Yeni Ultralytics YOLO11 modeli, özellikleri ve çeşitli sektörlerdeki gerçek zamanlı uygulamalar hakkında her şeyi öğrenin. Bilmeniz gereken her şeyde size yol göstereceğiz.
Pazartesi günü, 30 Eylül, Ultralytics resmi olarak başlatıldı Ultralytics YOLO11Ultralytics'un yıllık hibrit etkinliği olan YOLO Vision 2024'te (YV24) ilk kez görücüye çıkmasının ardından bilgisayarla görme alanındaki en son gelişme. Modelin yeteneklerini keşfetmek için acele eden yapay zeka topluluğu heyecan içinde. Daha hızlı işleme, daha yüksek doğruluk ve hem uç cihazlar hem de bulut dağıtımı için optimize edilmiş modellerle YOLO11 , gerçek zamanlı bilgisayarla görme uygulamalarında nelerin mümkün olduğunu yeniden tanımlıyor.
Bir röportajda Ultralytics Kurucusu ve CEO'su Glenn Jocher şunları paylaştı: "Dünya temiz enerjiye doğru ilerliyor, ancak yeterince hızlı değil. Modellerimizin daha az sayıda artırma ve daha az veri ile daha az sayıda epokta eğitilebilir olmasını istiyoruz, bu yüzden bu konuda çok çalışıyoruz. En küçük nesne algılama modeli olan YOLO11n, sadece 2,6 milyon parametreye sahip - yaklaşık bir JPEG boyutunda, ki bu gerçekten çılgınca. En büyük nesne algılama modeli olan YOLO11x, yaklaşık 56 milyon parametreye sahip ve bu bile diğer modellere kıyasla inanılmaz derecede küçük. Bu modelleri ucuz bir GPU, örneğin beş yıllık bir Nvidia GPU , biraz heyecan ve biraz da kahve ile eğitebilirsiniz."
Bu makalede, bu modelin neler yapabileceğini anlamanıza yardımcı olmak için özelliklerini, iyileştirmelerini, performans karşılaştırmalarını ve gerçek dünya uygulamalarını inceleyerek YOLO11 adresine daha yakından bakacağız. Hadi başlayalım!
YOLO11 YOLO (You Only Look Once) bilgisayarla görme modelleri serisindeki en son gelişmedir ve aşağıdaki gibi önceki sürümlere göre önemli iyileştirmeler sunar YOLOv5 ve YOLOv8. Ultralytics ekibi, YOLO11 'u daha hızlı, daha doğru ve daha verimli hale getirmek için topluluk geri bildirimlerini ve en son araştırmaları bir araya getirdi. YOLO11 ayrıca nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere YOLOv8 ile aynı bilgisayarla görme görevlerini de destekler. Aslında, kullanıcılar mevcut iş akışlarını değiştirmeye gerek kalmadan YOLO11 adresine kolayca geçiş yapabilirler.
YOLO11 'un en önemli özelliklerinden biri, öncekilere kıyasla hem doğruluk hem de hız açısından üstün performansıdır. YOLO11m, YOLOv8m'dan %22 daha az parametre ile COCO veri setinde daha yüksek bir ortalama hassasiyet (mAP) elde eder, yani nesneleri daha hassas ve verimli bir şekilde tespit edebilir. İşlem hızı açısından YOLO11 önceki modellerden daha iyi performans göstererek hızlı tespit ve yanıtın kritik olduğu ve her milisaniyenin önemli olduğu gerçek zamanlı uygulamalar için idealdir.
Aşağıdaki kıyaslama grafiği YOLO11 'un önceki modellerden nasıl ayrıldığını göstermektedir. Yatay eksende, nesne algılama doğruluğunu ölçen COCO Kutusu Ortalama Hassasiyeti (AP) gösterilmektedir. Dikey eksen, modelin verileri ne kadar hızlı işlediğini gösteren NVIDIA T4 GPU üzerinde TensorRT10 FP16 kullanarak gecikmeyi gösterir.
Ultralytics YOLO11 adresinin piyasaya sürülmesiyle birlikte Ultralytics , sektörler arasında artan talebi karşılamak için hem açık kaynak hem de kurumsal modeller sunarak YOLO serisini genişletiyor.
