RTDETRv2 ile YOLO26#

Gerçek zamanlı nesne algılama alanı büyük ölçüde gelişti; araştırmacılar hız, doğruluk ve dağıtım verimliliğinin sınırlarını sürekli zorluyor. Bu alanda şu anda öne çıkan iki mimari, Transformer tabanlı RTDETRv2 ve son teknoloji Evrişimli Sinir Ağı (CNN) olan Ultralytics YOLO26. Bu kılavuz, bir sonraki bilgisayarlı görü projen için doğru modeli seçmene yardımcı olmak amacıyla mimarileri, performans ölçütlerini ve ideal kullanım alanlarını derinlemesine inceliyor.

RTDETRv2: Gerçek Zamanlı Algılama Transformer'ları#

RTDETRv2, görsel Transformer'ların genel bağlam farkındalığını gerçek zamanlı uygulamalar için gereken hızla birleştirmeyi amaçlayan özgün RT-DETR mimarisini temel alır.

Temel Özellikler:

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Kurum: Baidu
• Tarih: 2024-07-24
• Bağlantılar: Arxiv, GitHub, Belgeler

Mimari ve Güçlü Yönler#

Geleneksel anchor tabanlı algılayıcıların aksine RTDETRv2, son işleme sırasında Non-Maximum Suppression (NMS) ihtiyacını yerel olarak ortadan kaldıran Transformer tabanlı bir yaklaşım kullanır. Esnek bir dikkat mekanizmasından yararlanan model, karmaşık sahneleri ve üst üste binen nesneleri anlamada son derece etkilidir. "Bag-of-Freebies" iyileştirmeleri, üst düzey GPU'larda kabul edilebilir çıkarım hızlarını korurken COCO veri kümesindeki doğruluğunu önemli ölçüde artırmıştır.

Sınırlamalar#

RTDETRv2 akademik açıdan etkileyici sonuçlar elde etse de üretim ortamlarında çoğu zaman zorluklar çıkarır. Transformer mimarileri, hem eğitim hem de çıkarım sırasında CNN'lere kıyasla doğası gereği daha fazla bellek gerektirir. Bu durum, kaynak kısıtlı uç yapay zekâ cihazlarına dağıtımı zorlaştırabilir. Ayrıca Transformer eğitimi genellikle daha büyük toplu iş boyutları ve daha fazla CUDA belleği gerektirir; bu da donanımı sınırlı araştırmacılar için darboğaz oluşturabilir.

RTDETRv2 hakkında daha fazla bilgi edin

YOLO26: Uç Cihazları Önceleyen Görsel Yapay Zekânın Zirvesi#

2026'nın başlarında yayımlanan Ultralytics YOLO26, CNN tabanlı nesne algılamanın olanaklarını yeniden tanımlıyor. Sorunsuz üretim dağıtımı ve üstün donanım verimliliği için özel olarak tasarlanmış en yeni optimizasyonları içeriyor.

Temel Özellikler:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 14 Ocak 2026
• Bağlantılar: GitHub, Belgeler

Mimari Yenilikler#

YOLO26, model dağıtımındaki yaygın sorunları çözen çeşitli devrim niteliğinde özellikler sunuyor:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10 ile öncülük edilen fikirleri temel alan YOLO26, yerel olarak uçtan uca çalışır. İsteğe bağlı bire bir başlığıyla (nms=False) NMS son işlemesini atlayarak gecikme değişkenliğini büyük ölçüde azaltır ve üretimde son derece öngörülebilir çıkarım süreleri sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimari iyileştirmeler ve Distribution Focal Loss'un (DFL) kaldırılmasıyla YOLO26, benzeri görülmemiş CPU hızlarına ulaşarak özel GPU'ları olmayan cihazlarda uç bilişim için en iyi seçenek hâline gelir.
• MuSGD Optimizer: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, SGD ile Muon'un birleşimi olan MuSGD optimizer'ı kullanır. Bu, son derece kararlı eğitim süreçleri ve olağanüstü hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri ve drone tabanlı gözetim uygulamaları için temel önem taşıyan küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar.

Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ile hesaplama verimliliği arasında güçlü bir performans dengesi yakalamak kritik önem taşır. Aşağıdaki tablo, YOLO26'nın farklı boyut seçeneklerinde RTDETRv2'den sürekli olarak daha iyi performans gösterdiğini ortaya koyuyor.

