Ultralytics YOLO11'i önceki YOLO modelleriyle karşılaştırma

Yapay zeka (YZ), günlük işleri otomatikleştirmekten gerçek zamanlı olarak bilinçli kararlar almaya yardımcı olmaya kadar çeşitli sektörlerin geleceğini yeniden şekillendiriyor. YZ'nin özellikle büyüleyici bir alanı, Bilgisayarlı Görü veya diğer adıyla Görü YZ'dir. Makinelerin görsel verileri insanlar gibi analiz etmesini ve yorumlamasını sağlamaya odaklanır. 

Özellikle, bilgisayarlı görü modelleri, hem güvenliği hem de verimliliği artıran yeniliklere öncülük ediyor. Örneğin, bu modeller yayaları tespit etmek için sürücüsüz arabalarda ve günün her saati tesisleri izlemek için güvenlik kameralarında kullanılmaktadır. 

En bilinen bilgisayarlı görü modellerinden bazıları, gerçek zamanlı nesne algılama yetenekleriyle bilinen YOLO (You Only Look Once) modelleridir. Zamanla, YOLO modelleri gelişti ve her yeni sürüm daha iyi performans ve daha fazla esneklik sundu.

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

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

Ultralytics YOLOv8'e genel bakış

Ultralytics tarafından 10 Ocak 2023'te piyasaya sürülen YOLOv8, önceki YOLO modellerine kıyasla büyük bir adım oldu. Gerçek zamanlı, doğru algılama için optimize edilmiştir ve daha iyi sonuçlar için iyi test edilmiş yaklaşımları yenilikçi güncellemelerle birleştirir.

Nesne tespitinin ötesine geçerek, aşağıdaki bilgisayar görüşü görevlerini de destekler: örnek segmentasyonu, poz tahmini, yönlendirilmiş sınırlayıcı kutular (OBB) nesne tespiti ve görüntü sınıflandırması. YOLOv8'in bir diğer önemli özelliği de beş farklı model varyantı olarak mevcut olmasıdır: Nano, Small, Medium, Large ve X; böylece ihtiyaçlarınıza göre hız ve doğruluk arasında doğru dengeyi seçebilirsiniz.

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

‍

YOLOv8'in temel özellikleri

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

• Gelişmiş tespit mimarisi: YOLOv8, geliştirilmiş bir CSPDarknet omurgası kullanır. Bu omurga, özellik çıkarımı için optimize edilmiştir - modelin doğru tahminler yapmasına yardımcı olan girdi görüntülerinden önemli kalıpları veya ayrıntıları tanımlama ve yakalama süreci.
  
  
• Tespit başlığı: Çapa içermeyen (anchor-free), ayrıştırılmış bir tasarım kullanır; yani önceden ayarlanmış sınırlayıcı kutu şekillerine (çapalara) dayanmaz 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 hızı dengeler: Bu model, hızlı çıkarım sürelerini korurken etkileyici bir doğruluk elde ederek hem bulut hem de uç ortamlar için uygun hale gelir.
  
  
• Kullanıcı dostu: YOLOv8, başlaması kolay olacak şekilde tasarlanmıştır - Ultralytics Python paketini kullanarak sadece birkaç dakika içinde tahmin etmeye ve sonuçları görmeye başlayabilirsiniz.

YOLOv9, hesaplama verimliliğine odaklanır

YOLOv9, 21 Şubat 2024'te Tayvan, Academia Sinica, Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından yayınlandı. Nesne algılama ve örnek segmentasyonu gibi görevleri destekler. 

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

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

‍

YOLOv9'un temel özellikleri

İşte YOLOv8'in diğer temel özelliklerinden bazılarına kısa bir bakış:

• Verimlilikle yüksek hassasiyet: YOLOv9, çok fazla işlem gücü tüketmeden yüksek tespit doğruluğu sağlar ve bu da kaynaklar sınırlı olduğunda onu harika bir seçim haline getirir.
  ‍
• Hafif modeller: YOLOv9'un hafif model varyantları, uç ve mobil dağıtımlar için optimize edilmiştir.
  ‍
• Kullanımı kolay: YOLOv9, Ultralytics Python paketi tarafından desteklenmektedir, bu nedenle ister kod ister komut satırını kullanıyor olun, farklı ortamlarda kurulumu ve çalıştırılması kolaydır.

