YOLO26 ve YOLO11: Uçtan Uca Görsel Yapay Zeka Alanında Yeni Bir Dönem
Nesne algılamanın evrimi, hız, doğruluk ve verimlilik konusunda durmak bilmeyen bir arayışla şekillenmiştir. Bu yolculuğun en önemli iki dönüm noktası YOLO26 ve YOLO11'dir. Her iki model de Ultralytics'in yenilikçi araştırmalarından kaynaklansa da, farklı nesil mimari felsefelerini temsil etmektedir. Bu karşılaştırma, bu mimarilerin teknik nüanslarını derinlemesine inceleyerek, geliştiricilerin ve araştırmacıların belirli bilgisayar görme uygulamaları için doğru aracı seçmelerine yardımcı olmaktadır.
Performans Metrikleri Karşılaştırması
Aşağıdaki tablo, COCO inde iki model ailesinin performans farklarını göstermektedir. YOLO26'nın CPU hızındaki önemli artışa dikkat edin; bu, mimari optimizasyonlarının doğrudan bir sonucudur.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Mimari Evrim
YOLO26: NMS Devrim
2026 yılının Ocak ayında piyasaya sürülen YOLO26, yerel uçtan uca nesne algılama yönünde bir paradigma değişikliğini temsil ediyor. Yinelenen sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) gibi sezgisel son işlem adımlarına dayanan geleneksel algılayıcıların aksine, YOLO26 bu mantığı doğrudan ağ mimarisine dahil ediyor. Bu kavram, ilk olarak YOLOv10gibi araştırmalarda ilk kez ortaya atılan bu konsept, YOLO26'da üretim istikrarı için mükemmelleştirilmiştir.
Temel mimari yenilikler şunları içerir:
- Uçtan Uca NMS Tasarım: NMS ortadan kaldırarak, YOLO26 dağıtım sürecini basitleştirir. Bu, NMS değişkenliğin gerçek zamanlı uygulamalarda titremeye neden olabileceği uç bilgi işlem senaryoları için özellikle faydalıdır.
- DFL Kaldırma: Dağıtım Odak Kaybı (DFL) kaldırılması, modelin çıktı katmanlarını düzene sokar. Bu değişiklik, düşük güçlü cihazlarla uyumluluğu önemli ölçüde artırır ve daha az özel operatör gerektirdiği için ONNX CoreML gibi formatlara model aktarımını basitleştirir.
- MuSGD Optimizer: Moonshot AI'nın Kimi K2 gibi Büyük Dil Modeli (LLM) eğitim yeniliklerinden esinlenen YOLO26, SGD Muon'u birleştiren hibrit bir optimizer kullanır. Bu, eğitim çalıştırmalarına üstün stabilite sağlar ve karmaşık veri kümelerinde bile daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Progressive Loss (ProgLoss) ve Self-Training Anchor Loss (STAL) özelliklerinin eklenmesi, küçük nesnelerin algılanmasında önemli iyileştirmeler sağladı. Bu kayıp fonksiyonları, eğitim sırasında odağı dinamik olarak ayarlayarak, genellikle küçük veya engellenmiş nesneler gibi zor örneklerin daha etkili bir şekilde öğrenilmesini sağlar.
CPU Neden Önemlidir?
Yukarıdaki tablo, YOLO26n'nin CPU 38,9 ms'ye ulaştığını CPU YOLO11n'nin CPU 56,1 ms'ye CPU göstermektedir. CPU hızındaki bu %43'lük artış, tüketici sınıfı donanımlarda gerçek zamanlı analitiği mümkün kılarak perakende ve IoT uygulamalarında pahalı özel GPU'lara olan ihtiyacı azaltmaktadır.
YOLO26 hakkında daha fazla bilgi edinin
YOLO11: Sağlam Standart
YOLO11, Eylül 2024'te piyasaya sürüldü ve C3k2 bloğunu ve SPPF (Spatial Pyramid Pooling - Fast) modülüne YOLOv8 iyileştirmeleri YOLOv8 mirasını devam ettirdi. Yüksek kapasiteli ve sağlam bir model olmaya devam etse de, NMS gerektiren geleneksel çapa içermeyen algılama kafasına dayanmaktadır.
YOLO11 , kapsamlı eski sürüm desteğinin gerekli olduğu veya önceki nesillerin belirli mimari özelliklerine bağlı olunan senaryolarda YOLO11 . Ancak, YOLO26'nın sadeleştirilmiş mimarisine kıyasla, son işlem aşamasında biraz daha fazla hesaplama yükü taşır ve bu da yüksek verimli ortamlarda bir darboğaz oluşturabilir.
