YOLO Vision 2026:

Model Karşılaştırmaları#

Doğru sinir ağı mimarisini seçmek, herhangi bir başarılı computer vision projesinin temel taşıdır. Ultralytics Model Comparison Hub'a hoş geldin! Bu sayfa, en son Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer lider mimariler arasındaki ödünleşimleri inceleyerek ayrıntılı teknik analizleri ve performans kıyaslamalarını tek bir yerde toplar.

Uygulaman edge AI milisaniye gecikmesini veya tıbbi görüntüleme için gereken yüksek kaliteli hassasiyeti gerektirsin, bu kılavuz bilinçli bir seçim yapmak için gereken veriye dayalı içgörüleri sağlar. Modelleri mean Average Precision (mAP), inference speed, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

İnteraktif Performans Kıyaslamaları#

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, nesne tespiti için "Pareto sınırını" (belirli bir hız kısıtı için en iyi doğruluğu sunan modelleri) belirlemek açısından esastır. Aşağıdaki grafik, COCO gibi standart veri kümelerindeki temel metrikleri karşılaştırmaktadır.

Bu grafik, farklı modeller arasındaki ödünleşimleri hızlı bir şekilde değerlendirmeni sağlayan temel performance metrics görselleştirir. Bu metrikleri anlamak, özel dağıtım kısıtlarınla uyumlu bir model seçmek için temel öneme sahiptir.

Hızlı Karar Rehberi#

Nereden başlayacağından emin değil misin? Donanım ve performans gereksinimlerine en uygun mimariyi daraltmak için bu karar ağacını kullan.

graph TD
    A[Start: Define Project Needs]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]:::out
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]:::out

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]:::out
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]:::out

    A --> I{Specialized Features?}:::decide
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]:::out
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]:::out
    I -- "Video Analytics" --> L[YOLO26 + Tracking]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Mevcut Durum: YOLO26 ve Ötesi#

Nesne algılama alanı hızla ilerliyor. Eski modeller eski destek sistemleri için geçerliliğini korusa da, yeni mimariler mümkün olanın sınırlarını zorluyor.

Ultralytics YOLO26#

Ocak 2026'da yayınlanan YOLO26, en yeni son teknoloji modeldir ve tüm yeni projeler için önerilen başlangıç noktasıdır. Non-Maximum Suppression (NMS) sonrası işleme ihtiyacını ortadan kaldıran ve daha hızlı, daha öngörülebilir çıkarım süreleri sağlayan Uçtan Uca NMS-Free Tasarım dahil olmak üzere çığır açan mimari yenilikler sunar. YOLO26, önceki nesillere kıyasla CPU'larda %43'e kadar daha hızlıdır, bu da onu uç dağıtım için ideal kılar.

Temel yenilikler şunlardır:

  • NMS-Free Uçtan Uca: Sonradan işleme gerektirmeyen basitleştirilmiş dağıtım
  • DFL Kaldırma: ONNX, TensorRT ve CoreML'e optimize edilmiş dışa aktarımlar
  • MuSGD Optimize Edici: Kararlı yakınsama için LLM eğitiminden esinlenen hibrit SGD/Muon optimize edici
  • ProgLoss + STAL: Geliştirilmiş küçük nesne algılama performansı
Neden YOLO26 Seçmelisin?

YOLO26, CNN verimliliğinin en iyisini transformer benzeri uçtan uca yeteneklerle birleştiren Ultralytics mühendisliğinin zirvesini temsil eder. Algılama, segmentasyon, poz kestirimi, sınıflandırma ve OBB dahil olmak üzere tüm görevleri desteklerken, eskisinden daha küçük, daha hızlı ve dağıtımı daha kolaydır.

Ultralytics YOLO11#

YOLO11, YOLOv8'e kıyasla parametrelerde %22 azalma sağlarken algılama doğruluğunu artıran oldukça yetenekli bir model olmaya devam ediyor. Tam olarak desteklenmektedir ve kanıtlanmış bir kararlılığa ihtiyaç duyan veya mevcut YOLO11 işlem hatlarına sahip kullanıcılar için önerilir.

Topluluk Modelleri: YOLO12 ve YOLO13 Hakkında Bir Not#

Topluluk tartışmalarında veya depolarında YOLO12 veya YOLO13 referanslarıyla karşılaşabilirsin.

Üretim Uyarısı

Şu anda YOLO12 veya YOLO13'ü üretim kullanımı için önermiyoruz.

