Ultralytics YOLO26 ile YOLO11 ile YOLOv8 karşılaştırması: Hangisini kullanmalısın?

Genellikle evrişimli sinir ağları (CNN'ler) ile desteklenen gelişmiş bilgisayarlı görü sistemleri, makinelerin görüntülerden ve videolardan görsel verileri analiz etmesini ve yorumlamasını sağlar; artık çok çeşitli ortamlarda kullanılıyorlar.

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

Gerçek dünyadaki kullanımda, bu modelleri dağıtmak her zaman basit değildir. Genellikle sınırlı hesaplama gücüyle çalışmaları, katı gecikme gereksinimlerini karşılamaları ve maliyetleri önemli ölçüde artırmadan ölçeklenmeleri gerekir. Bu kısıtlamalar performansı yalnızca doğrulukla ilgili olmaktan çıkarıp çok boyutlu bir sorun haline getirir.

Doğruluk hala 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 göstereceğinde büyük bir rol oynar.

Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleri, bu denge göz önünde bulundurularak geliştirilmiştir. Örneğin, Ultralytics YOLOv8 güçlü ve çok yönlü bir temel oluşturdu, Ultralytics YOLO11 geliştirilmiş hız ve doğruluk ile bunu bir adım öteye taşıdı ve Ultralytics YOLO26 ise eskisinden daha hafif, daha hızlı ve daha verimli hale gelerek bunun üzerine inşa edildi.

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

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

Link to this sectionUltralytics YOLO modellerinin nasıl geliştiğini anlamak#

Ultralytics YOLO modellerinin her sürümü, gerçek dünya gereksinimlerini daha iyi karşılamak ve bilgisayarlı görüyü daha erişilebilir kılmak için iyileştirmeler getirmiştir. Bu güncellemeler, modelleri daha hızlı, daha verimli ve dağıtılması daha kolay hale getirerek görü yapay zeka 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 hızlı bir şekilde başlamasına ve bunları belirli kullanım durumları için ince ayar yapmasına olanak tanır.

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

Link to this sectionUltralytics YOLOv5'ten Ultralytics YOLO26'ya geçiş#

İlk Ultralytics YOLO modeli olan Ultralytics YOLOv5, güvenilir nesne tespiti yetenekleriyle geniş çapta popüler oldu. Tek aşamalı bir tespit yaklaşımı üzerine kurulu olan bu model, tek bir geçişte hızlı ve gerçek zamanlı tahminler sağlayarak üretim iş akışları için çok uygun hale geldi.

Daha sonraki güncellemeler, modelin önceden tanımlanmış çapa kutuları (anchor boxes) kullanmak yerine nesne konumlarını doğrudan tahmin ettiği çapasız (anchor-free) varyantları tanıttı ve bu da tespiti daha esnek hale getirdi. Ancak orijinal model temel olarak nesne tespiti görevlerine odaklanmaya devam etti.

Bu temelin üzerine inşa edilen YOLOv8, model ailesinin kapsamını genişletti. Yalnızca nesne tespitine odaklanmak yerine, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespiti gibi birden fazla bilgisayarlı görü görevi desteği ekledi. Ayrıca, özellik çıkarımını ve genel tespit performansını artıran gelişmiş omurga (backbone) ve boyun (neck) tasarımları dahil olmak üzere mimari iyileştirmeler getirdi.

Bunun ötesinde, YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) ve YOLOv8x (Extra Large) gibi varyantlar, geliştiricilere hız, doğruluk ve kaynak kullanımı arasında ihtiyaçlarına göre denge kurma esnekliği sağladı. Bu daha geniş yetenek, kullanım kolaylığıyla birleşince, çok çeşitli görü uygulamaları için tercih edilen bir seçenek haline geldi.

Şekil 2. YOLOv8, YOLO11 ve YOLO26 gibi YOLO modelleri bir dizi görü görevini destekler.

