28 Nisan 2025
Ultralytics YOLO11'i nasıl kıyaslayacağınızı, cihazlar arası performansı nasıl karşılaştıracağınızı ve hızı, doğruluğu ve verimliliği optimize etmek için farklı dışa aktarma biçimlerini nasıl keşfedeceğinizi öğrenin.
Günümüzde mevcut olan yapay zeka modellerinin sayısının artmasıyla birlikte, belirli yapay zeka uygulamanız için en uygun olanı seçmek, doğru ve güvenilir sonuçlar elde etmek için çok önemlidir. Her model hız, doğruluk ve genel performans açısından farklılık gösterir. Peki, belirli bir görev için hangi modelin en uygun olduğunu nasıl belirleyebiliriz? Bu, özellikle otonom araçlar, güvenlik çözümleri ve robotik gibi hızlı ve güvenilir karar vermenin kritik olduğu gerçek zamanlı sistemler için önemlidir.
Kıyaslama, bir modeli farklı koşullar altında değerlendirerek bu soruyu yanıtlamaya yardımcı olur. Modelin çeşitli donanım kurulumları ve konfigürasyonlarındaki performansı hakkında bilgi sağlayarak daha bilinçli karar vermeyi sağlar.
Örneğin, Ultralytics YOLO11, nesne tespiti ve örnek segmentasyonu gibi çeşitli görsel veri analizi görevlerini destekleyen bir bilgisayarlı görü modelidir. Yeteneklerini tam olarak anlamak için, gerçek dünya senaryolarını nasıl ele alacağını görmek için farklı kurulumlarda performansını kıyaslayabilirsiniz.
Bu makalede, YOLO11 gibi Ultralytics YOLO modellerini nasıl kıyaslayacağımızı, çeşitli donanımlardaki performanslarını karşılaştıracağımızı ve farklı dışa aktarma formatlarının hızlarını ve verimliliklerini nasıl etkilediğini göreceğiz. Haydi başlayalım!
Gerçek dünya uygulamasında bir Vision AI modeli kullanmak söz konusu olduğunda, yeterince hızlı, doğru ve güvenilir olup olmadığını nasıl anlarsınız? Model kıyaslaması bu soruyu yanıtlamak için içgörüler sağlayabilir. Model kıyaslaması, hangisinin en iyi performansı gösterdiğini görmek için farklı yapay zeka modellerini test etme ve karşılaştırma işlemidir.
Karşılaştırma için bir temel belirlemeyi, doğru performans ölçütlerini (doğruluk veya hız gibi) seçmeyi ve tüm modelleri aynı koşullar altında test etmeyi içerir. Sonuçlar, her modelin güçlü ve zayıf yönlerini belirlemeye yardımcı olarak, hangi modelin belirli AI çözümünüz için en uygun olduğuna karar vermeyi kolaylaştırır. Özellikle, adil karşılaştırmalar sağlamak ve bir modelin farklı gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için genellikle bir benchmark veri kümesi kullanılır.
Karşılaştırmanın neden hayati olduğuna dair açık bir örnek, gözetim veya robotik gibi gerçek zamanlı uygulamalardır; burada küçük gecikmeler bile karar almayı etkileyebilir. Karşılaştırma, bir modelin güvenilir tahminler sunarken görüntüleri hızlı bir şekilde işleyip işleyemediğini değerlendirmeye yardımcı olur.
Ayrıca, performans darboğazlarını belirlemede önemli bir rol oynar. Bir model yavaş çalışıyorsa veya aşırı kaynak kullanıyorsa, kıyaslama sorunun donanım sınırlamalarından, model yapılandırmalarından veya dışa aktarma biçimlerinden kaynaklanıp kaynaklanmadığını ortaya çıkarabilir. Bu bilgiler, en etkili kurulumu seçmek için çok önemlidir.