  • YOLO12: Genellikle eğitim kararsızlığına, aşırı bellek tüketimine ve önemli ölçüde daha yavaş CPU çıkarım hızlarına neden olan dikkat katmanları kullanır.
  • YOLO13: Kıyaslamalar, YOLO11'e göre yalnızca marjinal doğruluk kazanımları olduğunu, aynı zamanda daha büyük ve yavaş olduğunu göstermektedir. Bildirilen sonuçlar, tekrarlanabilirlik ile ilgili sorunlar göstermiştir.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Detaylı Model Karşılaştırmaları#

Omurga seçimi, baş tasarımı ve kayıp fonksiyonları gibi belirli mimari farklılıkları anlamak için derinlemesine teknik karşılaştırmalarımızı keşfet. Kolay erişim için bunları modele göre düzenledik:

YOLO26 ile#

YOLO26, NMS gerektirmeyen uçtan uca algılama, MuSGD optimizatörü ve %43'e varan daha hızlı CPU çıkarımı içeren en son Ultralytics modelidir. En son teknoloji ürünü doğruluğa ulaşırken uç dağıtım için optimize edilmiştir.

YOLO11 ile#

YOLO11, en son araştırmalarla seleflerinin başarısını geliştirir. Daha iyi özellik çıkarımı ve optimize edilmiş verimlilik için geliştirilmiş bir gövde ve boyun mimarisine sahiptir.

YOLOv10 ile#

Tsinghua Üniversitesi tarafından geliştirilen YOLOv10, gecikme varyansını azaltmak için Non-Maximum Suppression (NMS) adımını kaldırmaya odaklanır ve azaltılmış hesaplama yüküyle son teknoloji performans sunar.

YOLOv9 ile#

YOLOv9, derin sinir ağlarındaki bilgi kaybını ele almak için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağını (GELAN) sunar.

YOLOv8 ile#

Ultralytics YOLOv8, optimum doğruluk-hız ödünleşimleri için gelişmiş omurga ve boyun mimarilerine ve ankraj içermeyen bölünmüş başlığa sahip, oldukça popüler bir seçenek olmaya devam etmektedir.

YOLOv7 ile#

YOLOv7, çıkarım maliyetlerini artırmadan eğitim sürecini optimize etmeye odaklanan "eğitilebilir bag-of-freebies" ve model yeniden parametrelendirme yöntemlerini tanıttı.

YOLOv6 ile#

Meituan tarafından geliştirilen YOLOv6, endüstriyel uygulamalar için tasarlanmış olup, Bi-directional Concatenation (BiC) modülleri ve çapa destekli eğitim stratejileri içerir.

YOLOv5 ile#

Ultralytics YOLOv5, kullanım kolaylığı, kararlılığı ve hızıyla bilinir. Geniş cihaz uyumluluğu gerektiren projeler için güvenilir bir seçenek olmaya devam etmektedir.

RT-DETR ile#

RT-DETR (Real-Time Detection Transformer), küresel bağlamı anlamada üstünlük sağlayarak, gerçek zamanlı performans ile yüksek doğruluk elde etmek için vision transformer yapısından yararlanır.

PP-YOLOE+ ve#

Baidu tarafından geliştirilen PP-YOLOE+, verimlilik ve doğruluk arasında denge kurmak için Task Alignment Learning (TAL) ve ayrıştırılmış bir baş (decoupled head) kullanır.

DAMO-YOLO ve#

Alibaba Group'tan DAMO-YOLO, statik kıyaslamalarda doğruluğu maksimize etmek için Neural Architecture Search (NAS) ve verimli RepGFPN kullanır.

YOLOX ve#

Megvii tarafından geliştirilen YOLOX, ayrıştırılmış baş (decoupled head) yapısı ve SimOTA etiket atama stratejisi ile bilinen, çapasız (anchor-free) bir evrimdir.

EfficientDet ve#

Google Brain'den EfficientDet, parametre verimliliğini optimize etmek için bileşik ölçeklendirme (compound scaling) ve BiFPN kullanır; farklı kısıtlamalar için bir dizi model (D0-D7) sunar.

Bu dizin, yeni modeller yayınlandıkça ve kıyaslamalar geliştirildikçe sürekli olarak güncellenmektedir. Bir sonraki bilgisayarlı görü projen için mükemmel uyumu bulmak amacıyla bu kaynakları incelemeni teşvik ediyoruz. Özel lisanslamaya sahip kurumsal düzeyde çözümler arıyorsan, lütfen Lisanslama sayfamızı ziyaret et. Keyifli karşılaştırmalar!

Katkıda Bulunanlar
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Yorumlar