Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Hangisini kullanmalısın?

Çok ileri düzey computer vision sistemleri, genellikle evrişimli sinir ağları (CNN) tarafından desteklenir ve makinelerin görüntü ile videolardan görsel verileri analiz edip yorumlamasını sağlar; günümüzde çok çeşitli ortamlarda kullanılmaktadır.

Tarım sektöründen üretime ve perakendeye kadar bu sistemler; uç cihazlar, gömülü donanımlar, Nesnelerin İnterneti (IoT) cihazları, cihaz içi işleme ve gerçek zamanlı uygulamaları destekleyen büyük ölçekli bulut boru hatları dahil olmak üzere çeşitli dağıtım ortamlarında çalışır.

Gerçek dünya kullanımında, bu modelleri devreye almak her zaman basit değildir. Genellikle sınırlı hesaplama gücüyle çalışmak, katı gecikme gereksinimlerini karşılamak ve maliyetleri önemli ölçüde artırmadan ölçeklenmek zorundadırlar. Bu kısıtlamalar, performansı sadece doğrulukla ilgili değil, çok boyutlu bir problem haline getirir.

Doğruluk hala önemli olsa da, bir modelin üretim aşamasında verimli çalışması da aynı derecede önemlidir. Hız, kaynak kullanımı ve ölçeklenebilirlik gibi faktörler, bir sistemin zaman içinde ne kadar iyi performans göstereceğinde büyük rol oynar.

Computer vision modelleri, Ultralytics YOLO models gibi, bu denge göz önünde bulundurularak gelişmiştir. Örneğin, Ultralytics YOLOv8 güçlü ve çok yönlü bir temel oluşturmuş, Ultralytics YOLO11 gelişmiş hız ve doğrulukla bunu bir adım öteye taşımış ve Ultralytics YOLO26 ise her zamankinden daha hafif, daha hızlı ve daha verimli olarak bunun üzerine inşa edilmiştir.

Şekil 1. Bir görüntüdeki nesneleri tespit etmek için Ultralytics YOLO26 kullanılması (Kaynak)

Bu makalede, bilgisayarlı görü projen için doğru modeli seçmene yardımcı olmak amacıyla Ultralytics YOLO26, YOLO11 ve YOLOv8'i karşılaştıracağız. Hadi başlayalım!

Ultralytics YOLO modellerinin nasıl evrildiğini anlamak#

Ultralytics YOLO modellerinin her yinelemesi, gerçek dünya gereksinimlerini daha iyi karşılamak ve bilgisayarlı görüyü daha erişilebilir kılmak için iyileştirmeler getirmiştir. Bu güncellemeler modelleri daha hızlı, daha verimli ve dağıtımı daha kolay hale getirerek vision AI ekosisteminin büyümesini desteklemiştir.

Ayrıca PyTorch üzerine inşa edilmiş olmaları sayesinde eğitilmeleri, özelleştirilmeleri ve akıllı makine öğrenimi iş akışlarına entegre edilmeleri kolaydır. Ultralytics YOLO modelleri kutudan çıktığı haliyle, genellikle COCO veri kümesi gibi veri kümeleri üzerinde eğitilmiş önceden eğitilmiş modeller olarak sunulur; bu da ekiplerin hızlıca başlamasına ve belirli kullanım durumları için ince ayar yapmasına olanak tanır.

Buna ek olarak, Ultralytics Python package modelleri ONNX ve TensorRT gibi formatlara dışarı aktarmak için yerleşik destek sağlayarak dağıtımı basitleştirir. Bu, uç cihazlardan GPU hızlandırmalı sistemlere kadar modellerin farklı donanım platformlarında entegre edilmesini kolaylaştırır.