Model kıyaslaması, değerlendirme ve test etme, birlikte kullanılan popüler yapay zeka terimleridir. Benzer olsalar da, aynı değildirler ve farklı işlevlere sahiptirler. Model testi, bir test veri kümesinde çalıştırarak ve doğruluk ve hız gibi faktörleri ölçerek tek bir modelin ne kadar iyi performans gösterdiğini kontrol eder. Bu arada, model değerlendirmesi, modelin güçlü yönlerini, zayıflıklarını ve gerçek dünya durumlarında ne kadar iyi çalıştığını anlamak için sonuçları analiz ederek bir adım daha ileri gider. Her ikisi de aynı anda yalnızca bir modele odaklanır.
Model kıyaslaması ise, aynı testleri ve veri kümelerini kullanarak birden fazla modeli yan yana karşılaştırır. Modeller arasındaki doğruluk, hız ve verimlilik farklılıklarını vurgulayarak belirli bir görev için hangi modelin en iyi çalıştığını bulmaya yardımcı olur. Test etme ve değerlendirme tek bir modele odaklanırken, kıyaslama farklı seçenekleri adil bir şekilde karşılaştırarak doğru olanı (veya en iyisini) seçmeye yardımcı olur.
Ultralytics YOLO11, çeşitli bilgisayarlı görü görevlerini doğru bir şekilde gerçekleştirmek için tasarlanmış güvenilir bir Görüntü İşleme Yapay Zeka modelidir. Önceki YOLO model sürümlerini geliştirir ve gerçek dünya sorunlarını çözmeye yardımcı olabilecek özelliklerle doludur. Örneğin, nesneleri algılamak, görüntüleri sınıflandırmak, bölgeleri bölümlere ayırmak, hareketleri izlemek ve daha fazlası için kullanılabilir. Ayrıca güvenlikten otomasyona ve analitiğe kadar birçok sektördeki uygulamalarda da kullanılabilir.
Ultralytics YOLO11 ile ilgili temel faydalardan biri, kullanımının ne kadar kolay olduğudur. Sadece birkaç satır kodla, herkes karmaşık kurulumlarla veya ileri düzey teknik uzmanlıkla uğraşmadan yapay zeka projelerine entegre edebilir.
Ayrıca, farklı donanımlar arasında sorunsuz çalışır ve CPU'larda (Merkezi İşlem Birimleri), GPU'larda (Grafik İşleme Birimleri) ve diğer özel AI hızlandırıcılarda verimli bir şekilde çalışır. İster uç cihazlarda ister bulut sunucularında dağıtılsın, güçlü performans sunar.
YOLO11, her biri farklı görevler için optimize edilmiş çeşitli model boyutlarında mevcuttur. Kıyaslama, hangi sürümün özel ihtiyaçlarınıza en uygun olduğunu belirlemeye yardımcı olur. Örneğin, kıyaslamanın ortaya çıkarabileceği önemli bir içgörü, nano veya küçük gibi daha küçük modellerin daha hızlı çalışma eğiliminde olması, ancak bazı doğruluklardan ödün verebilmesidir.
Artık kıyaslamanın ne olduğunu ve önemini anladığımıza göre, YOLO11 gibi YOLO modellerini nasıl kıyaslayabileceğinizi ve değerli içgörüler elde etmek için verimliliklerini nasıl değerlendirebileceğinizi adım adım inceleyelim.
Başlamak için, terminalinizde veya komut isteminizde aşağıdaki komutu çalıştırarak Ultralytics Python paketini kurabilirsiniz: “pip install ultralytics”. Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları için Sık Karşılaşılan Sorunlar Kılavuzumuza göz atın.
Paket yüklendikten sonra, yalnızca birkaç satır Python koduyla YOLO11'i kolayca karşılaştırabilirsiniz:
from ultralytics.utils.benchmarks import benchmark
# Benchmark on GPU
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Yukarıda gösterilen kodu çalıştırdığınızda, modelin görüntüleri ne kadar hızlı işlediğini, saniyede kaç kare işleyebildiğini ve nesneleri ne kadar doğru tespit ettiğini hesaplar.
