Ultralytics YOLO11'i önceki YOLO modelleriyle karşılaştırma

Günlük görevleri otomatikleştirmekten gerçek zamanlı olarak bilinçli kararlar almaya yardımcı olmaya kadar yapay zekâ (AI), çeşitli sektörlerin geleceğini yeniden şekillendiriyor. Yapay zekânın özellikle ilgi çekici alanlarından biri, görsel yapay zekâ olarak da bilinen bilgisayarlı görü. 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 tespit etmek 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 (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, görüntü sınıflandırma, poz tahmini ve çoklu nesne takibi gibi çeşitli görevleri, şimdiye kadarki en iyi doğruluk, hız ve kesinlikle 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 farklılıklarını analiz edeceğiz. Hadi başlayalım!

Ultralytics YOLOv8'e genel bakış#

Ultralytics tarafından 10 Ocak 2023'te yayımlanan YOLOv8, önceki YOLO modellerine kıyasla önemli bir ilerlemeydi. Daha iyi sonuçlar elde etmek için kendini kanıtlamış yaklaşımları yenilikçi güncellemelerle birleştirerek gerçek zamanlı ve doğru algılama için optimize edildi.

Nesne algılamanın ötesine geçen model, 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 varyantı olarak sunulmasıdır: 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 birçok gerçek dünya uygulamasında kullanılabilir.

Şekil 1. YOLOv8 ile akıllı şehirlerde park yönetimi.

Ultralytics YOLOv8'in temel özellikleri#

Ultralytics YOLOv8'in diğer bazı temel özelliklerine daha yakından bakalım:

• Geliştirilmiş algılama mimarisi: Ultralytics YOLOv8, geliştirilmiş bir CSPDarknet omurgası kullanır. Bu omurga, modelin doğru tahminler yapmasına yardımcı olan önemli örüntüleri veya ayrıntıları girdi görüntülerinden belirleme ve çıkarma süreci olan özellik çıkarımı için optimize edilmiştir.
• Algılama başlığı: Çapa gerektirmeyen, ayrıştırılmış bir tasarım kullanır. Bu, önceden ayarlanmış sınırlayıcı kutu şekillerine (çapalara) bağlı kalmak yerine nesne konumlarını doğrudan tahmin etmeyi öğrendiği anlamına gelir. 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 hızı dengeler: Bu model, hızlı çıkarım sürelerini korurken etkileyici bir doğruluk elde eder ve hem bulut hem de uç ortamlar için uygun hâle gelir.
• Kullanıcı dostu: YOLOv8, kullanmaya başlamanın kolay olması için tasarlanmıştır; Ultralytics Python paketi ile yalnızca birkaç dakika içinde tahmin yapmaya ve sonuçları görmeye başlayabilirsin.

YOLOv9 hesaplama verimliliğine odaklanıyor#

YOLOv9, Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden 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 Toplama Ağı (GELAN).

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

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

YOLOv9'un temel özellikleri#

YOLOv9'un diğer bazı temel özelliklerine kısaca göz atalım:

• Verimlilikle yüksek kesinlik: YOLOv9, fazla hesaplama gücü tüketmeden yüksek algılama doğruluğu sunar ve kaynakların sınırlı olduğu durumlar için harika bir seçimdir.
• Hafif modeller: YOLOv9'un hafif model varyantları, 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, Tsinghua Üniversitesi'nden araştırmacılar tarafından 23 Mayıs 2024'te tanıtıldı ve gerçek zamanlı nesne algılamaya odaklanıyor. Yinelenen algılamaları ortadan kaldırmak için kullanılan bir son işleme adımı olan maksimum olmayan bastırma (NMS) ihtiyacını ortadan kaldırarak ve genel model tasarımını iyileştirerek önceki YOLO sürümlerindeki sınırlamaları ele alıyor. Böylece en yeni teknoloji düzeyinde doğruluğu korurken daha hızlı ve verimli nesne algılama sağlanıyor.

