YOLO11 gibi Ultralytics YOLO modelleri nasıl kıyaslanır

Günümüzde mevcut olan yapay zeka modellerinin sayısının artmasıyla, belirli yapay zeka uygulaman için en uygun olanı seçmek, doğru ve güvenilir sonuçlara ulaşmak adına 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 durum, otonom araçlar, güvenlik çözümleri ve robotik gibi hızlı ve güvenilir karar vermenin kritik olduğu gerçek zamanlı sistemler için özellikle önemlidir.

Performans testi, bir modeli farklı koşullar altında değerlendirerek bu soruyu yanıtlamaya yardımcı olur. Modelin çeşitli donanım kurulumları ve yapılandırmaları genelinde ne kadar iyi performans gösterdiğine dair içgörüler sağlar ve daha bilinçli kararlar almanı mümkün kılar.

Örneğin, Ultralytics YOLO11, nesne tespiti ve örnek bölütleme gibi çeşitli görsel veri analizi görevlerini destekleyen bir computer vision modelidir. Yeteneklerini tam olarak anlamak için, gerçek dünya senaryolarını nasıl ele alacağını görmek amacıyla performansını farklı kurulumlarda kıyaslayabilirsin.

Bu makalede, YOLO11 gibi Ultralytics YOLO models modellerini nasıl kıyaslayacağımızı, bunların performansını çeşitli donanımlar arasında nasıl karşılaştıracağımızı ve farklı dışa aktarma formatlarının hızlarını ve verimliliklerini nasıl etkilediğini inceleyeceğiz. Hadi başlayalım!

Model performans testi nedir?#

Bir gerçek dünya uygulamasında bir görü yapay zeka modelini kullanmaya gelince, yeterince hızlı, doğru ve güvenilir olup olmayacağını nasıl anlarsın? Modeli performans testinden geçirmek, bunu yanıtlamak için içgörüler sağlayabilir. Model performans testi, hangi modelin en iyi performansı gösterdiğini görmek için farklı yapay zeka modellerini test etme ve karşılaştırma sürecidir.

Bu işlem, karşılaştırma için bir temel çizgi 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 hangisinin özel AI solution uygulaman için en uygun olduğuna karar vermeni kolaylaştırır. Özellikle, adil karşılaştırmalar sağlamak ve bir modelin farklı gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için genellikle bir benchmark dataset kullanılır.

Şekil 1. Bilgisayarlı görü modellerini neden performans testine tabi tutmalı? Görsel yazar tarafından hazırlanmıştır.

Performans testinin neden hayati olduğuna dair net bir örnek, küçük gecikmelerin bile karar verme sürecini etkileyebildiği gözetim veya robotik gibi gerçek zamanlı uygulamalardır. Performans testi, bir modelin güvenilir tahminler sunarken görüntüleri ne kadar hızlı işleyebileceğini değerlendirmeye yardımcı olur.

Ayrıca, performans darboğazlarını belirlemede kilit bir rol oynar. Bir model yavaş çalışıyorsa veya aşırı kaynak kullanıyorsa, performans testi sorunun donanım kısıtlamalarından, model yapılandırmalarından veya dışa aktarma formatlarından kaynaklanıp kaynaklanmadığını ortaya çıkarabilir. Bu içgörüler, en etkili kurulumu seçmek için çok önemlidir.

Model performans testinin, model değerlendirme ve test etme ile karşılaştırılması#

Model kıyaslama, değerlendirme ve test etme, birlikte kullanılan popüler yapay zeka terimleridir. Benzer olsalar da aynı şey değildirler ve farklı işlevleri vardır. Model testing, tek bir modelin bir test veri kümesi üzerinde çalıştırılarak ve doğruluk ve hız gibi faktörler ölçülerek ne kadar iyi performans gösterdiğini kontrol eder. Bu arada model değerlendirmesi, modelin güçlü ve zayıf yönlerini ve gerçek dünya durumlarında ne kadar iyi çalıştığını anlamak için sonuçları analiz ederek bir adım daha ileri gider. Her ikisi de aynı anda yalnızca tek bir modele odaklanır.

Ancak model performans testi, aynı testleri ve veri setlerini kullanarak birden fazla modeli yan yana karşılaştırır. Doğruluk, hız ve verimlilik arasındaki farkları vurgulayarak belirli bir görev için hangi modelin en iyi sonucu verdiğini bulmaya yardımcı olur. Test etme ve değerlendirme tek bir modele odaklanırken, performans testi farklı seçenekleri adil bir şekilde karşılaştırarak doğru (veya en iyi) olanı seçmene yardımcı olur.

