YOLOv8 YOLO26: Gerçek Zamanlı Görsel Yapay Zeka için Teknik Bir Evrim
Hızlı gelişen bilgisayar görme dünyasında, YOLOv8 'den YOLO26 'ya geçiş, verimlilik, hız ve mimari iyileştirme açısından önemli bir sıçrama anlamına geliyor. YOLOv8 , 2023 yılında piyasaya sürüldüğünde çok yönlülük ve kullanım kolaylığı açısından endüstri standardını YOLOv8 , 2026 yılında piyasaya sürülen YOLO26, uçtan uca NMS algılama ve LLM'den ilham alan optimizasyon gibi çığır açan değişiklikler getiriyor.
Bu kılavuz, geliştiricilerin, araştırmacıların ve mühendislerin özel dağıtım ihtiyaçlarına uygun modeli seçmelerine yardımcı olmak için ayrıntılı bir teknik karşılaştırma sunmaktadır.
Model Genel Bakışları
Ultralytics YOLOv8
Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics
Belgeler:YOLOv8
2023 yılının başında piyasaya sürülen YOLOv8 , görsel yapay zeka için kullanıcı deneyimini yeniden tanımladı. Nesne algılama, örnek segmentasyonu, poz tahmini ve sınıflandırma için birleşik bir çerçeve sundu. PyTorch geliştirilen bu sistem, dengeli hız ve doğruluk için referans noktası haline gelen, bağlantı noktası içermeyen algılama başlığı ve mozaik veri artırma boru hattı özelliklerine sahiptir.
YOLOv8 hakkında daha fazla bilgi edinin.
Ultralytics YOLO26
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2026-01-14
GitHub:ultralytics
Belgeler:YOLO26 Belgeleri
YOLO26, Ultralytics en son sürümüdür ve kenar optimizasyonlu performansa yönelik artan talebi karşılamak için tasarlanmıştır. Yerel uçtan uca NMS mimariye öncülük ederek, genellikle çıkarımda darboğaz oluşturan son işlem adımlarına olan ihtiyacı ortadan kaldırmıştır. MuSGD optimizer gibi optimizasyonlar ve Distribution Focal Loss (DFL) özelliğinin kaldırılmasıyla YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU sağlar.
YOLO26 hakkında daha fazla bilgi edinin
Mimari Farklılıklar
YOLOv8 geçiş, ağın görüntüleri işleme ve verilerden öğrenme biçiminde temel değişiklikler içerir.
1. Uçtan Uca NMS-Serbest Tasarım
En önemli farklardan biri, yinelenen sınırlayıcı kutuların işlenmesidir.
- YOLOv8: İşleme sonrası aşamada, üst üste binen kutuları filtrelemek için Non-Maximum Suppression (NMS) yöntemini kullanır. Etkili olmasına rağmen, NMS özellikle standart olmayan donanımlarda gecikme değişkenliği ve dağıtım karmaşıklığına NMS .
- YOLO26: YOLOv10'a benzer bir yerel uçtan uca yaklaşım benimser. YOLOv10. Modeli, nesne başına tam olarak bir kutu çıktı verecek şekilde eğiterek, NMS tamamen ortadan kaldırır. Bu, deterministik gecikme süresi ve TensorRT ve CoreMLgibi formatlara daha basit dışa aktarım boru hatları ile sonuçlanır.
Neden NMS'siz Olması Önemli
NMS kaldırılması, uç dağıtımında oyunun kurallarını değiştiren bir NMS . CPU'lar üzerindeki hesaplama yükünü azaltır ve sahnede algılanan nesne sayısından bağımsız olarak modelin çıkarım süresinin tutarlı olmasını sağlar.
2. Kayıp Fonksiyonları ve Optimizasyon
YOLO26, kararlılığı ve yakınsamayı iyileştirmek için Büyük Dil Modeli (LLM) eğitiminden alınan dersleri içerir.
- ProgLoss + STAL: YOLO26, özellikle küçük nesnelerin algılanmasında daha yumuşak gradyanlar ve zor örneklerin daha iyi işlenmesini sağlayan ProgLoss ve STAL (Soft Target Assignment Loss) teknolojilerini kullanır.
- MuSGD Optimizer: Moonshot AI'nın Kimi K2'sinden esinlenen MuSGD optimizer, SGD avantajlarını Muon optimizer'a benzer momentum SGD birleştirir. Bu yenilik, daha yüksek öğrenme oranlarında eğitimi stabilize ederek toplam eğitim süresini azaltır.
- DFL Kaldırma: YOLOv8 , kutu sınırlarını iyileştirmek için Dağıtım Odak Kaybı (DFL) YOLOv8 . YOLO26, kenar cihazları için mimariyi basitleştirmek amacıyla DFL'yi kaldırarak, hassasiyetten ödün vermeden çıktı kanallarının sayısını ve bellek ayak izini azaltır.
