YOLO26 ve YOLOv10: Uçtan Uca Nesne Algılamanın Evrimi

Gerçek zamanlı nesne algılama alanı hızla değişmektedir. 2024 yılında, YOLOv10 , non-maximum suppression (NMS) içermeyen bir eğitim yaklaşımına öncülük ederek manşetlere taşındı ve bu sayede çıkarım boru hatlarındaki önemli bir darboğazı etkili bir şekilde ortadan kaldırdı. 2026 yılına geldiğimizde, Ultralytics bu kavramları geliştirip genişletti ve daha hızlı, daha doğru ve Ultralytics derinlemesine entegre edilmiş, yerel olarak uçtan uca bir mimari sunuyor.

Bu kılavuz, bu iki etkili model arasında teknik bir karşılaştırma sunarak geliştiricilerin, araştırmacıların ve mühendislerin bilgisayar görme uygulamaları için doğru aracı seçmelerine yardımcı olur.

Performans Metrikleri Karşılaştırması

Modern dedektörleri değerlendirirken, hız ve doğruluk arasındaki denge çok önemlidir. YOLO26, özellikle kenar cihazları ve CPU hedefleyen önemli optimizasyonlar sunarak, önceki nesillere kıyasla CPU'larda %43'e varan hız artışı sağlar. YOLOv10 hala oldukça verimli bir model olsa da, YOLO26 daha hafif hesaplama kaynaklarıyla mümkün olanın sınırlarını zorluyor.

Model	boyut ^(piksel)	mAP^val 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

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Mimari Yenilikler

Ultralytics : Yeni Standart

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 14 Ocak 2026

YOLO26, verimlilik ve kullanım kolaylığı konusunda yapılan araştırmaların doruk noktasını temsil eder. YOLOv10 benzer şekilde Uçtan Uca NMS Tasarım benimser, ancak sağlamlık ve dağıtım esnekliği için tasarlanmış birkaç önemli mimari değişiklikle bunu geliştirir.

DFL Kaldırma: Dağıtım Odak Kaybı (DFL) kaldırıldığında, model mimarisi basitleştirilir. Bu değişiklik, dışa aktarım uyumluluğu için çok önemlidir ve karmaşık çıktı katmanlarının gecikmeye neden olabileceği Raspberry Pi veya mobil cihazlar gibi kısıtlı kenar donanımlarında modelin daha kolay uygulanmasını sağlar.
MuSGD Optimizer: Büyük Dil Modellerinin (LLM) eğitim istikrarından esinlenen YOLO26, SGD Muon'u birleştiren hibrit bir optimizer kullanır. Moonshot AI'nın Kimi K2'sinden uyarlanan bu yenilik, daha hızlı yakınsama ve istikrarlı eğitim çalıştırmaları sağlayarak hesaplama maliyetini azaltır.
ProgLoss + STAL: Progressive Loss (ProgLoss) ve Soft-Target Anchor Loss (STAL) özelliklerinin eklenmesi, küçük nesneler üzerinde performansı önemli ölçüde artırmaktadır. Bu sayede YOLO26, hava görüntüleri analizi veya üretimde kusur tespiti gibi görevlerde özellikle yetkin hale gelmiştir.

YOLO26 hakkında daha fazla bilgi edinin

YOLOv10: NMS Öncü

Yazarlar: Ao Wang ve diğerleri.
Kuruluş: Tsinghua Üniversitesi
Tarih: 23 Mayıs 2024

YOLOv10 , NMS gereksizliğini ortadan kaldıran çığır açıcı bir YOLOv10 . En önemli yeniliği, NMS eğitim için Tutarlı Çift Atamaların kullanılmasıydı.

Çift Atamalar: Eğitim sırasında model, hem bir-çok hem de bir-bir etiket atamalarını kullanır. Bu, modelin zengin temsilleri öğrenmesini sağlarken, çıkarım sırasında nesne başına yalnızca bir tahmin yapılmasını garanti eder ve NMS ihtiyacını ortadan kaldırır.
Bütünsel Verimlilik Tasarımı: Yazarlar, hesaplama yükünü azaltmak için hafif sınıflandırma başlıkları ve uzamsal kanal ayrıştırılmış aşağı örneklemeyi tanıttılar; bu, düşük FLOP sayısında yansıtılmaktadır.

YOLOv10 hakkında daha fazla bilgi edinin.