YOLOv10, NMS'siz nesne tespiti sağlar

YOLOv10, 23 Mayıs 2024'te Tsinghua Üniversitesi'nden araştırmacılar tarafından tanıtıldı ve gerçek zamanlı nesne tespitine odaklanmıştır. Yinelenen tespitleri ortadan kaldırmak için kullanılan bir işlem sonrası adım olan non-maximum suppression'a (NMS) olan ihtiyacı ortadan kaldırarak ve genel model tasarımını iyileştirerek önceki YOLO sürümlerindeki sınırlamaların üstesinden gelir. Bu, son teknoloji doğruluğu elde ederken daha hızlı ve daha verimli nesne tespiti sağlar.

Bunu mümkün kılan şeyin hayati bir parçası, tutarlı çift etiket atamaları olarak bilinen bir eğitim yaklaşımıdır. İki stratejiyi birleştirir: birden çok tahminin aynı nesneden öğrenmesini sağlayan (bire çok) ve en iyi tek tahmini seçmeye odaklanan (bire bir). Her iki strateji de aynı eşleştirme kurallarını izlediğinden, model kendi başına tekrarlardan kaçınmayı öğrenir, bu nedenle NMS gerekli değildir.

‍

YOLOv10'un mimarisi ayrıca özellikleri daha etkili bir şekilde öğrenmek için geliştirilmiş bir CSPNet omurgası ve farklı katmanlardan gelen bilgileri birleştiren bir PAN (Path Aggregation Network) boynu kullanır ve bu da onu hem küçük hem de büyük nesneleri tespit etmede daha iyi hale getirir. Bu iyileştirmeler, YOLOv10'un üretim, perakende ve otonom sürüşteki gerçek dünya uygulamaları için kullanılmasını mümkün kılar.

YOLOv10'un temel özellikleri

İşte YOLOv10'un öne çıkan diğer özelliklerinden bazıları:

• Büyük çekirdekli evrişimler: Model, görüntünün daha geniş alanlarından daha fazla bağlam yakalamak için büyük çekirdekli evrişimler kullanır ve genel sahneyi daha iyi anlamasına yardımcı olur.
  ‍
• Kısmi self-attention modülleri: Model, çok fazla işlem gücü kullanmadan görüntünün en önemli kısımlarına odaklanmak ve performansı verimli bir şekilde artırmak için kısmi self-attention modüllerini içerir.

• Benzersiz model varyantı: Her zamanki YOLOv10 boyutlarının (Nano, Small, Medium, Large ve X) yanı sıra, YOLOv10b (Dengeli) adlı özel bir sürüm de vardır. Bu, daha geniş bir modeldir, yani her katmanda daha fazla özellik işler; bu da hızı ve boyutu dengelerken doğruluğu artırmaya yardımcı olur.
  ‍
• Kullanıcı dostu: YOLOv10, Ultralytics Python paketiyle uyumludur ve bu da onu kullanımını kolaylaştırır.

Ultralytics YOLO11: Gelişmiş hız ve doğruluk

Bu yıl, 30 Eylül'de Ultralytics, yıllık hibrit etkinliği YOLO Vision 2024 (YV24)'te YOLO serisindeki en son modellerden biri olan YOLO11'i resmi olarak başlattı.

Bu sürüm, önceki sürümlere göre önemli iyileştirmeler getirdi. YOLO11 daha hızlı, daha doğru ve oldukça verimlidir. Nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere YOLOv8 kullanıcılarının aşina olduğu bilgisayarlı görü görevlerinin tamamını destekler. Ayrıca, YOLOv8 iş akışlarıyla uyumluluğu koruyarak kullanıcıların yeni sürüme sorunsuz bir şekilde geçiş yapmasını kolaylaştırır.

Buna ek olarak, YOLO11, hafif uç cihazlardan güçlü bulut sistemlerine kadar çok çeşitli bilgi işlem ihtiyaçlarını karşılamak üzere tasarlanmıştır. Model, hem açık kaynaklı hem de kurumsal sürümler olarak mevcuttur ve bu da onu farklı kullanım durumları için uyarlanabilir hale getirir.

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

‍

YOLO11'in temel özellikleri

İşte YOLO11'in diğer benzersiz özelliklerinden bazıları:

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

COCO veri kümesinde YOLO modellerini kıyaslama

Farklı modelleri incelerken, özelliklerine bakarak karşılaştırmak her zaman kolay değildir. İşte bu noktada kıyaslama devreye giriyor. Tüm modelleri aynı veri kümesinde çalıştırarak, performanslarını objektif olarak ölçebilir ve karşılaştırabiliriz. Şimdi her modelin COCO veri kümesinde nasıl performans gösterdiğine bir göz atalım.