Bunu mümkün kılan önemli unsurlardan biri, tutarlı çift etiket atamaları olarak bilinen bir eğitim yaklaşımıdır. Bu yaklaşım iki stratejiyi birleştirir: birincisi birden fazla tahminin aynı nesneden öğrenmesini (çoktan-bire), ikincisi ise en iyi tek tahmini seçmeye odaklanmayı (birden-bire) sağlar. Her iki strateji de aynı eşleştirme kurallarını izlediğinden model, yinelenen tahminlerden kendi başına kaçınmayı öğrenir ve bu nedenle NMS gerekmez.

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

YOLOv10'un mimarisi, özellikleri daha etkili öğrenmek için geliştirilmiş bir CSPNet omurgası ve farklı katmanlardan gelen bilgileri birleştiren bir PAN (Yol Toplama Ağı) boynu da kullanır; bu da küçük ve büyük nesneleri algılamasını iyileştirir. Bu geliştirmeler, YOLOv10'un üretim, perakende ve otonom sürüş alanlarındaki gerçek dünya uygulamalarında kullanılmasını mümkün kılar.

YOLOv10'un temel özellikleri#

YOLOv10'un öne çıkan diğer bazı özellikleri şunlardır:

• 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 öz-dikkat modülleri: Model, fazla hesaplama gücü kullanmadan görüntünün en önemli bölümlerine odaklanmak için kısmi öz-dikkat modüllerinden yararlanır ve performansı verimli bir şekilde artırır.

• Benzersiz model varyantı: Alışılagelmiş YOLOv10 boyutlarının (Nano, Small, Medium, Large ve X) yanı sıra YOLOv10b (Balanced) adlı özel bir sürüm de bulunur. Bu daha geniş bir modeldir; yani her katmanda daha fazla özelliği işler. Bu da hız ve boyut dengesini korurken doğruluğu artırmaya yardımcı olur.

• Kullanıcı dostu: YOLOv10, Ultralytics Python paketiyle uyumludur ve kullanımı kolaydır.

Ultralytics YOLO11: Geliştirilmiş hız ve doğruluk#

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

Bu sürüm, önceki sürümlere kıyasla önemli iyileştirmeler getirdi. Ultralytics YOLO11 daha hızlı, daha doğru ve son derece verimlidir. YOLOv8 kullanıcılarının aşina olduğu nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma dâhil olmak üzere bilgisayarlı görü görevlerinin tamamını destekler. Ayrıca YOLOv8 iş akışlarıyla uyumluluğunu korur ve kullanıcıların yeni sürüme sorunsuz bir şekilde geçmesini kolaylaştırır.

Bunun yanı sıra Ultralytics YOLO11, hafif uç cihazlardan güçlü bulut sistemlerine kadar çok çeşitli hesaplama ihtiyaçlarını karşılayacak şekilde tasarlanmıştır. Model hem açık kaynak hem de kurumsal sürümler olarak sunulur ve farklı kullanım alanlarına uyarlanabilir.

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

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

Ultralytics YOLO11'in temel özellikleri#

Ultralytics YOLO11'in diğer bazı benzersiz özellikleri şunlardır:

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

COCO veri kümesinde YOLO modellerinin kıyaslanması#

Farklı modelleri incelerken yalnızca özelliklerine bakarak karşılaştırmak her zaman kolay değildir. Kıyaslama burada devreye girer. Tüm modelleri aynı veri kümesinde çalıştırarak performanslarını nesnel bir şekilde ölçebilir ve karşılaştırabiliriz. Her modelin COCO veri kümesinde nasıl performans gösterdiğine bakalım.

YOLO modelleri karşılaştırıldığında her yeni sürüm doğruluk, hız ve esneklik açısından dikkate değer iyileştirmeler getirir. Özellikle YOLO11m, YOLOv8m'den %22 daha az parametre kullandığı için burada büyük bir sıçrama yapar; bu da çalıştırılmasının daha hafif ve hızlı olduğu anlamına gelir. Ayrıca daha küçük boyutuna rağmen COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde eder. Bu metrik, modelin nesneleri ne kadar iyi algıladığını ve konumlandırdığını ölçer; dolayısıyla daha yüksek bir mAP, daha doğru tahminler anlamına gelir.

