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 algılama ve örnek bölütleme (instance segmentation) gibi çeşitli görsel veri analizi görevlerini destekleyen bir bilgisayarlı görü modelidir. Yeteneklerini tam olarak anlamak için, gerçek dünya senaryolarını nasıl karşılayacağını görmek adına performansını farklı kurulumlarda test edebilirsin.

Bu makalede, YOLO11 gibi Ultralytics YOLO modellerini nasıl performans testine tabi tutacağını, performanslarını çeşitli donanımlar genelinde nasıl karşılaştıracağını ve farklı dışa aktarma (export) formatlarının hızlarını ve verimliliklerini nasıl etkilediğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionModel 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 süreç, karşılaştırma için bir temel (baseline) belirlemeyi, doğru performans ölçümlerini (doğruluk veya hız gibi) seçmeyi ve tüm modelleri aynı koşullar altında test etmeyi içerir. Sonuçlar, her modelin güçlü ve zayıf yönlerini belirlemeye yardımcı olur ve belirli yapay zeka çözümün için hangisinin en uygun olduğuna karar vermeni kolaylaştırır. Özellikle, adil karşılaştırmalar sağlamak ve bir modelin farklı gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için sıklıkla bir benchmark veri seti 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.

Link to this sectionModel performans testinin, model değerlendirme ve test etme ile karşılaştırılması#

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

Link to this sectionUltralytics YOLO11'e genel bakış#

Ultralytics YOLO11, çeşitli bilgisayarlı görü görevlerini doğru bir şekilde gerçekleştirmek için tasarlanmış güvenilir bir görü yapay zeka modelidir. Önceki YOLO model sürümlerini geliştirir ve gerçek dünya problemlerini çözmeye yardımcı olabilecek özelliklerle doludur. Örneğin, nesneleri algılamak, görüntüleri sınıflandırmak, bölgeleri bölütlemek, hareketleri takip etmek ve daha fazlası için kullanılabilir. Ayrıca güvenlikten otomasyona ve analitiğe kadar birçok sektördeki uygulamalarda kullanılabilir.

Şekil 3. YOLO11'i bir görüntüdeki kişileri bölütlemek için kullanmaya dair 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.

YOLO11, her biri farklı görevler için optimize edilmiş çeşitli model boyutlarında mevcuttur. Performans testi, hangi sürümün özel ihtiyaçlarına en uygun olduğunu belirlemene yardımcı olur. Örneğin, performans testinin ortaya çıkarabileceği önemli bir içgörü, nano veya small gibi daha küçük modellerin daha hızlı çalışma eğiliminde olduğu ancak doğruluktan biraz ödün verebileceğidir.

Link to this sectionYOLO11 gibi YOLO modelleri için performans testi nasıl yapılır#

Artık performans testinin ne olduğunu ve önemini anladığımıza göre, YOLO11 gibi YOLO modellerini nasıl performans testine tabi tutabileceğini ve değerli içgörüler elde etmek için verimliliklerini nasıl değerlendirebileceğini adım adım inceleyelim.

Başlamak için, terminalinde veya komut isteminde “pip install ultralytics” komutunu çalıştırarak Ultralytics Python paketini kurabilirsin. Kurulum sırasında herhangi bir sorunla karşılaşırsan, sorun giderme ipuçları için Yaygın Sorunlar Kılavuzumuza göz at.

Paket kurulduktan sonra, sadece birkaç satır Python koduyla YOLO11'i kolayca performans testine tabi tutabilirsin:

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.

Kodda bahsedilen “coco8.yaml”, COCO8 (Common Objects in Context) veri setini temel alan bir veri seti yapılandırma dosyasına atıfta bulunur; bu, genellikle test ve deneme için kullanılan, tam COCO veri setinin küçük bir örnek sürümüdür.

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

Link to this sectionYOLO11 performans testi çıktılarını anlama#

YOLO11 performans testine tabi tutulduktan sonra, bir sonraki adım sonuçları yorumlamaktır. Performans testini çalıştırdıktan sonra, sonuçlarda çeşitli sayılar göreceksin. Bu metrikler, YOLO11'in doğruluk ve hız açısından ne kadar iyi performans gösterdiğini değerlendirmene yardımcı olur.

İşte dikkat etmen gereken bazı önemli YOLO11 performans testi metrikleri:

• 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.

Şekil 4. YOLO11'in performans testi sonuçlarını gösteren bir grafik.

Link to this sectionYOLO11'i performans testine tabi tutarken göz önünde bulundurulması 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.
• Dışa aktarma formatları: Modeli TensorRT gibi bir formata dönüştürmek, belirli donanımlarda çok daha hızlı çalışmasını sağlayabilir. Bu, belirli cihazlarda hız için optimize yapıyorsan faydalıdır.

Link to this sectionFarklı donanımlarda YOLO11 için performans testi nasıl yapılır#

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 formatı çeşitli ortamlarda performansı hızlandırabilir. Diğer 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 performans testine tabi tutabileceğine bir bakalım. Aşağıdaki kod, YOLO11'i hem CPU'larda hem de GPU'larda yapay zeka modellerini çalıştırmak için yaygın olarak kullanılan ONNX formatında performans testine tabi tutar.

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")

Performans testi sonuçlarının ötesinde, doğru formatı seçmek sisteminin özelliklerine ve konuşlandırma ihtiyaçlarına bağlıdır. Örneğin, sürücüsüz arabaların hızlı nesne algılamaya ihtiyacı vardır. Performansı hızlandırmak için NVIDIA GPU'ları kullanmayı planlıyorsan, TensorRT formatı, YOLO11'i bir NVIDIA GPU üzerinde çalıştırmak için ideal seçimdir.

Şekil 5. Sürücüsüz arabalarda nesne algılama için YOLO11 kullanımı.

Link to this sectionÖne 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, YOLO11'i ister üst düzey bir GPU'da ister yerel olarak bir uç cihazda çalıştır, en iyi performans için ince ayar yapmanı sağlar.

Topluluğumuzla bağlantı kur ve GitHub depomuzdaki en son teknoloji yapay zeka projelerini keşfet. Tarımda yapay zekanın etkisini ve üretimde bilgisayarlı görünün rolünü çözüm sayfalarımız aracılığıyla öğren. Lisans planlarımızı incele ve yapay zeka yolculuğuna hemen başla!