Bunu takiben YOLO11, gerçek dünya iş akışlarında performansı artırmaya odaklanarak daha hızlı çıkarım hızlarıyla birlikte daha yüksek doğruluk sundu. Daha hafif bir mimariyle hem uç hem de bulut ortamlarında iyi çalışırken, mevcut YOLOv8 hatlarıyla da uyumluluğunu korudu.

Ultralytics YOLO model ailesinin en yeni üyesi olan YOLO26, uç öncelikli yapay zeka için yeni bir standart belirleyen, gerçek dünya dağıtımı için daha hafif, daha hızlı ve daha verimli bir yaklaşım sunan son teknoloji bir modeldir. CPU'lar ve gömülü sistemler üzerinde verimli bir şekilde çalışacak şekilde tasarlanmış olup, dağıtımı basitleştirir ve çok çeşitli uygulamalarda gerçek zamanlı performansı artırır.

Link to this sectionYOLO26, YOLO11 ve YOLOv8 karşılaştırması#

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

YOLOv8 2023 yılında piyasaya sürüldü ve o zamandan beri bilgisayarlı görü topluluğu tarafından yaygın olarak kullanılıyor. Güçlü topluluk desteği ve kullanım kolaylığı, onu geçmişte birçok ekip için gidilecek model haline getirdi. Çok çeşitli eğitimler, kılavuzlar ve topluluk kaynaklarıyla iyi belgelenmiş bir model arıyorsan, YOLOv8 harika bir başlangıç noktasıdır.

2024'te YOLO11, hem performans hem de verimlilik iyileştirmeleriyle tanıtıldı. YOLOv8'e kıyasla daha iyi hız ve doğruluk sunarken, daha küçük ve daha optimize edilmiş bir mimariyi koruyor. Kaynak kullanımını önemli ölçüde artırmadan üretimde güvenilir bir şekilde performans gösteren daha dengeli bir modeldir.

Bu yıl, ölçekli olarak verimli dağıtıma odaklanan en son sürüm olarak YOLO26 piyasaya sürüldü. Daha hızlı CPU çıkarımı ve geliştirilmiş kaynak kullanımı sağlayarak ekiplerin aynı donanım üzerinde daha fazla iş yükü çalıştırmasını mümkün kılıyor.

Örneğin, YOLO26 nano modeli, merkezi işlem birimlerinde (CPU) YOLO11'den %43'e kadar daha hızlı çıkarım elde edebilir; bu da onu uç ve kaynak kısıtlı ortamlar için harika bir seçenek haline getirir. Bu özellikle önemlidir, çünkü geleneksel kurulumlar genellikle maliyetli ve ölçeklendirilmesi daha zor olabilen grafik işlem birimlerine (GPU'lar) büyük ölçüde güvenir.

Şekil 3. YOLO26'nın CPU'larda nasıl performans gösterdiğini kıyaslama (Kaynak)

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

Link to this sectionUltralytics YOLO26'ya daha yakından bir bakış#

YOLO26, verimlilik, hız ve ölçeklenebilirliğin doğruluk kadar önemli olduğu gerçek dünya dağıtımı için tasarlanmış son teknoloji bir modeldir. Sadece kıyaslama performansını artırmaya odaklanmak yerine, modellerin çalıştırılmasını kolaylaştıran, dağıtılmasını hızlandıran ve farklı donanım ortamlarında daha güvenilir olmasını sağlayan mimari ve eğitim değişiklikleri getirir.

Bu iyileştirmeler, sınırlı hesaplama, gecikme kısıtlamaları ve maliyet hususlarının önemli bir rol oynadığı uç ve üretim sistemleri için özellikle önemlidir. YOLO26, çıkarımı basitleştirerek ve performansı optimize ederek, yapay zeka meraklılarının görü uygulamalarını daha verimli bir şekilde oluşturmalarını ve ölçeklendirmelerini sağlar.