YOLO modellerini karşılaştırırken, her yeni sürüm doğruluk, hız ve esneklik açısından önemli iyileştirmeler getiriyor. Özellikle, YOLO11m burada bir adım atıyor, çünkü YOLOv8m'den %22 daha az parametre kullanıyor, bu da daha hafif ve daha hızlı çalışması anlamına geliyor. Ayrıca, daha küçük boyutuna rağmen, COCO veri setinde daha yüksek bir ortalama kesinlik (mAP) elde ediyor. Bu metrik, modelin nesneleri ne kadar iyi tespit ettiğini ve konumlandırdığını ölçer, bu nedenle daha yüksek bir mAP daha doğru tahminler anlamına gelir. 

‍

Bir video üzerinde YOLO modellerini test etme ve karşılaştırma

Bu modellerin gerçek dünya senaryosunda nasıl performans gösterdiğini inceleyelim.

YOLOv8, YOLOv9, YOLOv10 ve YOLO11'i karşılaştırmak için, dördü de adil bir değerlendirme için 0,3'lük bir güven puanı (model yalnızca bir nesneyi doğru bir şekilde tanımladığından en az %30 emin olduğunda algılamaları görüntüler) ve 640'lık bir görüntü boyutu kullanılarak aynı trafik videosunda çalıştırıldı. Nesne tespiti ve izleme sonuçları, tespit doğruluğu, hız ve kesinlikteki temel farklılıkları vurguladı. 

YOLO11, ilk kareden itibaren YOLOv10'un kaçırdığı kamyon gibi büyük araçları yakaladı. YOLOv8 ve YOLOv9 iyi performans gösterdi ancak aydınlatma koşullarına ve nesne boyutuna bağlı olarak değişiklik gösterdi. Daha küçük, uzaktaki araçlar tüm modeller için zorlu olmaya devam etti, ancak YOLO11 bu algılamalarda da gözle görülür iyileşmeler gösterdi.

‍

Hız açısından, tüm modeller çerçeve başına 10 ila 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 için tasarlanan YOLOv10 daha hızlıydı ancak belirli nesne türlerini tespit etmede bazı tutarsızlıklar gösterdi. 

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

Bilgisayarlı görü görevleri için en iyi YOLO modeli hangisidir?

Bir proje için model seçimi, projenin özel gereksinimlerine bağlıdır. Örneğin, bazı uygulamalar hıza öncelik verirken, diğerleri daha yüksek doğruluk gerektirebilir veya kararı etkileyen dağıtım kısıtlamalarıyla karşılaşabilir. 

Bir diğer önemli faktör de ele almanız gereken bilgisayar görüşü görevlerinin türüdür. Farklı görevlerde daha geniş bir esneklik arıyorsanız, YOLOv8 ve YOLO11 iyi seçeneklerdir.

YOLOv8 veya YOLO11'i seçmeniz gerçekten ihtiyaçlarınıza bağlıdır. Bilgisayarlı görüye yeni başladıysanız ve daha büyük bir topluluğa, daha fazla eğitime ve kapsamlı üçüncü taraf entegrasyonlarına değer veriyorsanız, YOLOv8 sağlam bir seçenektir. 

Öte yandan, daha iyi doğruluk ve hızla en son performansı arıyorsanız, YOLO11 daha iyi bir seçimdir, ancak daha yeni bir sürüm olduğu için daha küçük bir topluluğa ve daha az entegrasyona sahiptir.

Önemli çıkarımlar

Ultralytics YOLOv8'den Ultralytics YOLO11'e, YOLO model serisinin evrimi, daha akıllı bilgisayar görüşü modellerine yönelik sürekli bir itmeyi yansıtmaktadır. YOLO'nun her sürümü, hız, doğruluk ve hassasiyet açısından anlamlı yükseltmeler getiriyor. 

Bilgisayarlı görü gelişmeye devam ettikçe, bu modeller nesne tespiti ve otonom sistemlerden gerçek dünya zorluklarına güvenilir çözümler sunmaktadır. YOLO modellerinin devam eden gelişimi, alanın ne kadar ilerlediğini ve gelecekte daha neler bekleyebileceğimizi göstermektedir.

Yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret edin ve topluluğumuzla etkileşim kurun. Üretimde Vision AI'dan sağlık hizmetlerinde bilgisayarlı görüye kadar çeşitli sektörlerdeki gelişmeleri keşfedin. Vision AI projelerinize bugün başlamak için lisanslama seçeneklerimize göz atın.