntıları belirleyip yakalama süreci olan özellik çıkarımı için optimize edilmiştir.
• Algılama başlığı: Çapasız, ayrık bir tasarım kullanır; yani önceden belirlenmiş sınırlayıcı kutu şekillerine (çapalar) dayanmaz, bunun yerine nesne konumlarını doğrudan tahmin etmeyi öğrenir. Ayrık yapı sayesinde nesnenin ne olduğunu sınıflandırma ve nerede olduğunu tahmin etme (regresyon) görevleri ayrı ayrı yürütülür; bu da doğruluğu artırmaya ve eğitimi hızlandırmaya yardımcı olur.
• Doğruluk ve hızı dengeler: Bu model, hızlı çıkarım sürelerini korurken etkileyici bir doğruluk sunar; bu da onu hem bulut hem de uç ortamları için uygun kılar.
• Kullanımı kolay: YOLOv8, kullanmaya başlamayı kolaylaştıracak şekilde tasarlanmıştır; Ultralytics Python paketini kullanarak yalnızca birkaç dakika içinde tahmin yapmaya ve sonuçları görmeye başlayabilirsin.

YOLOv9 hesaplama verimliliğine odaklanıyor#

YOLOv9, Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsünden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından 21 Şubat 2024'te yayımlandı. Nesne algılama ve örnek segmentasyonu gibi görevleri destekler.

Bu model, Ultralytics YOLOv5 üzerine kuruludur ve iki önemli yenilik sunar: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN).

PGI, YOLOv9'un verileri katmanları boyunca işlerken önemli bilgileri korumasına yardımcı olur ve bu da daha doğru sonuçlar alınmasını sağlar. GELAN ise modelin katmanlarını kullanma biçimini iyileştirerek performansı ve hesaplama verimliliğini artırır. Bu iyileştirmeler sayesinde YOLOv9, hesaplama kaynaklarının genellikle kısıtlı olduğu uç cihazlarda ve mobil uygulamalarda gerçek zamanlı görevleri gerçekleştirebilir.

Şekil 2. GELAN'ın YOLOv9 doğruluğunu nasıl artırdığını anlama.

YOLOv9'un temel özellikleri#

YOLOv9'un diğer temel özelliklerinden bazılarına kısaca göz atalım:

• Verimlilikle yüksek hassasiyet: YOLOv9, fazla hesaplama gücü tüketmeden yüksek algılama doğruluğu sunar; bu da onu kaynakların kısıtlı olduğu durumlarda harika bir seçenek hâline getirir.
• Hafif modeller: YOLOv9'un hafif model çeşitleri, uç ve mobil dağıtımlar için optimize edilmiştir.
• Kullanımı kolay: YOLOv9, Ultralytics Python paketi tarafından desteklenir; bu nedenle ister kod ister komut satırı kullanıyor ol, farklı ortamlarda kurulumu ve çalıştırılması kolaydır.

YOLOv10, NMS gerektirmeyen nesne algılamayı mümkün kılıyor#

YOLOv10, 23 Mayıs 2024'te Tsinghua Üniversitesinden araştırmacılar tarafından tanıtıldı ve gerçek zamanlı nesne algılamaya odaklanıyor. Yinelenen algılamaları ortadan kaldırmak için kullanılan bir son işleme adımı olan maksimum olmayan bastırma (NMS) gereksinimini ortadan kaldırarak ve genel model tasarımını iyileştirerek önceki YOLO sürümlerinin sınırlamalarını gideriyor. Bunun sonucunda, son teknoloji doğruluğu korurken daha hızlı ve verimli nesne algılama sağlanıyor.

Bunu mümkün kılan temel unsurlardan biri, tutarlı çift etiket atamaları olarak bilinen bir eğitim yaklaşımıdır. Bu yaklaşım iki stratejiyi birleştirir: birincisi birden fazla tahminin aynı nesneden öğrenmesini sağlar (çoktan bire), diğeri ise en iyi tek tahmini seçmeye odaklanır (bire bir). Her iki strateji de aynı eşleştirme kurallarını izlediğinden model, yinelemeleri kendi kendine önlemeyi öğrenir ve NMS'ye gerek kalmaz.

Şekil 3. YOLOv10, NMS gerektirmeyen eğitim için tutarlı çift etiket atamalarını kullanır.

