YOLO11 gibi Ultralytics YOLO modelleri nasıl kıyaslanır?

Günümüzde erişilebilen yapay zekâ modellerinin sayısı artarken, doğru ve güvenilir sonuçlar elde etmek için belirli yapay zekâ uygulamana en uygun modeli seçmek çok önemlidir. Her model hız, doğruluk ve genel performans açısından farklılık gösterir. Peki, belirli bir görev için en uygun modeli nasıl belirleyebiliriz? Hızlı ve güvenilir karar vermenin kritik olduğu otonom araçlar, güvenlik çözümleri ve robotik gibi gerçek zamanlı sistemlerde bu özellikle önemlidir.

Kıyaslama, bir modeli farklı koşullarda değerlendirerek bu soruyu yanıtlamaya yardımcı olur. Modelin çeşitli donanım kurulumları ve yapılandırmalarındaki performansına ilişkin bilgiler sağlayarak daha bilinçli kararlar vermeni sağlar.

Örneğin, Ultralytics YOLO11 (yerini daha sonra Ultralytics YOLO26 almıştır), nesne algılama ve örnek segmentasyonu gibi çeşitli görsel veri analizi görevlerini destekleyen bir bilgisayarlı görü modelidir. Yeteneklerini tam olarak anlamak için farklı yapılandırmalardaki performansını kıyaslayarak gerçek dünya senaryolarında nasıl çalışacağını görebilirsin.

Bu makalede, Ultralytics YOLO modelleri (örneğin YOLO11) için performans kıyaslamasının nasıl yapılacağını, farklı donanımlardaki performanslarının nasıl karşılaştırılacağını ve çeşitli dışa aktarma biçimlerinin hız ile verimliliği nasıl etkilediğini inceleyeceğiz.

Model kıyaslaması nedir?#

Görsel yapay zekâ modelini gerçek dünya uygulamasında kullanırken modelin yeterince hızlı, doğru ve güvenilir olup olmadığını nasıl anlayabilirsin? Model kıyaslaması bu soruyu yanıtlamana yardımcı olabilir. Model kıyaslaması, en iyi performansı göstereni belirlemek için farklı yapay zekâ modellerini test etme ve karşılaştırma sürecidir.

Bu süreç; karşılaştırma için bir başlangıç değeri belirlemeyi, doğru performans ölçütlerini (doğruluk veya hız gibi) seçmeyi ve tüm modelleri aynı koşullarda test etmeyi kapsar. Sonuçlar, her modelin güçlü ve zayıf yönlerini belirlemeye yardımcı olarak özel yapay zekâ çözümüne en uygun modeli seçmeni kolaylaştırır. Özellikle kıyaslama veri kümesi, adil karşılaştırmalar yapmak ve bir modelin farklı gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için sıklıkla kullanılır.

Şekil 1. Bilgisayarlı görü modelleri neden kıyaslanmalı? Görselin sahibi: yazar.

Kıyaslamanın neden önemli olduğuna gözetim veya robotik gibi gerçek zamanlı uygulamalar açık bir örnektir; bu alanlarda küçük gecikmeler bile karar verme sürecini etkileyebilir. Kıyaslama, bir modelin güvenilir tahminler sunarken görüntüleri hızlıca işleyip işleyemediğini değerlendirmeye yardımcı olur.

Kıyaslama, performans darboğazlarını belirlemede de önemli bir rol oynar. Bir model yavaş çalışıyorsa veya aşırı kaynak kullanıyorsa kıyaslama, sorunun donanım sınırlamalarından mı, model yapılandırmalarından mı yoksa dışa aktarma biçimlerinden mi kaynaklandığını ortaya çıkarabilir. Bu bilgiler en etkili kurulumu seçmek için çok önemlidir.

Model kıyaslaması ile model değerlendirmesi ve testinin karşılaştırması#

Model kıyaslaması, değerlendirmesi ve testi, yapay zekâ alanında birlikte kullanılan yaygın terimlerdir. Birbirlerine benzeseler de aynı şey değildir ve farklı işlevleri vardır. Model testi, tek bir modelin test veri kümesinde çalıştırılıp doğruluk ve hız gibi etkenler ölçülerek performansının ne kadar iyi olduğunu kontrol eder. Model değerlendirmesi 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 tek bir modele odaklanır.