YOLO11 hakkında daha fazla bilgi edinin
İdeal Kullanım Senaryoları
YOLO26 Ne Zaman Seçilmeli
YOLO26, özellikle verimlilik ve kolay kurulum öncelikli olanlar olmak üzere, neredeyse tüm yeni projeler için önerilen seçimdir.
- Edge AI ve IoT: YOLO26, muazzam CPU ve NMS tasarımıyla Raspberry Pi veya NVIDIA gibi cihazlar için mükemmeldir. Daha düşük gecikme süresi varyansı, kontrol döngüleri için tutarlı zamanlama gereken robotik için çok önemlidir.
- Karmaşık Görme Görevleri: YOLO26, algılamanın ötesinde, göreve özel iyileştirmeler sunar. Örneğin, Artık Log-Olasılık Tahmini (RLE), poz tahmininde doğruluğu önemli ölçüde artırırken, özel açı kaybı işlevleri hava görüntülerinde Yönlendirilmiş Sınırlayıcı Kutu (OBB) hassasiyetini iyileştirir.
- Düşük Güç Tüketimli Uygulamalar: DFL'nin kaldırılması ve optimize edilmiş mimari, YOLO26'nın her bir çıkarımda daha az güç tüketmesi anlamına gelir ve bu da mobil uygulamalarda pil ömrünü uzatır.
Ne Zaman YOLO11 Seçmeli
YOLO11 aşağıdakiler için geçerli bir seçenek YOLO11 :
- Eski Sistemler: YOLO11 özel çıktı formatına göre büyük ölçüde ayarlanmış mevcut bir boru hattınız varsa ve son işlem mantığını güncellemek için mühendislik zamanı ayıramıyorsanız (ancak YOLO26'ya geçiş Ultralytics ile genellikle sorunsuzdur).
- Karşılaştırma Temelleri: Araştırmacılar genellikle YOLO11 YOLOv8 gibi yaygın olarak kullanılan modelleri, yeni mimarilerle karşılaştırmak için temel olarak kullanırlar.
Ultralytics'in Avantajı
YOLO26 veya YOLO11 seçerseniz seçin, Ultralytics yararlanmak rakip çerçevelere göre belirgin avantajlar sağlar.
Kullanım Kolaylığı ve Çok Yönlülük
Ultralytics , "sıfırdan kahramana" bir deneyim sunmak üzere tasarlanmıştır. Tek bir Python , algılama, segmentasyon, sınıflandırma ve izleme işlemlerini destekler. Bu çok yönlülük, mühendislik ekiplerinin yeni kod tabanları öğrenmeden görevler arasında geçiş yapabilmelerini sağlar.
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# Train on a custom dataset with MuSGD optimization automatically handled
results = model.train(data="coco8.yaml", epochs=100)
# Export to ONNX for simplified edge deployment
path = model.export(format="onnx")
Eğitim Verimliliği ve Hafıza
Her iki model de eğitim verimliliği için optimize edilmiştir, ancak YOLO26'nın MuSGD optimizörü bu süreci daha da istikrarlı hale getirir. Önemli miktarda VRAM gerektiren devasa transformatör tabanlı modellerin aksine, Ultralytics YOLO genellikle tüketici sınıfı GPU'larda ince ayar yapılabilir, böylece en son teknolojiye sahip yapay zekaya erişim demokratikleştirilir.
İyi Yönetilen Ekosistem
Ultralytics ve açık kaynaklı kütüphane, projelerinizin geleceğe hazır olmasını sağlar. Sık güncellemeler, kapsamlı belgeler ve veri kümesi yönetimi ve bulut eğitimi için araçlar ile sağlam bir topluluk ve aktif bir geliştirme ekibi tarafından desteklenirsiniz.
Model Meta Verileri
YOLO26
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2026-01-14
- GitHub:https://github.com/ultralytics/ultralytics
- Belgeler:ultralytics
YOLO11
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2024-09-27
- GitHub:https://github.com/ultralytics/ultralytics
- Belgeler:https://docs.ultralytics.com/models/YOLO11/
Diğer Modelleri İnceleyin
Farklı mimarileri keşfetmek isteyen kullanıcılar için Ultralytics şunları da desteklemektedir RT-DETR ve sıfır atış segmentasyon görevleri için SAM de desteklemektedir.
Sonuç
YOLO11 YOLO11 güçlü ve yetenekli bir model olmaya devam ederken, YOLO26 verimlilik ve hız konusunda yeni bir standart oluşturuyor. Uçtan uca NMS tasarımı, önemli CPU optimizasyonları ve gelişmiş kayıp fonksiyonları ile birleştiğinde, modern bilgisayar görme uygulamaları için üstün bir seçim haline geliyor. YOLO26'yı benimseyerek, geliştiriciler daha az karmaşıklıkla daha yüksek doğruluk ve daha hızlı performans elde edebilirler, hem de kullanıcı dostu Ultralytics kalarak.