YOLO11 Nano, Küçük, Orta, Büyük ve X olmak üzere beş farklı model boyutuna sahiptir. Kullanıcılar, bilgisayarla görme uygulamalarının özel ihtiyaçlarına bağlı olarak en iyi modeli seçebilirler. Beş boyut, görüntü sınıflandırma, nesne algılama, örnek segmentasyonu, izleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) nesne algılama gibi görevlerde esneklik sunar. Her boyut için, her görev için bir model mevcuttur ve bu da Ultralytics'tekliflerinin çekirdeğini oluşturan toplam 25 açık kaynaklı modelle sonuçlanır. Bu modeller, YOLO11n modelinin etkileyici verimlilik sunduğu uç cihazlardaki hafif görevlerden YOLO11l ve YOLO11x modellerini gerektiren daha büyük ölçekli uygulam alara kadar geniş bir uygulama yelpazesi için idealdir.
Ultralytics ilk kez, ürün tekliflerimizde önemli bir kilometre taşını işaret eden kurumsal modelleri tanıtıyor ve bu yenilikleri kullanıcılarımızla paylaşmaktan heyecan duyuyoruz. YOLO11 , özellikle ticari kullanım durumları için tasarlanmış beş tescilli modeli tanıtıyor. Önümüzdeki ay kullanıma sunulacak olan bu kurumsal modeller, Ultralytics'un 1 milyondan fazla görüntüden oluşan yeni tescilli veri seti üzerinde eğitilerek daha sağlam önceden eğitilmiş modeller sunuyor. Bu modeller, hassas nesne tespitinin çok önemli olduğu tıbbi görüntü analizi ve uydu görüntüsü işleme gibi zorlu, gerçek dünya uygulamaları için tasarlanmıştır.
Şimdi YOLO11 'un neler sunduğunu tartıştığımıza göre, YOLO11 'u bu kadar özel yapan şeylere bir göz atalım.
YOLO11 'u geliştirirken karşılaşılan en önemli zorluklardan biri, birbiriyle yarışan öncelikler arasında doğru dengeyi bulmaktı: modelleri daha küçük, daha hızlı ve daha doğru hale getirmek. Ultralytics 'un Kurucusu ve CEO'su Glenn Jocher'in açıkladığı gibi, " YOLO araştırma ve geliştirme üzerinde çalışmak gerçekten zor çünkü üç farklı yöne gitmek istiyorsunuz: modelleri küçültmek istiyorsunuz, daha doğru olmalarını istiyorsunuz ama aynı zamanda CPU ve GPU gibi farklı platformlarda daha hızlı olmalarını istiyorsunuz. Tüm bunlar birbiriyle rekabet eden çıkarlar, dolayısıyla taviz vermeniz ve nerede değişiklik yapacağınızı seçmeniz gerekiyor." Bu zorluklara rağmen YOLO11 etkileyici bir denge kurarak YOLOv8 gibi önceki sürümlere göre hem hız hem de doğruluk açısından iyileştirmeler sağlıyor.
YOLO11 yeniden tasarlanmış omurga ve boyun mimarisi ile geliştirilmiş özellik çıkarma gibi önemli geliştirmeler getirerek daha hassas nesne tespiti sağlar. Model ayrıca hız ve verimlilik için optimize edilmiştir ve yüksek doğruluğu korurken daha hızlı işlem süreleri sunar. Bu avantajlara ek olarak, YOLO11 farklı ortamlara son derece uyarlanabilir, uç cihazlarda, bulut platformlarında ve NVIDIA GPU'ları kullanan sistemlerde sorunsuz bir şekilde çalışır. Bu uyarlanabilirlik, onu mobil cihazlardan büyük ölçekli sunuculara kadar çeşitli donanım kurulumlarında esnek dağıtım seçeneklerine ihtiyaç duyan kullanıcılar için ideal bir seçim haline getirir.
YOLO11'nin çok yönlülüğü, onu özellikle karmaşık kullanım durumlarıyla uğraşırken birçok sektörde güvenilir bir araç haline getirir. Örneğin, uç cihazlarda sorunsuz bir şekilde çalışır ve sınırlı bilgi işlem gücüne sahip ortamlarda gerçek zamanlı analiz gerektiren uygulamalar için kullanılabilir. Bunun mükemmel bir örneği, araçların herkesi güvende tutmak için anlık kararlar vermesi gereken otonom sürüştür. YOLO11 , düşük ışık gibi zorlu koşullarda veya nesnelerin kısmen gizlendiği durumlarda bile yayalar veya diğer arabalar gibi yoldaki nesneleri algılayıp analiz ederek yardımcı olur. Hızlı ve doğru algılama, kazaların önlenmesine yardımcı olur ve sürücüsüz araçların güvenli bir şekilde seyredebilmesini sağlar.