Şekil 2. Model performans testinin değerlendirme ve test etmeden farkı. Görsel yazar tarafından hazırlanmıştır.

Ultralytics YOLO11'e genel bakış#

Ultralytics YOLO11, çeşitli computer vision tasks görevlerini doğru bir şekilde gerçekleştirmek için tasarlanmış güvenilir bir görme yapay zeka modelidir. Daha önceki YOLO model sürümlerinin üzerine yenilerini ekler ve gerçek dünya sorunlarını çözmeye yardımcı olabilecek özelliklerle donatılmıştır. Örneğin nesne tespit etmek, görüntüleri sınıflandırmak, bölgeleri bölütlemek, hareketleri takip etmek ve daha fazlası için kullanılabilir. Ayrıca güvenlikten otomasyona ve analitiğe kadar birçok sektördeki uygulamalarda kullanılabilir.

Şekil 3. Görüntüdeki insanları segmentlere ayırmak için Ultralytics YOLO11 kullanımına bir örnek.

Ultralytics YOLO11 ile ilgili temel avantajlardan biri, kullanımının ne kadar kolay olduğudur. Sadece birkaç satır kodla herkes, karmaşık kurulumlarla veya ileri düzey teknik uzmanlıkla uğraşmadan onu yapay zeka projelerine entegre edebilir.

Ayrıca, CPU'lar (Merkezi İşlem Birimleri), GPU'lar (Grafik İşlem Birimleri) ve diğer özel yapay zeka hızlandırıcıları üzerinde verimli bir şekilde çalışarak farklı donanımlar genelinde sorunsuz bir şekilde çalışır. İster uç cihazlarda (edge devices) ister bulut sunucularında konuşlandırılsın, güçlü bir performans sunar.

Ultralytics YOLO11 farklı model boyutlarında sunulur ve her biri farklı görevler için optimize edilmiştir. Kıyaslama (benchmarking), hangi sürümün özel ihtiyaçlarınıza en uygun olduğunu belirlemenize yardımcı olur. Örneğin, kıyaslamanın ortaya çıkarabileceği temel içgörülerden biri, nano veya small gibi daha küçük modellerin daha hızlı çalışmaya eğilimli olması ancak doğruluktan biraz ödün verebilmesidir.

Ultralytics YOLO11 gibi YOLO modelleri nasıl kıyaslanır#

Kıyaslamanın ne olduğunu ve önemini anladığımıza göre, Ultralytics YOLO11 gibi YOLO modellerini nasıl kıyaslayabileceğinizi ve değerli içgörüler elde etmek için verimliliklerini nasıl değerlendirebileceğinizi adım adım inceleyelim.

Başlamak için terminalinde veya komut isteminde “pip install ultralytics” komutunu çalıştırarak Ultralytics Python package paketini yükleyebilirsin. Kurulum sırasında herhangi bir sorunla karşılaşırsan, sorun giderme ipuçları için Common Issues Guide kılavuzumuza göz at.

Paket kurulduktan sonra, sadece birkaç satır Python koduyla kolayca benchmark Ultralytics YOLO11 yapabilirsin:

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 işleyebileceğini ve nesneleri ne kadar doğru algıladığını hesaplar.

Koddaki “coco8.yaml” ifadesi, tam COCO veri kümesinin test ve deneme amacıyla sıklıkla kullanılan küçük, örnek bir sürümü olan COCO8 (Common Objects in Context) veri kümesine dayanan bir veri kümesi yapılandırma dosyasını ifade eder.

Ultralytics YOLO11 modelini trafik izleme veya tıbbi görüntüleme gibi belirli bir uygulama için test ediyorsan, ilgili bir veri seti (örneğin trafik veri seti veya tıbbi veri seti) kullanmak daha doğru içgörüler sağlayacaktır. COCO ile kıyaslama yapmak genel bir performans fikri verir, ancak en iyi sonuçlar için gerçek kullanım senaryonu yansıtan bir veri seti seçebilirsin.

Ultralytics YOLO11 kıyaslama çıktılarını anlamak#

Ultralytics YOLO11 kıyaslaması yapıldıktan sonraki adım, sonuçları yorumlamaktır. Kıyaslamayı çalıştırdıktan sonra, sonuçlarda çeşitli sayılar göreceksin. Bu metrikler, YOLO11 modelinin doğruluk ve hız açısından ne kadar iyi performans gösterdiğini değerlendirmene yardımcı olur.