Buna karşılık model kıyaslaması, 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 hangisinin en iyi çalıştığını belirlemeye yardımcı olur. Test ve değerlendirme tek bir modele odaklanırken kıyaslama, farklı seçenekleri adil biçimde karşılaştırarak doğru modeli (veya en iyisini) seçmene yardımcı olur.

Şekil 2. Model kıyaslamasının değerlendirme ve testten farkı. Görselin sahibi: yazar.

Ultralytics YOLO11'e genel bakış#

Ultralytics YOLO11, çeşitli bilgisayarlı görü görevlerini doğru biçimde gerçekleştirmek üzere tasarlanmış, güvenilir bir görsel yapay zekâ modelidir. Önceki YOLO model sürümlerini geliştirir ve gerçek dünya sorunlarını çözmeye yardımcı olabilecek özelliklerle donatılmıştır. Örneğin nesne algılama, görüntü sınıflandırma, bölgeleri segmentlere ayırma, hareketleri izleme ve daha fazlası için kullanılabilir. Güvenlikten otomasyona ve analitiğe kadar birçok sektördeki uygulamalarda da kullanılabilir.

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

Ultralytics YOLO11'in başlıca avantajlarından biri kullanım kolaylığıdır. Yalnızca birkaç satır kodla herkes, karmaşık kurulumlarla veya ileri düzey teknik uzmanlıkla uğraşmadan modeli yapay zekâ projelerine entegre edebilir.

Model farklı donanımlarda da sorunsuz çalışır; CPU'larda (Merkezi İşlem Birimleri), GPU'larda (Grafik İşlem Birimleri) ve diğer özel yapay zekâ hızlandırıcılarında verimli biçimde çalışır. Uç cihazlarda veya bulut sunucularında kullanıldığında da yüksek performans sunar.

Ultralytics YOLO11, her biri farklı görevler için optimize edilmiş çeşitli model boyutlarında sunulur. Performans kıyaslaması, hangi sürümün ihtiyaçlarına en uygun olduğunu belirlemeye yardımcı olur. Örneğin, kıyaslamayla elde edilebilecek önemli bir çıkarım, nano veya small gibi daha küçük modellerin daha hızlı çalışırken doğruluktan bir miktar ödün verebilmesidir.

Ultralytics YOLO11 gibi YOLO modellerini kıyaslama#

Performans kıyaslamasının ne olduğunu ve neden önemli olduğunu ele aldığımıza göre, şimdi Ultralytics YOLO11 gibi YOLO modellerinin performansını nasıl kıyaslayabileceğini ve değerli bilgiler edinmek için verimliliklerini nasıl değerlendirebileceğini adım adım inceleyelim.

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

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

from ultralytics.utils.benchmarks import benchmark

# GPU'da kıyaslama
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, device=0)

Yukarıdaki kodu çalıştırdığında modelin görüntüleri ne kadar hızlı işlediğini, bir saniyede kaç kare işleyebildiğini ve nesneleri ne kadar doğru algıladığını hesaplar.

Kodda geçen “coco8.yaml”, tam COCO veri kümesinin küçük bir örneği olan ve genellikle test ve denemeler için kullanılan COCO8 veri kümesini temel alan bir veri kümesi yapılandırma dosyasını ifade eder (Bağlamdaki Yaygın Nesneler).

Ultralytics YOLO11'i trafik izleme veya tıbbi görüntüleme gibi belirli bir uygulama için test ediyorsan, ilgili bir veri kümesi (ör. trafik veya tıp veri kümesi) kullanmak daha doğru bilgiler sağlar. COCO ile kıyaslama yapmak genel bir performans fikri verir; ancak en iyi sonuçları almak için gerçek kullanım senaryonu yansıtan bir veri kümesi seçebilirsin.