YOLO11'un menzilinin bir başka ilginç örneği de yönlendirilmiş sınırlayıcı kutuları (OBB) işleme yeteneğidir. Bu, mükemmel şekilde hizalanmamış nesneleri tespit etmek için çok önemlidir. OBB nesne tespiti, görüntülerin genellikle hava veya uydu görüntülerinde ekinler veya binalar gibi döndürülmüş nesneler içerdiği tarım, haritalama ve gözetleme gibi sektörlerde özellikle yararlı olan bir özelliktir. Geleneksel modellerin aksine, YOLO11 nesneleri her açıdan tanımlayabilir ve hassasiyet gerektiren görevler için çok daha doğru sonuçlar sağlar.
İster kodlamayı ister kodsuz seçeneği tercih edin, YOLO11 ile çalışmaya başlamak basit ve erişilebilirdir. Kod aracılığıyla YOLO11 ile çalışmak için, modelleri kolayca eğitmek ve dağıtmak üzere Ultralytics Python paketini kullanabilirsiniz. Kodsuz bir yaklaşımı tercih ediyorsanız, Ultralytics HUB sadece birkaç tıklama ile YOLO11 adresini denemenizi sağlar.
YOLO11 'u Python ile kullanmak için öncelikle Ultralytics paketini yüklemeniz gerekir. Tercihlerinize bağlı olarak bunu pip, conda veya Docker kullanarak yapabilirsiniz. Kurulum süreciyle ilgili ayrıntılı talimatlar ve en iyi uygulamalar için Ultralytics Kurulum Kılavuzumuzu kontrol ettiğinizden emin olun. YOLO11 için gerekli paketleri kurarken herhangi bir zorlukla karşılaşırsanız, çözümler ve ipuçları için Ortak Sorunlar Kılavuz umuza bakın.
Ultralytics paketini yükledikten sonra YOLO11 'u kullanmak kolaydır. Aşağıdaki kod parçacığı, bir modeli yükleme, eğitme, performansını test etme ve ONNX formatına aktarma sürecinde size yol gösterir. Daha derinlemesine örnekler ve gelişmiş kullanım için, YOLO11 adresinden en iyi şekilde yararlanmak için ayrıntılı kılavuzlar ve en iyi uygulamaları bulabileceğiniz resmi Ultralytics belgelerine başvurduğunuzdan emin olun.
Kodsuz bir yaklaşımı tercih eden kullanıcılar için Ultralytics HUB, YOLO11 modellerini sadece birkaç tıklamayla eğitmek ve dağıtmak için kolay bir yol sunar. HUB'ı kullanmaya başlamak için Ultralytics HUB platformunda bir hesap oluşturmanız yeterlidir; böylece sezgisel bir arayüz aracılığıyla modellerinizi eğitmeye ve yönetmeye başlayabilirsiniz.
Yapay zeka topluluğu, gerçek dünya uygulamaları için daha hızlı ve daha doğru modeller geliştirmeye çalışarak bilgisayarla görme alanını sürekli olarak ilerletmektedir. Ultralytics YOLO11 bu çabada önemli bir kilometre taşıdır ve gelişmiş hız, doğruluk ve esneklik sağlar. Gerçek zamanlı ve uç uygulamalar için tasarlandığından sağlık hizmetleri ve otonom sürüş gibi sektörler için idealdir. İster Ultralytics Python paketini ister kodsuz Ultralytics Hub'ı kullanıyor olun, YOLO11 karmaşık Vision AI görevlerini basitleştirir. Güçlü bilgisayarla görme yetenekleri sunarak geliştiriciler ve işletmeler için mükemmel bir seçimdir.
GitHub depomuza göz atın ve yapay zeka hakkında daha fazla bilgi edinmek için aktif topluluğumuza katılın. Vision AI'ın sağlık ve tarım gibi sektörlerde inovasyonu nasıl desteklediğini keşfedin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
