YOLO11 gibi Ultralytics YOLO modelleri nasıl kıyaslanır

Günümüzde kullanıma sunulan AI model sayısı arttıkça, belirli AI uygulaman için en uygun modeli seçmek doğru ve güvenilir sonuçlar elde etmek açısından büyük önem taşır. Her model hız, doğruluk ve genel performans bakımından farklılık gösterir. Peki, belirli bir görev için hangi modelin en uygun olduğunu nasıl belirleyebiliriz? Bu durum, hızlı ve güvenilir karar vermenin kritik olduğu otonom araçlar, güvenlik çözümleri ve robotik gibi gerçek zamanlı sistemler için özellikle önemlidir.

Kıyaslama, bir modeli farklı koşullar altında değerlendirerek bu soruyu yanıtlamaya yardımcı olur. Modelin çeşitli donanım kurulumları ve yapılandırmaları üzerindeki performansına dair içgörüler sunarak daha bilinçli kararlar vermeni sağlar.

Örneğin Ultralytics YOLO11, nesne algılama ve örnek segmentasyonu gibi çeşitli görsel veri analizi görevlerini destekleyen bir computer vision modelidir. Yeteneklerini tam olarak anlamak için performansını farklı kurulumlarda kıyaslayarak gerçek dünya senaryolarını nasıl ele alacağını görebilirsin.

Bu makalede, YOLO11 gibi Ultralytics YOLO modellerini nasıl kıyaslayacağını, performanslarını çeşitli donanımlarda nasıl karşılaştıracağını ve farklı dışa aktarma biçimlerinin hızlarını ve verimliliklerini nasıl etkilediğini inceleyeceğiz. Hadi başlayalım!

Model kıyaslama nedir?#

Gerçek dünyadaki bir uygulamada vision AI modeli kullanırken modelin yeterince hızlı, doğru ve güvenilir olup olmadığını nasıl anlayabilirsin? Modeli kıyaslamak, bu soruyu yanıtlamak için içgörüler sunabilir. Model kıyaslama, hangi modelin en iyi performansı gösterdiğini görmek için farklı AI modellerini test etme ve karşılaştırma sürecidir.

Bu süreç, karşılaştırma için bir temel belirlemeyi, doğru performans ölçütlerini (doğruluk veya hız gibi) seçmeyi ve tüm modelleri aynı koşullar altında test etmeyi kapsar. Sonuçlar, her modelin güçlü ve zayıf yönlerini belirlemeye yardımcı olarak belirli AI çözümün için hangisinin en uygun olduğuna karar vermeni kolaylaştırır. Özellikle, bir benchmark veri kümesi adil karşılaştırmalar yapmak ve bir modelin farklı gerçek dünya senaryolarındaki performansını değerlendirmek için sıklıkla kullanılır.

Şekil 1. Computer vision modelleri neden kıyaslanmalı? Görsel: yazar.

Kıyaslamanın neden önemli olduğuna dair net bir örnek, küçük gecikmelerin bile karar vermeyi etkileyebildiği gözetim veya robotik gibi gerçek zamanlı uygulamalardır. Kıyaslama, bir modelin güvenilir tahminler sunmaya devam ederken görüntüleri hızlıca işleyip işleyemediğini değerlendirmeye yardımcı olur.

Ayrıca performans darboğazlarını belirlemede de önemli bir rol oynar. Bir model yavaş çalışıyor veya aşırı kaynak kullanıyorsa kıyaslama, sorunun donanım sınırlamalarından mı, model yapılandırmalarından mı yoksa dışa aktarma biçimlerinden mi kaynaklandığını ortaya çıkarabilir. Bu içgörüler, en etkili kurulumu seçmek için kritik öneme sahiptir.

Model kıyaslama ile model değerlendirme ve test arasındaki fark#

Model kıyaslama, değerlendirme ve test, birlikte kullanılan yaygın AI terimleridir. Benzer olsalar da aynı şey değildir ve farklı işlevlere sahiptir. Model testi, tek bir modeli test veri kümesi üzerinde çalıştırarak ve doğruluk ile hız gibi faktörleri ölçerek ne kadar iyi performans gösterdiğini kontrol eder. Model değerlendirme ise sonuçları analiz ederek modelin güçlü ve zayıf yönlerini ve gerçek dünya koşullarında ne kadar iyi çalıştığını anlamak için bir adım daha ileri gider. Her ikisi de aynı anda yalnızca bir modele odaklanır.