Koddaki "coco8.yaml" ifadesi, tam COCO veri kümesinin küçük bir örnek versiyonu olan ve genellikle test ve deneyler için kullanılan COCO8 (Bağlamdaki Ortak Nesneler) veri kümesine dayalı bir veri kümesi yapılandırma dosyasını ifade eder.
YOLO11'i trafik izleme veya tıbbi görüntüleme gibi belirli bir uygulama için test ediyorsanız, ilgili bir veri kümesi (örneğin, bir trafik veri kümesi veya tıbbi veri kümesi) kullanmak daha doğru bilgiler sağlayacaktır. COCO ile kıyaslama, performans hakkında genel bir fikir verir, ancak en iyi sonuçlar için gerçek kullanım durumunuzu yansıtan bir veri kümesi seçebilirsiniz.
YOLO11 kıyaslandıktan sonraki adım, sonuçları yorumlamaktır. Kıyaslamayı çalıştırdıktan sonra, sonuçlarda çeşitli sayılar göreceksiniz. Bu metrikler, YOLO11'in doğruluk ve hız açısından ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur.
İşte dikkat edilmesi gereken bazı önemli YOLO11 kıyaslama metrikleri:
Yalnızca kıyaslama sonuçlarına bakmak hikayenin sadece bir kısmını anlatır. Performansı daha iyi anlamak için farklı ayarları ve donanım seçeneklerini karşılaştırmak faydalıdır. İşte dikkat edilmesi gereken birkaç önemli şey:
Ultralytics Python paketi, YOLO11 modellerini belirli donanımlarda daha verimli çalışan, hem hızı hem de bellek kullanımını iyileştiren farklı formatlara dönüştürmenizi sağlar. Her dışa aktarma formatı, farklı cihazlar için optimize edilmiştir.
Bir yandan, ONNX formatı, çeşitli ortamlarda performansı hızlandırabilir. Öte yandan, OpenVINO, Intel donanımında verimliliği artırır ve CoreML veya TF SavedModel gibi formatlar, Apple cihazları ve mobil uygulamalar için idealdir.
YOLO11'i belirli bir formatta nasıl kıyaslayabileceğinize bir göz atalım. Aşağıdaki kod, YOLO11'i hem CPU'larda hem de GPU'larda yapay zeka modellerini çalıştırmak için yaygın olarak kullanılan ONNX formatında kıyaslar.
from ultralytics.utils.benchmarks import benchmark
# Benchmark a specific export format (e.g., ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")Karşılaştırma sonuçlarının ötesinde, doğru formatı seçmek sisteminizin özelliklerine ve dağıtım ihtiyaçlarına bağlıdır. Örneğin, otonom sürüşlü arabaların hızlı nesne algılamaya ihtiyacı vardır. Performansı hızlandırmak için NVIDIA GPU'ları kullanmayı planlıyorsanız, TensorRT formatı, YOLO11'i bir NVIDIA GPU'da çalıştırmak için ideal seçimdir.
Ultralytics Python paketi, sizin için performans testini gerçekleştirebilecek basit komutlar sağlayarak YOLO11'i kıyaslamayı kolaylaştırır. Sadece birkaç adımda, farklı kurulumların modellerin hızını ve doğruluğunu nasıl etkilediğini görebilir ve derinlemesine teknik uzmanlığa ihtiyaç duymadan bilinçli seçimler yapmanıza yardımcı olabilirsiniz.
Doğru donanım ve ayarlar da büyük bir fark yaratabilir. Model boyutu ve veri kümesi gibi parametreleri ayarlamak, ister üst düzey bir GPU'da ister yerel olarak bir uç cihazda çalıştırıyor olun, YOLO11'i en iyi performans için ince ayarlamanıza olanak tanır.
Topluluğumuzla bağlantı kurun ve GitHub depomuzdaki en son yapay zeka projelerini keşfedin. Çözüm sayfalarımız aracılığıyla tarımda yapay zekanın etkisini ve üretimde bilgisayar görüşünün rolünü öğrenin. Lisans planlarımızı inceleyin ve yapay zeka yolculuğunuza şimdi başlayın!
.webp)