Ultralytics YOLOv5'ten Ultralytics YOLO26'ya geçiş#

İlk Ultralytics YOLO modeli olan Ultralytics YOLOv5, güvenilir nesne tespiti yetenekleriyle geniş çapta popüler hale geldi. Tek aşamalı bir tespit yaklaşımı üzerine inşa edilen bu model, tek bir geçişte hızlı, gerçek zamanlı tahminler yapılmasını sağlayarak üretim iş akışları için son derece uygun olmuştur.

Daha sonraki güncellemeler, modelin önceden tanımlanmış çapa kutuları (anchor boxes) yerine nesne konumlarını doğrudan tahmin ettiği, algılamayı daha esnek hale getiren çapa-bağımsız (anchor-free) değişkenleri tanıttı. Ancak orijinal model temel olarak nesne algılama görevlerine odaklanmaya devam etti.

Bu temel üzerine inşa edilen Ultralytics YOLOv8, model ailesinin kapsamını genişletti. Sadece nesne tespiti üzerine odaklanmak yerine, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi birden fazla computer vision tasks için destek ekledi. Ayrıca, gelişmiş ana omurga ve boyun tasarımları dahil olmak üzere mimari iyileştirmeler getirerek özellik çıkarımını ve genel tespit performansını artırdı.

Bunun ötesinde, YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) ve YOLOv8x (Extra Large) gibi değişkenler, geliştiricilere hız, doğruluk ve kaynak kullanımı dengesini ihtiyaçlarına göre ayarlama esnekliği sağladı. Bu daha geniş yetenek, kullanım kolaylığıyla birleşince, onu çok çeşitli görsel uygulamalar için tercih edilen bir seçenek haline getirdi.

Şekil 2. YOLOv8, YOLO11 ve YOLO26 gibi YOLO modelleri bir dizi görsel görevi destekler.

Bunu takiben Ultralytics YOLO11, gerçek dünya iş akışlarında performansı artırmaya odaklanarak daha yüksek doğruluk ve daha hızlı çıkarım hızları sundu. Daha hafif bir mimariyle, hem uç hem de bulut ortamlarında iyi çalışırken mevcut YOLOv8 boru hatlarıyla uyumludur.

Ultralytics YOLO model ailesinin en yeni üyesi olan YOLO26, uç odaklı vision AI için yeni bir standart belirleyen, gerçek dünya dağıtımı için daha hafif, daha hızlı ve daha verimli bir yaklaşım sunan son teknoloji ürünü bir modeldir. CPU'lar ve gömülü sistemler üzerinde verimli bir şekilde çalışacak şekilde tasarlanırken, aynı zamanda dağıtımı basitleştirir ve çok çeşitli uygulamalarda gerçek zamanlı performansı artırır.

YOLO26 vs YOLO11 vs YOLOv8 karşılaştırması#

Bilgisayarlı görü projeleri üzerinde çalışırken, farklı Ultralytics modelleriyle karşılaşabilir ve hangisinin projen için doğru olduğunu merak edebilirsin. Şimdi YOLO26, YOLO11 ve YOLOv8'in gerçek dünya senaryolarında nasıl karşılaştırıldığına bir bakalım.

Ultralytics YOLOv8 2023 yılında yayınlandı ve o zamandan beri bilgisayarlı görü topluluğu tarafından yaygın olarak kullanılıyor. Güçlü topluluk desteği ve kullanım kolaylığı, geçmişte birçok ekip için onu başvurulan bir model haline getirdi. Geniş bir eğitim, kılavuz ve topluluk kaynağı yelpazesine sahip, iyi belgelenmiş bir model arıyorsan YOLOv8 harika bir başlangıç noktasıdır.

2024 yılında Ultralytics YOLO11, hem performans hem de verimlilik iyileştirmeleriyle tanıtıldı. Daha küçük ve daha optimize edilmiş bir mimariyi korurken YOLOv8'e kıyasla daha iyi hız ve doğruluk sunar. Kaynak kullanımını önemli ölçüde artırmadan üretimde güvenilir bir şekilde çalışan daha dengeli bir modeldir.