NMS Darboğazı

Maksimum Olmayan Bastırma (NMS), üst üste binen sınırlayıcı kutuları filtrelemek için kullanılan bir son işlem adımıdır. Etkili olmakla birlikte, gecikme varyansı yaratır ve dağıtımı karmaşıklaştırır. Hem YOLO26 hem de YOLOv10 bu adımı YOLOv10 , çıkarım sürelerini belirleyici ve daha hızlı hale getirir.

Entegrasyon ve Ekosistem

En önemli farklardan biri, çevredeki ekosistemdedir. Ultralytics , Ultralytics amiral gemisi modelidir ve tüm görevler ve modlar için anında destek sağlar.

Ultralytics'in Avantajı

Çok yönlülük: YOLOv10 öncelikle algılamaya YOLOv10 , YOLO26 Örnek Segmentasyonu, Poz Tahmini, OBB ve Sınıflandırma için yerel destek sunar.
Ultralytics : YOLO26, Ultralytics (eski adıyla HUB) ile tamamen entegre olup, sorunsuz veri kümesi yönetimi, tek tıklamayla bulut eğitimi ve aşağıdaki formatlara dağıtım imkanı sunar TFLite ve OpenVINOgibi formatlara dağıtım yapılmasına olanak tanır.
Bakım: Temel bir ürün olarak YOLO26, GitHub ve Discord aracılığıyla sık sık güncellemeler, hata düzeltmeleri ve topluluk desteği almaktadır.

Kod Karşılaştırması

Her iki model de ultralytics Python , kütüphanenin esnekliğini vurgulamaktadır. Ancak, YOLO26 en son yardımcı işlevlerden ve optimizasyonlardan yararlanmaktadır.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Kullanım Durumları ve Öneriler

Bu modeller arasında seçim yapmak, özel dağıtım kısıtlamalarınıza ve proje hedeflerinize bağlıdır.

YOLO26 İçin İdeal Senaryolar

CPU Edge AI: Uygulamanız özel GPU olmayan donanımlarda çalışıyorsa GPU ör. standart dizüstü bilgisayarlar, düşük güçlü IoT ağ geçitleri), YOLO26'nın %43 daha hızlı CPU onu tartışmasız bir seçim haline getirir.
Ticari Çözümler: Uzun vadeli bakım gerektiren kurumsal uygulamalar, sıkı lisans netliği (Kurumsal Lisans) ve güvenilir destek için YOLO26, üretim için tasarlanmıştır.
Karmaşık Görevler: Hava ölçümü için yönlendirilmiş sınırlayıcı kutular veya spor analizi için poz tahmini gerektiren projeler, YOLO26'nın çoklu görev yeteneklerinden faydalanacaktır.

YOLOv10 için İdeal Senaryolar

Akademik Araştırma: NMS eğitim veya etiket atama stratejilerinin teorik temellerini inceleyen araştırmacılar, YOLOv10 arXiv makalesini ve mimarisini değerli bir referans kaynağı olarak bulacaklardır.
Eski Benchmarking: 2024 dönemi referans değerleriyle karşılaştırma yapmak için YOLOv10 , verimlilik odaklı mimariler için mükemmel bir standart görevi YOLOv10 .

Dağıtım Esnekliği

Ultralytics dışa aktarılabilirlik konusunda mükemmeldir. Eğitilmiş bir YOLO26 modelini kolayca dışa aktarabilirsiniz. ONNX, TensorRT veya CoreML tek bir CoreML : yolo export model=yolo26n.pt format=onnx.

Sonuç

Her iki mimari de bilgisayar görüşünün gelişmesinde önemli roller oynamıştır. YOLOv10 , NMS gerekliliğini başarıyla sorgulayarak, uçtan uca algılamanın gerçek zamanlı uygulamalar için uygun olduğunu kanıtlamıştır.

Ultralytics bu çığır açan gelişmeyi daha da mükemmelleştiriyor. NMS tasarım ile MuSGD optimizasyon aracının kararlılığını, DFL'nin kenar dostu kaldırılmasını ve Ultralytics çok yönlü desteğini bir araya getiren YOLO26, günümüzün geliştiricileri için en dengeli ve yüksek performanslı çözümü sunuyor. İster akıllı şehir trafik sistemi ister mobil belge tarayıcı geliştiriyor olun, YOLO26 başarı için gereken hızı ve doğruluğu sağlar.