Dikkat etmen gereken bazı önemli Ultralytics YOLO11 kıyaslama metrikleri şunlardır:

• mAP50-95: 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.
• Inference time (Çıkarım süresi): Tek bir görüntüyü işlemenin milisaniye cinsinden süresi. Daha düşük değerler daha hızlı işlem anlamına gelir.

Fig 4. YOLO11'in kıyaslama performansını gösteren bir grafik.

Ultralytics YOLO11'i kıyaslarken dikkate alınması gereken diğer faktörler#

Sadece performans testi sonuçlarına bakmak hikayenin sadece bir kısmını anlatır. Performansı daha iyi anlamak için farklı ayarları ve donanım seçeneklerini karşılaştırmak faydalıdır. İşte göz önünde bulundurman gereken birkaç önemli nokta:

• GPU ile CPU: GPU'lar görüntüleri CPU'lardan çok daha hızlı işleyebilir. Performans testi, bir CPU'nun ihtiyaçların için yeterince hızlı olup olmadığını veya bir GPU kullanmanın sana fayda sağlayıp sağlamayacağını görmene yardımcı olur.
• Hassasiyet (precision) ayarları (FP32, FP16, INT8): Bunlar, modelin sayıları nasıl işleyeceğini kontrol eder. Daha düşük hassasiyet (FP16 veya INT8 gibi) modelin daha hızlı çalışmasını ve daha az bellek kullanmasını sağlar, ancak doğruluğu biraz azaltabilir.
• Export formats: Modeli TensorRT gibi bir forma dönüştürmek, belirli donanımlarda çok daha hızlı çalışmasını sağlayabilir. Bu, belirli cihazlarda hız için optimizasyon yapıyorsan kullanışlıdır.

Ultralytics YOLO11 farklı donanımlarda nasıl kıyaslanır#

Ultralytics Python paketi, YOLO11 modellerini belirli donanımlarda daha verimli çalışan farklı formatlara dönüştürmene olanak tanır ve hem hızı hem de bellek kullanımını iyileştirir. Her dışa aktarma formatı farklı cihazlar için optimize edilmiştir.

Bir yandan, ONNX format çeşitli ortamlarda performansını artırabilir. Diğer yandan OpenVINO, Intel donanımında verimliliği artırırken CoreML veya TF SavedModel gibi formatlar Apple cihazları ve mobil uygulamalar için idealdir.

Ultralytics YOLO11 modelini belirli bir formatta nasıl kıyaslayabileceğine bir göz atalım. Aşağıdaki kod, hem CPU'larda hem de GPU'larda yapay zeka modellerini çalıştırmak için yaygın olarak kullanılan ONNX formatında YOLO11 kıyaslaması yapar.

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 sisteminin özelliklerine ve dağıtım ihtiyaçlarına bağlıdır. Örneğin, self-driving cars hızlı nesne tespiti gerektirir. Performansı hızlandırmak için NVIDIA GPU'lar kullanmayı planlıyorsan, TensorRT formatı, Ultralytics YOLO11 modelini bir NVIDIA GPU üzerinde çalıştırmak için ideal seçimdir.

Fig 5. Otonom araçlarda nesne tespiti için YOLO11 kullanımı.

Öne çıkanlar#

Ultralytics Python paketi, senin için performans testini yönetebilecek basit komutlar sağlayarak YOLO11 performans testini kolaylaştırır. Sadece birkaç adımla, farklı kurulumların modellerin hızını ve doğruluğunu nasıl etkilediğini görebilir, derin teknik uzmanlığa ihtiyaç duymadan bilinçli seçimler yapmana yardımcı olabilirsin.

Doğru donanım ve ayarlar da büyük bir fark yaratabilir. Model boyutu ve veri seti gibi parametreleri ayarlamak, ister üst düzey bir GPU üzerinde ister yerelde bir edge cihazında çalıştırıyor ol Ultralytics YOLO11 modelini en iyi performans için ince ayarlarla optimize etmene olanak tanır.

our community ile bağlantı kur ve our GitHub repository üzerindeki son teknoloji yapay zeka projelerini keşfet. Çözüm sayfalarımız aracılığıyla AI in agriculture alanındaki etkileri ve computer vision in manufacturing rolünü öğren. our licensing plans sayfalarımızı incele ve yapay zeka yolculuğuna hemen başla!