Bu yıl, ölçekte verimli dağıtıma odaklanan en son yineleme olarak Ultralytics YOLO26 piyasaya sürüldü. Daha hızlı CPU çıkarımı ve iyileştirilmiş kaynak kullanımı sunarak ekiplerin aynı donanımda daha fazla iş yükü çalıştırmasını sağlar.

Örneğin, Ultralytics YOLO26 nano modeli, merkezi işlem birimlerinde (CPU) YOLO11'e göre %43'e varan oranda daha hızlı çıkarım elde edebilir; bu da onu uç ve kaynak kısıtlı ortamlar için harika bir seçenek haline getirir. Bu, geleneksel kurulumların genellikle maliyetli ve ölçeklendirilmesi daha zor olabilen grafik işleme birimlerine (GPU) büyük ölçüde güvenmesi nedeniyle özellikle hayati önem taşır.

Şekil 3. YOLO26'nın CPU'larda nasıl performans gösterdiğinin kıyaslanması (Kaynak)

Genel olarak Ultralytics YOLO26; performans, maliyet ve ölçeklenebilirlik arasındaki dengeleri optimize etmek isteyen ekipler ve bireyler için sağlam bir seçimdir.

Ultralytics YOLO26'ya daha yakından bir bakış#

Ultralytics YOLO26, verimlilik, hız ve ölçeklenebilirliğin doğruluk kadar önemli olduğu gerçek dünya dağıtımları için tasarlanmış son teknoloji bir modeldir. Yalnızca kıyaslama performansını iyileştirmeye odaklanmak yerine, modellerin çalıştırılmasını daha kolay, dağıtılmasını daha hızlı ve farklı donanım ortamlarında daha güvenilir hale getiren mimari ve eğitim değişiklikleri sunar.

Bu iyileştirmeler, sınırlı bilgi işlem gücünün, gecikme kısıtlamalarının ve maliyet hususlarının kilit rol oynadığı uç nokta ve üretim sistemleri için özellikle önemlidir. Çıkarımı basitleştirerek ve performansı optimize ederek Ultralytics YOLO26, yapay zeka meraklılarının vizyon uygulamalarını daha verimli bir şekilde oluşturmasını ve ölçeklendirmesini sağlar.

İşte Ultralytics YOLO26’nın temel özelliklerinden bazılarına daha yakından bir bakış:

• Uçtan uca NMS'siz çıkarım: En önemli değişikliklerden biri, son işlem (post-processing) ihtiyacını ortadan kaldıran Non-Maximum Suppression-free (NMS) design tasarımıdır. Basit bir ifadeyle, model doğrudan nihai tahminleri üretir. Sonuç olarak, gecikme daha öngörülebilir hale gelir ve dağıtım kolaylaşır.
• DFL kaldırma: Ultralytics YOLO26, Distribution Focal Loss (DFL) modülünden uzaklaşarak daha basit bir sınırlayıcı kutu tahmin yaklaşımına yönelir. Bu değişiklik, uçtan uca, NMS-free tasarımıyla uyum sağlayarak boru hattı karmaşıklığını azaltır ve dağıtım tutarlılığını artırır.
• MuSGD optimize edicisi: En son Ultralytics YOLO modelleri, Stokastik Gradyan İnişini (SGD) Muon esintili güncellemelerle birleştiren hibrit bir optimize edici olan MuSGD'yi tanıtır. Bu, eğitim kararlılığını ve yakınsamasını iyileştirerek daha pürüzsüz optimizasyon ve farklı model boyutlarında daha tutarlı davranış sağlar.
• ProgLoss ve STAL: Bu training innovations, Kademeli Kayıp Dengeleme (ProgLoss) ve Küçük Nesne Duyarlı Etiket Atama (STAL), modeli daha kararlı ve güvenilir hale getirir. ProgLoss, modelin veri kümelerinden zaman içinde aşamalı olarak öğrenmesine yardımcı olurken, STAL eğitim sırasında küçük nesnelerin göz ardı edilmemesini sağlayarak karmaşık sahnelerdeki tespiti iyileştirir.

