Ultralytics , YOLO11 YOLOv8: Hangisini kullanmalısınız?

Genellikle evrişimli sinir ağları (CNN) ile çalışan son teknoloji bilgisayar görme sistemleri, makinelerin görüntü ve videolardan elde edilen görsel verileri analiz etmesini ve yorumlamasını sağlıyor ve şu anda çok çeşitli ortamlarda kullanıma sunuluyor. 

Tarımdan imalata ve perakendeye kadar, bu sistemler uç cihazlar, gömülü donanım, Nesnelerin İnterneti (IoT) cihazları, cihaz üzerinde işleme ve gerçek zamanlı uygulamaları destekleyen büyük ölçekli bulut iş akışları dahil olmak üzere çok çeşitli dağıtım ortamlarında çalışmaktadır.

Gerçek hayatta bu modelleri devreye almak her zaman kolay değildir. Genellikle sınırlı hesaplama gücüyle çalışabilmeleri, katı gecikme süreleri gereksinimlerini karşılamaları ve maliyetleri önemli ölçüde artırmadan ölçeklenebilmeleri gerekir. Bu kısıtlamalar, performansı yalnızca doğrulukla ilgili bir sorun olmaktan çıkarıp çok boyutlu bir sorun haline getirir.

Doğruluk her ne kadar önemli olsa da, bir modelin üretim ortamında verimli bir şekilde çalışması da aynı derecede önemlidir. Hız, kaynak kullanımı ve ölçeklenebilirlik gibi faktörler, bir sistemin zaman içinde ne kadar iyi performans göstereceği konusunda büyük rol oynar.

Ultralytics YOLO gibi bilgisayar görme modelleri, bu dengeyi göz önünde bulundurarak geliştirilmiştir. Örneğin, Ultralytics YOLOv8 güçlü ve çok yönlü bir temel oluşturdu, Ultralytics YOLO11 hız ve doğruluğu artırarak bir adım daha ileri gitti ve Ultralytics , her zamankinden daha hafif, daha hızlı ve daha verimli olarak bu temeli daha da geliştirdi.

Bu makalede, bilgisayar görme projeniz için doğru modeli seçmenize yardımcı YOLOv8 Ultralytics , YOLO11 YOLOv8 YOLO11 karşılaştıracağız. Hadi başlayalım!

Ultralytics YOLO nasıl geliştiğini anlamak

Ultralytics YOLO her yeni sürümü, gerçek dünyadaki gereksinimleri daha iyi karşılamak ve bilgisayar görme teknolojisini daha erişilebilir hale getirmek amacıyla iyileştirmeler getirmiştir. Bu güncellemeler, modelleri daha hızlı, daha verimli ve daha kolay uygulanabilir hale getirerek görme yapay zeka ekosisteminin büyümesini desteklemiştir. 

Ayrıca PyTorch üzerine inşa edilmiş olmaları sayesinde, bu modellerin eğitilmesi, özelleştirilmesi ve akıllı makine öğrenimi iş akışlarına entegre edilmesi kolaydır. Ultralytics YOLO , kullanıma hazır olarak önceden eğitilmiş modeller halinde sunulur; bu modeller genellikle COCO gibi veri kümeleri üzerinde eğitilmiştir. Bu sayede ekipler hızlı bir şekilde çalışmaya başlayabilir ve modelleri belirli kullanım senaryolarına göre ince ayar yapabilir.

Bunun yanı sıra, Ultralytics Python , modelleri ONNX TensorRT gibi formatlara aktarmak için yerleşik destek sunarak dağıtımı kolaylaştırır. Bu sayede, uç cihazlardan GPU sistemlere kadar farklı donanım platformları arasında modelleri entegre etmek daha kolay hale gelir.