İşte YOLO26'nın temel özelliklerinden bazılarına daha yakından bir bakış:

• Uçtan uca NMS içermeyen çıkarım: Önemli değişikliklerden biri, işlem sonrası (post-processing) ihtiyacını ortadan kaldıran Maksimum Olmayan Baskılama (NMS) içermeyen tasarımıdır. Basit bir ifadeyle, model nihai tahminleri doğrudan üretir. Sonuç olarak, gecikme daha öngörülebilir hale gelir ve dağıtım kolaylaşır.
• DFL kaldırma: YOLO26, Dağılımsal Odak Kaybı (DFL) modülünden daha basit bir sınırlayıcı kutu tahmin yaklaşımına geçiş yapar. Bu değişiklik, uçtan uca, NMS içermeyen tasarımıyla uyumludur; işlem hattı karmaşıklığını azaltır ve dağıtım tutarlılığını artırır.
• MuSGD optimize edici: En yeni Ultralytics YOLO modelleri, Stokastik Gradyan İnişini (SGD) Muon esintili güncellemelerle birleştiren hibrit bir optimize edici olan MuSGD'yi tanıtır. Bu, eğitim kararlılığını ve yakınsamasını artırarak daha sorunsuz optimizasyon ve farklı model boyutlarında daha tutarlı davranış sağlar.
• ProgLoss ve STAL: Bu eğitim yenilikleri, Kademeli Kayıp Dengeleme (ProgLoss) ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), modeli daha kararlı ve güvenilir hale getirir. ProgLoss, modelin veri kümelerinden zaman içinde aşamalı olarak öğrenmesine yardımcı olurken, STAL küçük nesnelerin eğitim sırasında göz ardı edilmemesini sağlayarak karmaşık sahnelerde tespiti iyileştirir.

Link to this sectionDoğruluk ve verimlilik: Kıyaslamaların ötesinde gerçek dünya performansı#

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

Genellikle ortalama hassasiyet (mAP) gibi performans metrikleriyle ölçülen doğruluk, uzun zamandır bilgisayarlı görü modellerini değerlendirmenin önemli bir yolu olmuştur. Modelin standart koşullar altında ne kadar iyi performans gösterdiğini gösterir ve farklı sürümleri karşılaştırırken kullanışlıdır.

Ancak, modeller test aşamasından gerçek dünya dağıtımına geçtiğinde, yalnızca doğruluk yeterli değildir. 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 öngörülemezdir. Işık koşulları değişebilir, nesneler kısmen görünebilir ve giriş verileri modelin eğitildiği verilerden önemli ölçüde farklılık gösterebilir. Bu değişkenler, bir modelin pratikte ne kadar tutarlı performans gösterdiğini etkileyebilir.

Şekil 4. Akıllı şehir, perakende mağaza veya depoda yüzlerce kameranın bulunduğu bir kurulum düşün. Her akışın gerçek zamanlı olarak işlenmesi gerekir, bu da gecikmeleri veya düşen kareleri önlemek için genellikle tutarlı kare hızları (saniyedeki kare sayısı veya FPS) gerektirir.

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.

YOLO26 gibi daha verimli modeller, aynı donanım üzerinde daha fazla akış işleyebilir ve mevcut kaynaklardan daha iyi yararlanır. Bu, genel sistem verimliliğini artırır ve dağıtımların zaman içinde ölçeklendirilmesini kolaylaştırır.

More efficient models, like YOLO26, can process more streams on the same hardware, making better use of available resources. This improves overall system efficiency and makes it easier to scale deployments over time.

To dive deeper into YOLO26 vs YOLO11 vs YOLOv8, check out the official Ultralytics docs.

Link to this sectionÖnemli çıkarımlar#

The Ultralytics YOLO model series has evolved to better match real-world deployment needs. Each version builds on the last, with a growing focus on efficiency, scalability, and ease of deployment. In other words, if you are building a real-time detection application that needs to run reliably at scale, Ultralytics YOLO26 is a perfect choice.

Looking to bring vision AI into your operations? Check out our licensing options. You can also visit our solution pages to see how AI in manufacturing is transforming factories and how vision AI in robotics is shaping the future. Join our growing community and explore our GitHub repository for AI resources.