Ultralytics YOLO11 kıyaslama çıktılarını anlama#

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

İzlemen gereken bazı önemli Ultralytics YOLO11 kıyaslama metrikleri şunlardır:

• mAP_50-95: Nesne algılama doğruluğunu ölçer. Değerin yüksek olması, modelin nesneleri tanımada daha başarılı olduğu anlamına gelir.
• accuracy_top5: Genellikle sınıflandırma görevlerinde kullanılır. Doğru etiketin ilk beş tahminde ne sıklıkla yer aldığını gösterir.
• Çıkarım süresi: Tek bir görüntüyü işlemek için geçen süreyi milisaniye cinsinden ölçer. Daha düşük değerler daha hızlı işlem anlamına gelir.

Şekil 4. YOLO11'in kıyaslama performansını gösteren grafik.

Ultralytics YOLO11'i kıyaslarken göz önünde bulundurulması gereken diğer etkenler#

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

• GPU ve CPU karşılaştırması: GPU'lar görüntüleri CPU'lardan çok daha hızlı işleyebilir. Kıyaslama, bir CPU'nun ihtiyaçlarını karşılayacak kadar hızlı olup olmadığını veya GPU kullanmanın sana fayda sağlayıp sağlamayacağını görmene yardımcı olur.
• Hassasiyet ayarları (FP32, FP16, INT8): Bunlar, modelin sayıları nasıl işlediğini belirler ve quantize bağımsız değişkeniyle ayarlanır (örneğin, quantize=16). Daha düşük hassasiyet (FP16 veya INT8 gibi) modelin daha hızlı çalışmasını ve daha az bellek kullanmasını sağlar, ancak doğruluğu bir miktar düşürebilir.
• Dışa aktarma biçimleri: Modeli TensorRT gibi bir biçime dönüştürmek, belirli donanımlarda çok daha hızlı çalışmasını sağlayabilir. Bu, belirli cihazlarda hız için optimizasyon yaparken işe yarar.

Ultralytics YOLO11'i farklı donanımlarda kıyaslama#

Ultralytics Python paketi, YOLO11 modellerini belirli donanımlarda daha verimli çalışarak hızı ve bellek kullanımını iyileştiren farklı biçimlere dönüştürmene olanak tanır. 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, Apple cihazları için idealdir ve LiteRT (eski adıyla TensorFlow Lite) mobil uygulamalar için uygundur.

Şimdi Ultralytics YOLO11'i belirli bir biçimde nasıl kıyaslayabileceğine bakalım. Aşağıdaki kod, yapay zekâ modellerini hem CPU'larda hem de GPU'larda çalıştırmak için yaygın olarak kullanılan ONNX biçimindeki YOLO11'i kıyaslar.

from ultralytics.utils.benchmarks import benchmark

# Belirli bir dışa aktarma biçiminde kıyaslama yap (ör. ONNX)
benchmark(model="yolo11n.pt", data="coco8.yaml", imgsz=640, format="onnx")

Kıyaslama sonuçlarının yanı sıra doğru biçimi seçmek, sisteminin özelliklerine ve dağıtım gereksinimlerine bağlıdır. Örneğin, otonom araçların hızlı nesne algılamaya ihtiyacı vardır. Performansı hızlandırmak için NVIDIA GPU'ları kullanmayı planlıyorsan, Ultralytics YOLO11 modelini bir NVIDIA GPU üzerinde çalıştırmak için TensorRT biçimi ideal seçenektir.

Şekil 5. Otonom araçlarda nesne algılama için YOLO11 kullanımı.

Önemli çıkarımlar#

Ultralytics Python paketi, performans testlerini senin için gerçekleştiren basit komutlar sağlayarak YOLO11 kıyaslamasını kolaylaştırır. Yalnızca birkaç adımda farklı kurulumların model 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 ayarlayarak Ultralytics YOLO11'e ince ayar yapabilir ve onu ister üst düzey bir GPU'da ister yerel bir uç cihazda çalıştır, en iyi performansı elde edebilirsin.

Topluluğumuza katıl ve yapay zekâ projelerimizi GitHub depomuzda keşfet. Çözümler sayfalarımızda tarımda yapay zekânın etkisini ve üretimde bilgisayarlı görünün rolünü öğren. Lisanslama planlarımızı incele ve yapay zekâ yolculuğuna hemen başla!