Şekil 5. YOLO11 ve diğer YOLO modellerinin COCO veri kümesinde kıyaslanması.

Video üzerinde YOLO modellerini test etme ve karşılaştırma#

Bu modellerin gerçek dünya koşullarında nasıl performans gösterdiğini inceleyelim.

YOLOv8, YOLOv9, YOLOv10 ve YOLO11 modellerini karşılaştırmak için dördü de aynı trafik videosunda, adil bir değerlendirme amacıyla 0,3 güven skoru (model, bir nesneyi doğru tanımladığından en az %30 emin olduğunda algılamaları görüntüler) ve 640 görüntü boyutuyla çalıştırıldı. Nesne algılama ve takip sonuçları, algılama doğruluğu, hız ve kesinlik açısından temel farklılıkları ortaya koydu.

İlk kareden itibaren YOLO11, YOLOv10'un kaçırdığı kamyonlar gibi büyük araçları algıladı. YOLOv8 ve YOLOv9 iyi bir performans gösterdi, ancak sonuçlar aydınlatma koşullarına ve nesne boyutuna göre değişti. Daha küçük ve uzaktaki araçlar tüm modeller için zorlayıcı olmaya devam etti; ancak YOLO11 bu algılamalarda da belirgin iyileştirmeler gösterdi.

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

Hız açısından tüm modeller kare başına 10 ila 20 milisaniye arasında çalıştı ve 50 FPS'nin üzerinde gerçek zamanlı görevleri gerçekleştirecek kadar hızlıydı. Bir yandan Ultralytics YOLOv8 ve YOLOv9 video boyunca istikrarlı ve güvenilir algılamalar sundu. İlginç bir şekilde daha düşük gecikme için tasarlanan YOLOv10 daha hızlıydı, ancak bazı nesne türlerini algılamada tutarsızlıklar gösterdi.

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

Bilgisayarlı görü görevleri için en iyi YOLO modeli hangisi?#

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, ele alman gereken bilgisayarlı görü görevlerinin türüdür. Farklı görevlerde daha geniş bir esneklik arıyorsan YOLOv8 ve YOLO11 iyi seçeneklerdir.

YOLOv8'i veya YOLO11'i seçmen gerçekten ihtiyaçlarına bağlıdır. Bilgisayarlı görüye yeni başlıyorsan ve daha geniş bir topluluğa, daha fazla eğitime ve kapsamlı üçüncü taraf entegrasyonlarına değer veriyorsan YOLOv8 sağlam bir seçenektir.

Öte yandan daha iyi doğruluk ve hızla en son teknoloji düzeyinde performans arıyorsan Ultralytics YOLO11 daha iyi bir seçimdir; ancak daha yeni bir sürüm olması nedeniyle daha küçük bir topluluğa ve daha az entegrasyona sahiptir.

Önemli çıkarımlar#

Ultralytics YOLOv8'den Ultralytics YOLO11'e kadar YOLO model serisinin gelişimi, daha akıllı bilgisayarlı görü modellerine yönelik istikrarlı ilerlemeyi yansıtır. YOLO'nun her sürümü hız, doğruluk ve kesinlik açısından anlamlı yükseltmeler getirir.

Bilgisayarlı görü gelişmeye devam ederken bu modeller, nesne algılamadan otonom sistemlere kadar gerçek dünyadaki zorluklara güvenilir çözümler sunar. YOLO modellerinin devam eden gelişimi, bu alanın ne kadar ilerlediğini ve gelecekte ne kadar fazlasını bekleyebileceğimizi gösterir.

AI hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Üretimde görsel yapay zekâdan sağlık hizmetlerinde bilgisayarlı görüye kadar sektörler genelindeki gelişmeleri keşfet. Görsel yapay zekâ projelerine bugün başlamak için lisanslama seçeneklerimize göz at.