Ultralytics YOLOv5 'ten Ultralytics YOLOv5 geçiş

İlk Ultralytics YOLO , Ultralytics YOLOv5, güvenilir nesne algılama yetenekleriyle büyük popülerlik kazandı. Tek aşamalı bir algılama yaklaşımı üzerine inşa edilen bu model, tek geçişte hızlı, gerçek zamanlı tahminler yapmayı mümkün kıldı ve bu özelliği sayesinde üretim iş akışları için son derece uygun hale geldi. 

Daha sonraki güncellemelerle, modelin önceden tanımlanmış bağlantı kutuları kullanmak yerine nesnelerin konumlarını doğrudan tahmin ettiği bağlantı noktası içermeyen varyantlar getirildi; bu da algılamayı daha esnek hale getirdi. Bununla birlikte, orijinal model esas olarak nesne algılama görevlerine odaklanmaya devam etti.

Bu temele dayanarak YOLOv8 , model ailesinin kapsamını YOLOv8 . Yalnızca nesne algılamaya odaklanmak yerine, örnek segmentasyonu, görüntü sınıflandırması, duruş tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi çok sayıda bilgisayar görme görevine destek ekledi. Ayrıca, gelişmiş backbone boyun tasarımları da dahil olmak üzere mimari iyileştirmeler getirerek özellik çıkarma ve genel algılama performansını artırdı. 

Bunun ötesinde, YOLOv8n Nano), YOLOv8s Small), YOLOv8m Medium), YOLOv8l Large) ve YOLOv8x Extra Large) gibi varyantlar, geliştiricilere ihtiyaçlarına göre hız, doğruluk ve kaynak kullanımı arasında denge kurma esnekliği sağladı. Bu genişletilmiş yetenek, kullanım kolaylığıyla birleştiğinde, onu çok çeşitli görüntü işleme uygulamaları için tercih edilen bir seçenek haline getirdi.

Bunun ardından YOLO11 , gerçek dünya iş akışlarında performansı artırmaya YOLO11 daha yüksek doğruluk ve daha hızlı çıkarım hızları sağladı. Daha hafif bir mimariye sahip olan bu model, hem uç hem de bulut ortamlarında sorunsuz bir şekilde çalışırken, mevcut YOLOv8 da uyumludur.

Ultralytics YOLO ailesinin en yeni üyesi olan YOLO26, uç cihaz odaklı görsel yapay zeka alanında yeni bir standart belirleyen, gerçek dünyadaki uygulamalara daha hafif, daha hızlı ve daha verimli bir yaklaşım sunan son teknoloji bir modeldir. Bu model, CPU’larda ve gömülü sistemlerde verimli bir şekilde çalışacak şekilde tasarlanmış olup, çok çeşitli uygulamalarda kurulum sürecini basitleştirirken gerçek zamanlı performansı da artırmaktadır.

YOLO26, YOLO11 YOLOv8'in Karşılaştırılması

Bilgisayar görme projelerinde çalışırken, çeşitli Ultralytics karşılaşabilir ve projeniz için hangisinin uygun olduğunu merak edebilirsiniz. YOLO26, YOLO11 YOLOv8 YOLO11 gerçek hayattaki senaryolarda nasıl YOLOv8 inceleyelim.

YOLOv8 , 2023 yılında YOLOv8 ve o zamandan beri bilgisayar görme topluluğu tarafından yaygın olarak kullanılıyor. Güçlü topluluk desteği ve kullanım kolaylığı, onu geçmişte birçok ekip için tercih edilen bir model haline getirdi. Kapsamlı öğreticiler, kılavuzlar ve topluluk kaynakları içeren, iyi belgelenmiş bir model arıyorsanız, YOLOv8 harika bir başlangıç YOLOv8 .

2024 yılında, hem performans hem de verimlilik açısından iyileştirmeler içeren YOLO11 . YOLOv8 kıyasla daha yüksek hız ve doğruluk sunarken, daha küçük ve daha optimize edilmiş bir mimariye sahiptir. Kaynak kullanımını önemli ölçüde artırmadan üretim ortamında güvenilir bir şekilde çalışan, daha dengeli bir modeldir. 

