Ultralytics YOLO26 vs YOLO11 vs YOLOv8: Hangisini kullanmalısın?

Genellikle evrişimli sinir ağları (CNN'ler) ile desteklenen en gelişmiş bilgisayarlı görü sistemleri, makinelerin görüntülerden ve videolardan gelen görsel verileri analiz edip yorumlamasını sağlar ve artık 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.

Bilgisayarlı görü modelleri, Ultralytics YOLO modelleri gibi, bu denge göz önünde bulundurularak geliştirilmiştir. Örneğin, Ultralytics YOLOv8 güçlü ve çok yönlü bir temel oluşturmuş, Ultralytics YOLO11 geliştirilmiş hız ve doğruluk ile bunu bir adım öteye taşımış, Ultralytics YOLO26 ise her zamankinden daha hafif, daha hızlı ve daha verimli hale gelerek bunun üzerine inşa edilmiştir.

Şekil 1. 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 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 paketi, modelleri ONNX ve TensorRT gibi formatlara aktarmak için yerleşik destek sağlayarak dağıtımı basitleştirir. Bu, modelleri uç cihazlardan GPU hızlandırmalı sistemlere kadar farklı donanım platformlarına entegre etmeyi kolaylaştırır.

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

İlk Ultralytics YOLO modeli olan Ultralytics YOLOv5, güvenilir nesne algılama yetenekleri sayesinde geniş çapta popülerlik kazandı. Tek aşamalı algılama yaklaşımı üzerine inşa edildiğinden, tek bir geçişte hızlı, gerçek zamanlı tahminler yapmayı mümkün kıldı ve bu da onu üretim iş akışları için oldukça uygun hale getirdi.

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 YOLOv8, model ailesinin kapsamını genişletti. Sadece nesne algılamaya odaklanmak yerine, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönelimli sınırlayıcı kutu (OBB) algılama gibi birden fazla bilgisayarlı görü görevi için destek ekledi. Ayrıca, özellik çıkarımını ve genel algılama performansını artıran gelişmiş arka kemik (backbone) ve boyun (neck) tasarımları dahil olmak üzere mimari iyileştirmeler de getirdi.

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 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 da uyumluluğunu korudu.

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.

Link to this sectionYOLO26 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.

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 tercih edilen bir model haline getirdi. Eğer çok sayıda eğitim, rehber ve topluluk kaynağına sahip, iyi belgelenmiş bir model arıyorsan, YOLOv8 harika bir başlangıç noktasıdır.

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

Bu yıl, ölçeklenebilir verimli dağıtıma odaklanan en son yineleme olarak YOLO26 piyasaya sürüldü. Daha hızlı CPU çıkarımı ve geliştirilmiş kaynak kullanımı sunarak ekiplerin aynı donanım üzerinde daha fazla iş yükü çalıştırmasını sağlıyor.

Örneğin, YOLO26 nano modeli, merkezi işlem birimleri (CPU) üzerinde YOLO11'den %43'e kadar daha hızlı çıkarım gerçekleştirebilir; bu da onu uç ve kaynak kısıtlı ortamlar için harika bir seçenek haline getirir. Geleneksel kurulumlar genellikle maliyetli olabilen ve ölçeklenmesi daha zor olan grafik işlem birimlerine (GPU) büyük ölçüde güvendiğinden, bu durum özellikle kritiktir.

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

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

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

YOLO26, verimliliğin, hızın ve ölçeklenebilirliğin doğruluk kadar önemli olduğu gerçek dünya dağıtımı için tasarlanmış son teknoloji bir modeldir. Sadece kıyaslama performansını artırmaya odaklanmak yerine, modellerin çalıştırılmasını kolaylaştıran, dağıtımını 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. Çıkarımı basitleştirerek ve performansı optimize ederek YOLO26, AI meraklılarının görsel uygulamaları daha verimli bir şekilde oluşturmalarını ve ölçeklendirmelerini sağlar.

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

• Uçtan uca NMS'siz çıkarım: En önemli değişikliklerden biri, işlem sonrası (post-processing) ihtiyacını ortadan kaldıran Non-Maximum Suppression-free (NMS) 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'siz tasarımıyla uyumludur; 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 eğitim yenilikleri, Kademeli Kayıp Dengeleme (ProgLoss) ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), modeli daha kararlı ve güvenilir kılar. ProgLoss, modelin veri kümelerinden zaman içinde aşamalar halinde öğrenmesine yardımcı olurken, STAL küçük nesnelerin eğitim sırasında göz ardı edilmemesini sağlayarak karmaşık sahnelerde algılamayı geliştirir.

Link to this sectionDoğruluk 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. YOLO26'nın şantiye gibi tahmin edilemez bir ortamda kullanılmasına 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.

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

YOLO26 vs YOLO11 vs YOLOv8 konularını daha derinlemesine incelemek için resmi Ultralytics belgelerine göz at.

Link to this sectionÖne 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.

Operasyonlarına vision AI dahil etmek mi istiyorsun? Lisanslama seçeneklerimize göz at. Ayrıca, üretimde yapay zekanın fabrikaları nasıl dönüştürdüğünü ve robotikte vision AI uygulamalarının geleceği nasıl şekillendirdiğini görmek için çözüm sayfalarımızı ziyaret edebilirsin. Büyüyen topluluğumuza katıl ve yapay zeka kaynakları için GitHub depomuzu keşfet.