YOLO11 gibi Ultralytics YOLO11 modelleri nasıl kıyaslanır?

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.

Mesela, Ultralytics YOLO11 nesne algılama ve örnek segmentasyonu gibi çeşitli görsel veri analizi görevlerini destekleyen bir bilgisayarla görme modelidir. Yeteneklerini tam olarak anlamak için, gerçek dünya senaryolarını nasıl ele alacağını görmek üzere farklı kurulumlardaki performansını karşılaştırabilirsiniz.

Bu makalede, YOLO11 gibi Ultralytics YOLO11 modellerini nasıl kıyaslayacağımızı, çeşitli donanımlardaki performanslarını karşılaştıracağımızı ve farklı dışa aktarma biçimlerinin hızlarını ve verimliliklerini nasıl etkilediğini göreceğiz. Hadi başlayalım!

Model kıyaslaması nedir?

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 ile model değerlendirme ve test etme karşılaştırması

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'e genel bir bakış

Ultralytics YOLO11 , çeşitli bilgisayarla görme görevlerini doğru bir şekilde gerçekleştirmek için tasarlanmış güvenilir bir Vision AI modelidir. Önceki YOLO model sürümlerini geliştirir ve gerçek dünya sorunlarını çözmeye yardımcı olabilecek özelliklerle doludur. Örneğin, nesneleri detect etmek, görüntüleri classify , bölgeleri segment ayırmak, hareketleri track ve daha fazlası için kullanılabilir. Ayrıca güvenlikten otomasyon ve analitiğe kadar birçok sektördeki uygulamalarda da kullanılabilir.

‍

Ultralytics YOLO11 ile ilgili en önemli avantajlardan biri, kullanımının ne kadar kolay olduğudur. Sadece birkaç satır kodla, herkes karmaşık kurulumlarla veya gelişmiş teknik uzmanlıkla uğraşmadan AI 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 belirlemenize yardımcı olur. Örneğin, kıyaslamanın ortaya çıkarabileceği önemli bir bilgi, nano veya small gibi daha küçük modellerin daha hızlı çalışma eğiliminde olduğu, ancak bazı doğruluklardan ödün verebileceğidir.

YOLO11 gibi YOLO11 modelleri nasıl kıyaslanır?

Artık kıyaslamanın ne olduğunu ve önemini anladığımıza göre. YOLO11 gibi YOLO11 modellerini nasıl kıyaslayabileceğinizi ve değerli içgörüler elde etmek için verimliliklerini nasıl değerlendirebileceğinizi inceleyelim.

Başlamak için, terminalinizde veya komut isteminizde aşağıdaki komutu çalıştırarak Ultralytics Python paketini yükleyebilirsiniz: "pip install ultralytics". Kurulum sırasında herhangi bir sorunla karşılaşırsanız, sorun giderme ipuçları için Ortak Sorunlar Kılavuzumuza göz atın.

Paket kurulduktan sonra, sadece birkaç satır Python kodu ile YOLO11 ' i kolayca kıyaslayabilirsiniz:

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. 

Kodda geçen "coco8yaml" ifadesi, "coco8yaml" tabanlı bir veri kümesi yapılandırma dosyasına atıfta bulunmaktadır. COCO8 (Common Objects in Context) veri kümesi - tam COCO veri kümesinin küçük, örnek bir versiyonu, genellikle test ve deneme için kullanılır.

YOLO11 'i trafik izleme veya tıbbi görüntüleme gibi belirli bir uygulama için test ediyorsanız, ilgili bir veri kümesi (örneğin, trafik veri kümesi veya tıbbi veri kümesi) kullanmak daha doğru bilgiler verecektir. COCO ile kıyaslama, performans hakkında genel bir fikir verir, ancak en iyi sonuçlar için gerçek kullanım durumunuzu yansıtan bir veri kümesi seçebilirsiniz.

YOLO11 kıyaslama çıktılarının anlaşılması

YOLO11 kıyaslandıktan sonra, bir sonraki adım sonuçları yorumlamaktır. Kıyaslamayı çalıştırdıktan sonra, sonuçlarda çeşitli sayılar göreceksiniz. Bu ölçümler, YOLO11 'in doğruluk ve hız açısından ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur. 

İşte dikkat etmeniz gereken bazı önemli YOLO11 kıyaslama ölçütleri:

• mAP50: Nesne algılama doğruluğunu ölçer. Daha yüksek bir değer, modelin nesneleri tanımada daha iyi olduğu anlamına gelir.
  ‍
• accuracy_top5: Genellikle sınıflandırma görevleri için kullanılır. Doğru etiketin ilk beş tahminde ne sıklıkla göründüğünü gösterir.
  ‍
• Çıkarım süresi: Tek bir görüntüyü işlemenin milisaniye cinsinden ölçülen süresi. Daha düşük değerler daha hızlı işlem anlamına gelir.

‍

YOLO11'i kıyaslarken göz önünde bulundurulması gereken diğer faktörler 

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:

• GPU vs. CPU: GPU'lar görüntüleri CPU'lardan çok daha hızlı işleyebilir. Benchmarking, bir CPU 'nun ihtiyaçlarınız için yeterince hızlı olup olmadığını veya bir GPU kullanmanın faydasını görmenize yardımcı olur.
  ‍
• Hassasiyet ayarları (FP32, FP16, INT8): Bunlar, modelin sayılarla nasıl başa çıktığını 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 formatları: Modeli TensorRT gibi bir formata dönüştürmek, belirli donanımlarda çok daha hızlı çalışmasını sağlayabilir. Bu, belirli cihazlarda hız için optimizasyon yapıyorsanız kullanışlıdır.

YOLO11 farklı donanımlarda nasıl kıyaslanır?

Ultralytics Python paketi, YOLO11 modellerini belirli donanımlarda daha verimli çalışan, hem hızı hem de bellek kullanımını iyileştiren farklı biçimlere dönüştürmenize olanak tanır. 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 kıyaslamaktadır.

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 formatı seçmek sisteminizin özelliklerine ve dağıtım ihtiyaçlarına bağlıdır. Örneğin, sürücüsüz araçların 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.

‍

Önemli çıkarımlar

Ultralytics Python paketi, performans testlerini sizin için gerçekleştirebilecek basit komutlar sağlayarak YOLO11 'in kıyaslanmasını kolaylaştırır. Sadece birkaç adımla, farklı kurulumların modellerin hızını ve doğruluğunu nasıl etkilediğini görebilir, derin 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 ayar yapmanızı sağlar.

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!