Bu yıl, büyük ölçekte verimli dağıtım odaklı en yeni sürümü olan YOLO26 piyasaya sürüldü. Daha hızlı CPU ve iyileştirilmiş kaynak kullanımı sunarak, ekiplerin aynı donanım üzerinde daha fazla iş yükü çalıştırmasına olanak tanıyor. 

Örneğin, YOLO26 nano modeli, merkezi işlem YOLO11 (CPU) YOLO11 kıyasla %43'e varan oranda daha hızlı çıkarım yapabilir; bu da onu uç cihazlar ve kaynak kısıtlı ortamlar için mükemmel bir seçenek haline getirir. Geleneksel kurulumlar genellikle grafik işlem birimlerine (GPU) büyük ölçüde bağımlı olduğundan, bu durum özellikle önemlidir; zira GPU'lar maliyetli olabilir ve ölçeklendirilmesi daha zor olabilir. 

Genel olarak, YOLO26, performans, maliyet ve ölçeklenebilirlik arasındaki dengeleri en iyi şekilde ayarlamak isteyen ekipler ve bireyler için sağlam bir seçimdir.

Ultralytics 'ya daha yakından bir bakış

YOLO26, doğruluk kadar verimlilik, hız ve ölçeklenebilirliğin de önemli olduğu gerçek dünya uygulamaları için tasarlanmış son teknoloji bir modeldir. YOLO26, yalnızca karşılaştırma testlerindeki performansı artırmaya odaklanmak yerine, modellerin çalıştırılmasını kolaylaştıran, dağıtımını hızlandıran ve farklı donanım ortamlarında daha güvenilir hale getiren mimari ve eğitim değişiklikleri getirir.

Bu iyileştirmeler, sınırlı hesaplama kapasitesi, gecikme süreleri ve maliyet faktörlerinin önemli bir rol oynadığı uç ve üretim sistemleri için özellikle önemlidir. YOLO26, çıkarım işlemlerini basitleştirerek ve performansı optimize ederek, yapay zeka meraklılarının görsel uygulamaları daha verimli bir şekilde geliştirip ölçeklendirmelerini sağlar.

YOLO26’nın bazı temel özelliklerine daha yakından bakalım:

• Uçtan uca NMS çıkarım: En önemli değişikliklerden biri, sonradan işleme ihtiyacını ortadan kaldıran Non-Maximum Suppression'sız (NMS) tasarımıdır. Basitçe ifade etmek gerekirse, model nihai tahminleri doğrudan üretir. Sonuç olarak, gecikme süresi daha öngörülebilir hale gelir ve devreye alma işlemi kolaylaşır.
• DFL'nin kaldırılması: YOLO26, Dağılım Odaklı Kayıp (DFL) modülünden uzaklaşarak daha basit bir sınırlayıcı kutu tahmin yaklaşımına geçmektedir. Bu değişiklik, modelin uçtan uca ve NMS tasarımıyla uyumludur; bu sayede iş akışının karmaşıklığı azalır ve dağıtım tutarlılığı artar.
• MuSGD optimizörü: Ultralytics en yeni YOLO , Stokastik Gradyan İnişi (SGD) ile Muon’dan esinlenen güncellemeleri birleştiren bir hibrit optimizör olan MuSGD’yi sunuyor. Bu, eğitim istikrarını ve yakınsamayı artırarak, farklı model boyutlarında daha sorunsuz bir optimizasyon ve daha tutarlı bir davranış sağlıyor.
• ‍ProgLoss ve STAL: Progressive Loss Balancing (ProgLoss) ve Small-Target-Aware Label Assignment (STAL) adlı bu eğitim yenilikleri, modeli daha istikrarlı ve güvenilir hale getirir. ProgLoss, modelin veri kümelerinden zaman içinde aşamalı olarak öğrenmesine yardımcı olurken, STAL ise eğitim sırasında küçük nesnelerin göz ardı edilmemesini sağlayarak karmaşık sahnelerde algılama performansını artırır.