YOLOv10'un mimarisi, özellikleri daha etkili öğrenmek için geliştirilmiş bir CSPNet omurgası ve farklı katmanlardan gelen bilgileri birleştiren bir PAN (Yol Birleştirme Ağı) boynu da kullanır; böylece hem küçük hem de büyük nesneleri daha iyi algılar. Bu iyileştirmeler YOLOv10'un üretim, perakende ve otonom sürüş alanlarındaki gerçek dünya uygulamalarında kullanılmasını mümkün kılar.

YOLOv10'un temel özellikleri#

YOLOv10'un öne çıkan diğer özelliklerinden bazıları şunlardır:

• Büyük çekirdekli evrişimler: Model, görüntünün daha geniş alanlarından daha fazla bağlam yakalamak için büyük çekirdekli evrişimler kullanır; bu da genel sahneyi daha iyi anlamasına yardımcı olur.

• Kısmi öz dikkat modülleri: Model, fazla hesaplama gücü kullanmadan görüntünün en önemli bölümlerine odaklanmak için kısmi öz dikkat modülleri içerir ve böylece performansı verimli biçimde artırır.

• Benzersiz model çeşidi: Alışılagelmiş YOLOv10 boyutları olan Nano, Small, Medium, Large ve X'in yanı sıra YOLOv10b (Dengeli) adlı özel bir sürüm de vardır. Daha geniş bir model olan bu sürüm, her katmanda daha fazla özellik işler; bu da hız ve boyut dengesini korurken doğruluğu artırmaya yardımcı olur.

• Kullanımı kolay: YOLOv10, Ultralytics Python paketiyle uyumludur ve kullanımı kolaydır.

Ultralytics YOLO11: Daha yüksek hız ve doğruluk#

Bu yıl, 30 Eylül'de Ultralytics, yıllık hibrit etkinliği YOLO Vision 2024 (YV24) kapsamında YOLO serisinin en yeni modellerinden biri olan YOLO11'i resmen tanıttı.

Bu sürüm, önceki sürümlere kıyasla önemli iyileştirmeler getirdi. Ultralytics YOLO11 daha hızlı, daha doğru ve son derece verimlidir. Nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma dâhil olmak üzere YOLOv8 kullanıcılarının aşina olduğu tüm bilgisayarlı görü görevlerini destekler. Ayrıca YOLOv8 iş akışlarıyla uyumluluğunu korur; bu da kullanıcıların yeni sürüme sorunsuzca geçmesini kolaylaştırır.

Bunun yanı sıra Ultralytics YOLO11, hafif uç cihazlardan güçlü bulut sistemlerine kadar geniş bir yelpazedeki hesaplama gereksinimlerini karşılayacak şekilde tasarlanmıştır. Model hem açık kaynaklı hem de kurumsal sürümlerle sunulur ve böylece farklı kullanım alanlarına uyarlanabilir.

Tıbbi görüntüleme ve uydu algılama gibi hassasiyet gerektiren görevlerin yanı sıra otonom araçlar, tarım ve sağlık hizmetleri gibi daha geniş uygulama alanları için de harika bir seçenektir.

Şekil 4. Trafiği algılamak, saymak ve izlemek için Ultralytics YOLO11 kullanımı.

Ultralytics YOLO11'in temel özellikleri#

Ultralytics YOLO11'in diğer benzersiz özelliklerinden bazıları şunlardır:

• Hızlı ve verimli algılama: Ultralytics YOLO11, performanstan ödün vermeden son tahmin katmanlarında hıza odaklanan, gecikmeyi en aza indirmek üzere tasarlanmış bir algılama başlığına sahiptir.
• Geliştirilmiş özellik çıkarımı: Optimize edilmiş omurga ve boyun mimarisi, özellik çıkarımını geliştirerek daha hassas tahminler elde edilmesini sağlar.
• Platformlar arasında sorunsuz dağıtım: Ultralytics YOLO11; farklı ortamlara uyum sağlayabilmesi için uç cihazlarda, bulut platformlarında ve NVIDIA GPU'larda verimli çalışacak şekilde optimize edilmiştir.

YOLO modellerini COCO veri kümesinde kıyaslama#

Farklı modelleri incelerken yalnızca özelliklerine bakarak karşılaştırmak her zaman kolay değildir. Kıyaslama bu noktada devreye girer. Tüm modelleri aynı veri kümesinde çalıştırarak performanslarını nesnel bir şekilde ölçüp karşılaştırabiliriz. Her modelin COCO veri kümesindeki performansına göz atalım.