3. Göreve Özel Geliştirmeler
YOLOv8 genel olarak birden fazla görevi YOLOv8 , YOLO26 özel iyileştirmeler ekler:
- Segmentasyon: Daha keskin maske sınırları için semantik segmentasyon kaybı ve çok ölçekli proto modülleri sunar.
- Poz: Anahtar nokta konumlandırmada belirsizliği daha iyi yakalamak için Artık Log Olasılık Tahmini (RLE) kullanır.
- OBB: Yönlendirilmiş Sınır Kutusu görevlerinde sınır kesintilerini özel bir açı kaybı ile giderir.
Performans Karşılaştırması
Aşağıda COCO indeki performans ölçütlerinin ayrıntılı bir karşılaştırması yer almaktadır. YOLO26, tüm model ölçeklerinde üstün hız ve verimlilik sergilemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Not: YOLO26n, YOLOv8n kıyasla CPU %43'lük dikkat çekici bir azalma YOLOv8n aynı zamanda doğruluğu 3,6 mAP artırmaktadır.
Eğitim ve Kullanılabilirlik
Her iki model de, "sıfırdan kahramana" basitliği ile tanınan sağlam Ultralytics yararlanmaktadır.
Kullanım Kolaylığı ve Ekosistem
YOLOv8 YOLO26'yı seçerseniz, aynı birleşik API'ye erişim elde edersiniz. Modeller arasında geçiş yapmak, kodunuzdaki bir dizeyi değiştirmek kadar basittir.
from ultralytics import YOLO
# Load YOLOv8
model_v8 = YOLO("yolov8n.pt")
# Load YOLO26 (Recommended)
model_26 = YOLO("yolo26n.pt")
# Training is identical
model_26.train(data="coco8.yaml", epochs=100)
Her iki model de Ultralytics (eski adıyla HUB) ile tam entegre olup, sorunsuz veri kümesi yönetimi, bulut eğitimi ve tek tıklamayla dağıtım imkanı sunar.
Eğitim Verimliliği
YOLOv8 yüksek verimlidir ancak genellikle standart SGD AdamW gerektirir. MuSGD optimizasyon aracına sahip YOLO26, genellikle daha hızlı yakınsamaya ulaşır ve değerli GPU CUDA tasarruf sağlar. Ayrıca YOLO26, RT-DETRgibi dönüştürücü ağırlıklı mimarilere kıyasla daha az CUDA belleği gerektirir, bu da kullanıcıların NVIDIA 3060 veya 4090 gibi tüketici sınıfı GPU'larda daha büyük partileri eğitmelerine olanak tanır.
İdeal Kullanım Senaryoları
YOLOv8'i Ne Zaman Kullanmalı?
- Eski Projeler: YOLOv8 etrafında halihazırda oluşturulmuş istikrarlı bir üretim hattınız varsa YOLOv8 yükseltme için doğrulama süresini karşılayamıyorsanız.
- Araştırma Temelleri: YOLOv8 , yaygın olarak benimsenmesi ve alıntılanması nedeniyle karşılaştırma için standart bir akademik temel YOLOv8 .
YOLO26'ya Ne Zaman Geçiş Yapmalı?
- Edge Dağıtımı: Raspberry Pi, mobil cihazlar veya gömülü sistemlerde çalışan uygulamalar için %43 CPU çok önemlidir.
- Gerçek Zamanlı Gecikme: Uygulamanız (örneğin, otonom sürüş veya robotik) deterministik gecikme gerektiriyorsa, NMS tasarım, kalabalık sahnelerde sonradan işleme nedeniyle oluşan titreşimi ortadan kaldırır.
- Yüksek Doğruluk Gereksinimleri: YOLO26, tüm mAP YOLOv8 tutarlı bir şekilde geride bırakarak, tıbbi görüntüleme veya kusur tespiti gibi hassasiyetin kritik olduğu görevler için daha iyi bir seçimdir.
Sonuç
YOLOv8 YOLOv8 güçlü ve çok yönlü bir araç olmaya devam ederken, YOLO26 verimli bilgisayar görüşünün geleceğini temsil ediyor. Ultralytics kullanım kolaylığını NMS algılama ve LLM'den ilham alan optimizasyon gibi en son mimari yeniliklerle birleştiren YOLO26, cazip bir yükseltme yolu sunuyor.
Bugün yeni projeler başlatan geliştiriciler için, 2026 yılında mevcut olan hız, doğruluk ve kaynak verimliliği arasında en iyi dengeyi sunan YOLO26 önerilen seçimdir.
Daha Fazla Okuma
- Diğer modelleri keşfedin YOLO11 gibi diğer modelleri keşfedin.
- Modelleri ONNX TensorRT'ye aktarma hakkında bilgi edinin.
- En son eğitimler ve vaka çalışmaları için Ultralytics ziyaret edin.