Doğruluk ve verimlilik: Karşılaştırma testlerinin ötesinde, gerçek hayattaki performans

YOLO26, YOLO11 ve YOLOv8 arasındaki farkları YOLOv8 , gerçek dünya uygulamalarında model performansını etkileyen faktörleri daha yakından inceleyelim.

Genellikle ortalama hassasiyet (mAP) gibi performans ölçütleriyle değerlendirilen doğruluk, uzun süredir bilgisayar görme modellerini değerlendirmek için önemli bir yöntem olmuştur. Bu ölçüt, bir modelin standart koşullar altında ne kadar iyi performans gösterdiğini ortaya koyar ve farklı sürümleri karşılaştırırken faydalıdır.

Ancak modeller test aşamasından gerçek ortamda kullanıma geçtiğinde, sadece doğruluk yeterli olmaz. Üretim ortamındaki performans, model boyutu, çıkarım süresi veya gecikme süresi, hesaplama kullanımı ve sistemin farklı ortamlarda ne kadar iyi ölçeklenebildiği gibi faktörlere bağlıdır.

Kontrollü test ortamlarının aksine, gerçek dünya ortamları genellikle öngörülemez niteliktedir. Işık koşulları değişebilir, nesneler kısmen görünür olabilir ve girdi verileri, modelin eğitildiği verilerden önemli ölçüde farklılık gösterebilir. Bu farklılıklar, bir modelin pratikte ne kadar tutarlı bir performans sergilediğini etkileyebilir.

Örneğin, akıllı bir şehirde, perakende mağazasında veya depoda yüzlerce kameradan oluşan bir sistemi düşünün. Her bir video akışının gerçek zamanlı olarak işlenmesi gerekir; bu da gecikmeleri veya kare kayıplarını önlemek için genellikle sabit kare hızları (saniye başına kare sayısı veya FPS) gerektirir. 

Verimliliği daha düşük bir model, belirli bir sistemde daha az sayıda eşzamanlı akışı işleyebilir; bu da ölçeklendirme için genellikle ek donanım gerektirdiği ve altyapı maliyetlerini artırdığı anlamına gelir.

YOLO26 gibi daha verimli modeller, aynı donanım üzerinde daha fazla veri akışını işleyerek mevcut kaynakları daha iyi kullanabilir. Bu, genel sistem verimliliğini artırır ve zaman içinde dağıtımların ölçeklendirilmesini kolaylaştırır.

YOLO26, YOLO11 YOLOv8 modellerini daha ayrıntılı incelemek için Ultralytics resmi Ultralytics göz atın.

Önemli çıkarımlar 

Ultralytics YOLO serisi, gerçek dünyadaki uygulama ihtiyaçlarına daha iyi uyum sağlamak üzere geliştirilmiştir. Her sürüm bir öncekini temel alarak, verimlilik, ölçeklenebilirlik ve uygulama kolaylığına giderek daha fazla ağırlık vermektedir. Diğer bir deyişle, büyük ölçekte güvenilir bir şekilde çalışması gereken bir gerçek zamanlı algılama uygulaması geliştiriyorsanız, Ultralytics mükemmel bir seçimdir.

İşletmenize görsel yapay zeka entegre etmek mi istiyorsunuz? Lisans seçeneklerimizi inceleyin. Ayrıca çözüm sayfalarımızı ziyaret ederek, imalat sektöründeki yapay zekanın fabrikaları nasıl dönüştürdüğünü ve robotikteki görsel yapay zekanın geleceği nasıl şekillendirdiğini görebilirsiniz. Büyüyen topluluğumuza katılın ve yapay zeka kaynakları için GitHub depomuzu keşfedin.