YOLO modellerini karşılaştırırken her yeni sürüm doğruluk, hız ve esneklik açısından dikkate değer iyileştirmeler getirir. Özellikle YOLO11m, YOLOv8m'den %22 daha az parametre kullandığı için bu alanda büyük bir ilerleme kaydeder; bu da çalıştırmasının daha hafif ve hızlı olduğu anlamına gelir. Ayrıca daha küçük boyutuna rağmen COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde eder. Bu ölçüt, modelin nesneleri ne kadar iyi algılayıp konumlandırdığını gösterir; dolayısıyla daha yüksek mAP, daha doğru tahminler anlamına gelir.

Şekil 5. YOLO11 ve diğer YOLO modellerinin COCO veri kümesindeki kıyaslaması.

YOLO modellerini videoda test etme ve karşılaştırma#

Bu modellerin gerçek dünya koşullarındaki performansını inceleyelim.

YOLOv8, YOLOv9, YOLOv10 ve YOLO11'i karşılaştırmak için dördü de aynı trafik videosunda, adil bir değerlendirme sağlamak üzere 0,3 güven puanı (model yalnızca bir nesneyi doğru tanımladığına en az %30 güven duyduğunda algılamaları gösterir) ve 640 görüntü boyutuyla çalıştırıldı. Nesne algılama ve izleme sonuçları, algılama doğruluğu, hız ve hassasiyet açısından temel farkları ortaya koydu.

İlk kareden itibaren YOLO11, YOLOv10'un kaçırdığı kamyon gibi büyük araçları algıladı. YOLOv8 ve YOLOv9 makul bir performans gösterdi, ancak performansları aydınlatma koşullarına ve nesne boyutuna göre değişti. Daha küçük ve uzaktaki araçlar tüm modeller için zorluk yaratmaya devam etti; yine de YOLO11 bu algılamalarda da belirgin iyileşmeler gösterdi.

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

Hız açısından tüm modeller kare başına 10 ila 20 milisaniye arasında çalıştı; bu, 50 FPS'nin üzerindeki gerçek zamanlı görevleri yerine getirecek kadar hızlıdır. Ultralytics YOLOv8 ve YOLOv9 videonun tamamında istikrarlı ve güvenilir algılamalar sundu. İlginç bir şekilde, daha düşük gecikme için tasarlanan YOLOv10 daha hızlıydı ancak bazı nesne türlerini algılarken tutarsızlıklar gösterdi.

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

Bilgisayarlı görü görevleri için en iyi YOLO modeli hangisi?#

Proje için model seçimi, projenin özel gereksinimlerine bağlıdır. Örneğin bazı uygulamalarda hıza öncelik verilirken bazıları daha yüksek doğruluk gerektirebilir veya kararı etkileyen dağıtım kısıtlamalarıyla karşılaşabilir.

Bir diğer önemli etken de ele alman gereken bilgisayarlı görü görevlerinin türüdür. Farklı görevlerde daha geniş bir esneklik arıyorsan YOLOv8 ve YOLO11 iyi seçeneklerdir.

YOLOv8'i mi yoksa YOLO11'i mi seçeceğin gerçekten ihtiyaçlarına bağlıdır. Bilgisayarlı görüye yeni başlıyorsan ve daha geniş bir topluluğa, daha fazla eğitime ve kapsamlı üçüncü taraf entegrasyonlarına önem veriyorsan YOLOv8 sağlam bir seçenektir.

Öte yandan, daha iyi doğruluk ve hızla en son performansı arıyorsan Ultralytics YOLO11 daha iyi bir seçenektir; ancak daha yeni bir sürüm olduğu için topluluğu daha küçük ve entegrasyonları daha azdır.

Önemli çıkarımlar#

Ultralytics YOLOv8'den Ultralytics YOLO11'e uzanan gelişim, YOLO model serisinin daha akıllı bilgisayarlı görü modellerine doğru sürekli ilerleyişini yansıtıyor. YOLO'nun her sürümü hız, doğruluk ve hassasiyet açısından anlamlı iyileştirmeler getiriyor.

Bilgisayarlı görü ilerlemeyi sürdürürken bu modeller, nesne algılamadan otonom sistemlere kadar gerçek dünyadaki zorluklara güvenilir çözümler sunuyor. YOLO modellerinin sürekli geliştirilmesi, bu alanın ne kadar ilerlediğini ve gelecekte bizi daha nelerin beklediğini gösteriyor.

Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Üretimde görsel yapay zekâdan sağlık hizmetlerinde bilgisayarlı görüye kadar farklı sektörlerdeki gelişmeleri keşfet. Görsel yapay zekâ projelerine bugün başlamak için lisans seçeneklerimize göz at.