Buna karşılık model kıyaslama, aynı testleri ve veri kümelerini kullanarak birden fazla modeli yan yana karşılaştırır. Modeller arasındaki doğruluk, hız ve verimlilik farklarını ortaya çıkararak belirli bir görev için hangi modelin en iyi çalıştığını bulmaya yardımcı olur. Test ve değerlendirme tek bir modele odaklanırken kıyaslama, farklı seçenekleri adil biçimde karşılaştırarak doğru modeli (veya en iyi modeli) seçmene yardımcı olur.

Şekil 2. Model kıyaslamanın değerlendirme ve testten farkı. Görsel: yazar.

Ultralytics YOLO11'e genel bakış#

Ultralytics YOLO11, çeşitli computer vision görevlerini doğru şekilde gerçekleştirmek üzere tasarlanmış güvenilir bir vision AI modelidir. Önceki YOLO model sürümlerini geliştirir ve gerçek dünya sorunlarını çözmeye yardımcı olabilecek özelliklerle donatılmıştır. Örneğin nesneleri algılamak, görüntüleri sınıflandırmak, bölgeleri segmentlere ayırmak, hareketleri izlemek ve daha fazlası için kullanılabilir. Güvenlikten otomasyona ve analitiğe kadar pek çok sektördeki uygulamalarda da kullanılabilir.

Şekil 3. Bir görüntüdeki kişileri segmentlere ayırmak için Ultralytics YOLO11 kullanımına örnek.

Ultralytics YOLO11'in en önemli avantajlarından biri kullanımının ne kadar kolay olduğudur. Yalnızca birkaç satır kodla herkes, karmaşık kurulumlar veya ileri düzey teknik uzmanlıkla uğraşmadan modeli AI projelerine entegre edebilir.

Ayrıca farklı donanımlarda sorunsuz çalışır; CPU'larda, GPU'larda ve diğer özel AI hızlandırıcılarında verimli şekilde çalışır. Uç cihazlarda veya bulut sunucularında dağıtılsa da güçlü performans sunar.

Ultralytics YOLO11, her biri farklı görevler için optimize edilmiş çeşitli model boyutlarında sunulur. Kıyaslama, hangi sürümün özel ihtiyaçlarına en uygun olduğunu belirlemeye yardımcı olur. Örneğin kıyaslamanın ortaya çıkarabileceği önemli bir içgörü, nano veya small gibi daha küçük modellerin genellikle daha hızlı çalıştığı ancak bir miktar doğruluktan ödün verebildiğidir.

Ultralytics YOLO11 gibi YOLO modelleri nasıl kıyaslanır#

Artık kıyaslamanın ne olduğunu ve önemini anladığımıza göre, değerli içgörüler elde etmek için Ultralytics YOLO11 gibi YOLO modellerini nasıl kıyaslayabileceğini ve verimliliklerini nasıl değerlendirebileceğini adım adım inceleyelim.

Başlamak için terminalinde veya komut isteminde aşağıdaki komutu çalıştırarak Ultralytics Python paketini yükleyebilirsin: “pip install ultralytics”. Yükleme sırasında herhangi bir sorunla karşılaşırsan sorun giderme ipuçları için Yaygın Sorunlar Kılavuzumuza göz at.

Paket yüklendikten sonra yalnızca birkaç satır Python koduyla Ultralytics YOLO11'i kıyaslayabilirsin:

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 çalıştırdığında modelin görüntüleri ne kadar hızlı işlediğini, bir saniyede kaç kare ele alabildiğini ve nesneleri ne kadar doğru algıladığını hesaplar.

Koddaki “coco8.yaml” ifadesi, COCO8 veri kümesine dayalı bir veri kümesi yapılandırma dosyasını ifade eder; bu veri kümesi, genellikle test ve denemeler için kullanılan tam COCO veri kümesinin küçük, örnek bir sürümüdür.

Ultralytics YOLO11'i trafik izleme veya tıbbi görüntüleme gibi belirli bir uygulama için test ediyorsan ilgili bir veri kümesi (örneğin trafik veri kümesi veya tıbbi veri kümesi) kullanmak daha doğru içgörüler sağlar. COCO ile kıyaslama genel bir performans fikri verir; ancak en iyi sonuçlar için gerçek kullanım alanını yansıtan bir veri kümesi seçebilirsin.

Ultralytics YOLO11 kıyaslama çıktılarını anlama#

Ultralytics YOLO11 kıyaslandıktan sonra sıradaki adım sonuçları yorumlamaktır. Kıyaslamayı çalıştırdıktan sonra sonuçlarda çeşitli sayılar görürsün. Bu metrikler, YOLO11'in doğruluk ve hız açısından ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur.