Doğruluk vs verimlilik: Kıyaslamaların ötesinde gerçek dünya performansı#

YOLO26, YOLO11 ve YOLOv8 arasındaki farkları bağlamına oturtmak için, gerçek dünya kullanımında model performansını yönlendiren faktörleri daha iyi anlayalım.

Genellikle ortalama hassasiyet (mAP) gibi performans metrikleri ile ölçülen doğruluk, uzun zamandır bilgisayarlı görü modellerini değerlendirmenin önemli bir yolu olmuştur. Bir modelin standart koşullar altında nasıl performans gösterdiğini gösterir ve farklı sürümleri karşılaştırırken kullanışlıdır.

Ancak modeller test aşamasından gerçek dünya dağıtımına geçtiğinde, sadece doğruluk yeterli olmaz. Üretim performansı; model boyutu, çıkarım süresi veya gecikme, hesaplama kullanımı ve bir sistemin farklı ortamlarda ne kadar iyi ölçeklenebileceği gibi faktörlere bağlıdır.

Kontrollü kıyaslamaların aksine, gerçek dünya ortamları genellikle tahmin edilemezdir. Aydınlatma koşulları değişebilir, nesneler kısmen görünebilir ve girdi verileri modelin eğitildiği verilerden önemli ölçüde farklılık gösterebilir. Bu değişimler, bir modelin pratikte ne kadar tutarlı performans gösterdiğini etkileyebilir.

Şekil 4. Ultralytics YOLO26'nın şantiye gibi öngörülemeyen bir ortamda kullanımına dair bir örnek.

Örneğin, akıllı bir şehirde, perakende mağazasında veya depoda yüzlerce kameranın bulunduğu bir kurulum düşün. Her akışın gerçek zamanlı olarak işlenmesi gerekir ve genellikle gecikmeleri veya düşen kareleri önlemek için tutarlı kare hızları (saniye başına kare, yani FPS) gerekir.

Daha az verimli bir model, belirli bir sistemde daha az eşzamanlı akışı işleyebilir, bu da ölçeklendirmenin genellikle ek donanım gerektirdiği ve altyapı maliyetlerini artırdığı anlamına gelir.

Ultralytics YOLO26 gibi daha verimli modeller, aynı donanım üzerinde daha fazla akışı işleyebilir ve mevcut kaynaklardan daha iyi yararlanılmasını sağlar. Bu, genel sistem verimliliğini artırır ve zaman içinde dağıtımları ölçeklendirmeyi kolaylaştırır.

YOLO26 ile YOLO11 ve YOLOv8 hakkında daha derinlemesine bilgi edinmek için official Ultralytics docs göz at.

Öne çıkanlar#

Ultralytics YOLO model serisi, gerçek dünya dağıtım ihtiyaçlarına daha iyi uyum sağlamak için evrimleşti. Her sürüm, verimlilik, ölçeklenebilirlik ve dağıtım kolaylığına giderek artan bir odaklanma ile bir öncekinin üzerine inşa edilmiştir. Başka bir deyişle, ölçekli bir şekilde güvenilir bir şekilde çalışması gereken gerçek zamanlı bir algılama uygulaması oluşturuyorsan, Ultralytics YOLO26 mükemmel bir seçimdir.

Görüntü tabanlı yapay zekayı operasyonlarına taşımak mı istiyorsun? licensing options göz at. Ayrıca AI in manufacturing fabrikaları nasıl dönüştürdüğünü ve vision AI in robotics geleceği nasıl şekillendirdiğini görmek için çözüm sayfalarımızı ziyaret edebilirsin. Büyüyen community topluluğumuza katıl ve yapay zeka kaynakları için GitHub repository deponu keşfet.