Meet YOLO26: next-gen vision AI.

Link to this sectionModel Karşılaştırmaları: Projeniz için En İyi Nesne Algılama Modelini Seçin#

Doğru sinir ağı mimarisini seçmek, her başarılı bilgisayarlı görü projesinin temel taşıdır. Ultralytics Model Karşılaştırma Merkezi'ne hoş geldin! Bu sayfa, en yeni Ultralytics YOLO26 ile YOLO11, YOLOv10, RT-DETR ve EfficientDet gibi diğer önde gelen mimariler arasındaki takasları inceleyen detaylı teknik analizleri ve performans kıyaslamalarını merkezileştirir.

Uygulaman ister uç yapay zekanın milisaniyelik gecikme süresini gerektirsin, ister tıbbi görüntüleme için gereken yüksek doğruluk oranına ihtiyaç duysun, bu rehber bilinçli bir seçim yapman için gereken veri odaklı içgörüleri sağlar. Modelleri ortalama Hassasiyet (mAP), çıkarım hızı, parametre verimliliği ve dağıtım kolaylığına göre değerlendiriyoruz.

Link to this sectionİnteraktif Performans Kıyaslamaları#

Hız ve doğruluk arasındaki ilişkiyi görselleştirmek, nesne algılamanın "Pareto sınırını" yani belirli bir hız kısıtlaması için en iyi doğruluğu sunan modelleri belirlemek için şarttır. Aşağıdaki grafik, COCO gibi standart veri kümeleri üzerindeki temel metrikleri karşılaştırır.

Bu grafik, farklı modeller arasındaki takasları hızla değerlendirmeni sağlayan temel performans metriklerini görselleştirir. Bu metrikleri anlamak, özel dağıtım kısıtlamalarınla uyumlu bir model seçmen için temeldir.

Link to this sectionHızlı 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] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

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

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

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

Link to this sectionMevcut Durum: YOLO26 ve Ötesi#

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

Link to this sectionUltralytics 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.

Link to this sectionUltralytics 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.

Link to this sectionTopluluk 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

Link to this sectionDetaylı 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:

Link to this sectionYOLO26 karşılaştırması#

YOLO26, NMS-free uçtan uca algılama, MuSGD optimize edici ve %43'e kadar daha hızlı CPU çıkarımı özelliklerine sahip en yeni Ultralytics modelidir. En son teknoloji doğruluğuna ulaşırken uç dağıtımı için optimize edilmiştir.

Link to this sectionYOLO11 karşılaştırması#

YOLO11, öncüllerinin başarısını en son araştırmalarla inşa eder. Daha iyi özellik çıkarımı ve optimize edilmiş verimlilik için geliştirilmiş bir omurga ve boyun mimarisine sahiptir.

Link to this sectionYOLOv10 karşılaştırması#

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

Link to this sectionYOLOv9 karşılaştırması#

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

Link to this sectionYOLOv8 karşılaştırması#

Ultralytics YOLOv8, gelişmiş omurga ve boyun mimarileri ve optimal doğruluk-hız takasları için çapasız bölünmüş bir başlık içeren oldukça popüler bir seçenek olmaya devam ediyor.

Link to this sectionYOLOv7 karşılaştırması#

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

Link to this sectionYOLOv6 ve#

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

Link to this sectionYOLOv5 ve#

Ultralytics YOLOv5; kullanım kolaylığı, kararlılığı ve hızı ile bilinir. Geniş cihaz uyumluluğu gerektiren projeler için sağlam bir seçenek olmaya devam etmektedir.

Link to this sectionRT-DETR ve#

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

Link to this sectionPP-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.

Link to this sectionDAMO-YOLO ve#

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

Link to this sectionYOLOX ve#

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

Link to this sectionEfficientDet 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 karşılaştırma testleri iyileştirildikçe sürekli güncellenmektedir. Bir sonraki bilgisayarlı görü projen için en uygun modeli bulmak amacıyla bu kaynakları keşfetmeni öneririz. Özel lisanslama gerektiren kurumsal seviyede çözümler arıyorsan, lütfen Lisanslama sayfamızı ziyaret et. İyi karşılaştırmalar!

Katkıda bulunanlar
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

Yorumlar