Dikkat etmen gereken bazı önemli Ultralytics YOLO11 kıyaslama metrikleri şunlardır:

• mAP50-95: Nesne algılama doğruluğunu ölçer. Değerin yüksek olması, modelin nesneleri tanımada daha iyi olduğu anlamına gelir.
• accuracy_top5: Sınıflandırma görevlerinde yaygın olarak kullanılır. Doğru etiketin ilk beş tahmin içinde ne sıklıkta yer aldığını gösterir.
• Çıkarım süresi: Tek bir görüntüyü işlemek için geçen süredir ve milisaniye cinsinden ölçülür. Daha düşük değerler daha hızlı işleme anlamına gelir.

Şekil 4. YOLO11'in kıyaslama performansını gösteren grafik.

Ultralytics YOLO11'i kıyaslarken dikkate alınması gereken diğer faktörler#

Yalnızca kıyaslama sonuçlarına bakmak hikâyenin bir kısmını anlatır. Performansı daha iyi anlamak için farklı ayarları ve donanım seçeneklerini karşılaştırmak faydalıdır. Dikkat edilmesi gereken birkaç önemli nokta şunlardır:

• GPU ve CPU karşılaştırması: GPU'lar görüntüleri CPU'lardan çok daha hızlı işleyebilir. Kıyaslama, bir CPU'nun ihtiyaçların için yeterince hızlı olup olmadığını veya GPU kullanmaktan fayda sağlayıp sağlamayacağını görmene yardımcı olur.
• Hassasiyet ayarları (FP32, FP16, INT8): Bunlar modelin sayıları nasıl işlediğini kontrol eder. Daha düşük hassasiyet (FP16 veya INT8 gibi), modelin daha hızlı çalışmasını ve daha az bellek kullanmasını sağlar; ancak doğruluğu biraz azaltabilir.
• Dışa aktarma biçimleri: Modeli TensorRT gibi bir biçime dönüştürmek, belirli donanımlarda çok daha hızlı çalışmasını sağlayabilir. Bu, belirli cihazlarda hız için optimizasyon yapıyorsan faydalıdır.

Ultralytics YOLO11 farklı donanımlarda nasıl kıyaslanır#

Ultralytics Python paketi, YOLO11 modellerini belirli donanımlarda daha verimli çalışacak farklı biçimlere dönüştürmeni sağlar; böylece hem hız hem de bellek kullanımı iyileşir. Her dışa aktarma biçimi farklı cihazlar için optimize edilmiştir.

Bir yandan ONNX biçimi çeşitli ortamlarda performansı artırabilir. Diğer yandan OpenVINO, Intel donanımlarında verimliliği artırır; CoreML veya TF SavedModel gibi biçimler ise Apple cihazları ve mobil uygulamalar için idealdir.

Ultralytics YOLO11'i belirli bir biçimde nasıl kıyaslayabileceğine bakalım. Aşağıdaki kod, hem CPU'larda hem de GPU'larda AI modellerini çalıştırmak için yaygın olarak kullanılan ONNX biçiminde YOLO11'i 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")

Kıyaslama sonuçlarının ötesinde, doğru biçimi seçmek sisteminin özelliklerine ve dağıtım gereksinimlerine bağlıdır. Örneğin otonom araçlar hızlı nesne algılamaya ihtiyaç duyar. Performansı hızlandırmak için NVIDIA GPU'ları kullanmayı planlıyorsan Ultralytics YOLO11'i NVIDIA GPU üzerinde çalıştırmak için TensorRT biçimi ideal seçimdir.

Şekil 5. Otonom araçlarda nesne algılama için YOLO11 kullanımı.

Önemli çıkarımlar#

Ultralytics Python paketi, performans testlerini senin için gerçekleştirebilen basit komutlar sunarak YOLO11'i kıyaslamayı kolaylaştırır. Yalnızca birkaç adımda farklı kurulumların modellerin hızını ve doğruluğunu nasıl etkilediğini görebilir, derin teknik uzmanlığa ihtiyaç duymadan bilinçli seçimler yapabilirsin.

Doğru donanım ve ayarlar da büyük fark yaratabilir. Model boyutu ve veri kümesi gibi parametreleri ayarlamak, ister üst düzey bir GPU'da ister yerel olarak bir uç cihazda çalıştırıyor ol, en iyi performansı elde etmek için Ultralytics YOLO11'e ince ayar yapmanı sağlar.

Topluluğumuzla bağlantı kur ve en yeni AI projelerini GitHub depomuzda keşfet. AI'ın tarımdaki etkisi ve computer vision'ın üretimdeki rolü hakkında çözüm sayfalarımızdan bilgi edin. Lisans planlarımızı incele ve AI yolculuğuna şimdi başla!