Yukarıda görüldüğü gibi YOLO26x modeli, RTDETRv2-x modelini önemli ölçüde geride bırakarak daha az parametre kullanırken daha yüksek TensorRT çıkarım hızını koruyor ve kayda değer 57.5 mAP değerine ulaşıyor. Ayrıca YOLO26'nın bellek gereksinimleri belirgin biçimde daha düşük olduğundan gerçek zamanlı uç dağıtımlar için en uygun seçenektir.

Ekosistem ve Kullanım Kolaylığı#

Ham performans kritik olsa da bir modelin araştırmadan üretime ne kadar hızlı taşınabileceğini çevresindeki ekosistem belirler. Ultralytics Platform bu noktada eşsiz bir avantaj sağlar.

Bakımı Düzenli Yapılan, Bütünleşik Bir Ekosistem#

RTDETRv2 öncelikle araştırma amaçlı bir depo olarak çalışır; bu nedenle karmaşık ortam kurulumları ve özel görevler için elle betik yazılması gerekebilir. Buna karşılık Ultralytics YOLO26, olgunlaşmış ve kapsamlı biçimde test edilmiş bir Python paketinden yararlanır. Ultralytics ekosistemi, eğitim, doğrulama, tahmin ve dışa aktarma için basit bir API sunarak son derece akıcı bir kullanıcı deneyimi sağlar.

Weights & Biases ve Comet ML için yerleşik entegrasyonlar sayesinde deney takibi sorunsuzdur. Ayrıca Ultralytics modelleri son derece çok yönlüdür: RTDETRv2 nesne algılamaya odaklanırken YOLO26, aynı çerçeve içinde örnek segmentasyonunu, poz tahminini ve görüntü sınıflandırmasını yerel olarak destekler.

Kod Örneği: Sadelik iş başında#

Ultralytics API, geliştiricilerin yalnızca birkaç satır kodla model yüklemesine, eğitmesine ve çıkarım yapmasına olanak tanır. Bu, eğitim verimliliğini önemli ölçüde artırır ve pazara sunma süresini kısaltır.

from ultralytics import RTDETR, YOLO

# Bir RT-DETR modeli yükle
model_rtdetr = RTDETR("rtdetr-l.pt")

# En yeni YOLO26 modelini yükle
model_yolo = YOLO("yolo26n.pt")

# Bir görüntü üzerinde sorunsuzca çıkarım yap
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# YOLO26 sonuçlarını görüntüle
results_yolo[0].show()

# YOLO26 modelini tek tıkla ONNX biçimine aktar
model_yolo.export(format="onnx")

Kullanım Alanları ve Öneriler#

RT-DETR ile YOLO26 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

RT-DETR Ne Zaman Seçilmeli?#

RT-DETR şu durumlar için güçlü bir seçenektir:

• Transformer Tabanlı Tespit Araştırmaları: NMS kullanmadan uçtan uca nesne tespiti için dikkat mekanizmalarını ve Transformer mimarilerini inceleyen projeler.
• Gecikme Esnekliğinin Olduğu Yüksek Doğruluk Gerektiren Senaryolar: Tespit doğruluğunun en önemli öncelik olduğu ve biraz daha yüksek çıkarım gecikmesinin kabul edilebildiği uygulamalar.
• Büyük Nesne Tespiti: Transformer'ların genel dikkat mekanizmasının doğal bir avantaj sağladığı, çoğunlukla orta ve büyük nesneler içeren sahneler.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Diğer Mimarileri İnceleme#

YOLO26 mevcut performansın zirvesini temsil etse de geliştiriciler önceki sürümleri incelemeyi de değerli bulabilir. Büyük başarı yakalayan YOLO11, çeşitli eski sistemler için sağlam ve tam destekli bir model olmayı sürdürüyor. RT-DETR ile YOLO11 karşılaştırmamızı okuyarak yeteneklerini daha ayrıntılı inceleyebilirsin. Ayrıca daha eski mimarileri analiz ediyorsan, EfficientDet ile YOLO26 karşılaştırmasına göz atmak, nesne algılama mimarilerinin ne kadar ilerlediğine dair değerli bir tarihsel bağlam sunar.

Son Düşünceler#

Hem RTDETRv2 hem de YOLO26, yapay zekâ alanında etkileyici ilerlemeler sunuyor. Ancak üretime sorunsuz geçişe, düşük bellek kullanımına ve çok çeşitli görevleri yerine getirebilmeye öncelik veren ekipler için Ultralytics YOLO26 açık ara en iyi seçenektir. NMS içermeyen mimarisi, yüksek CPU hızı ve güçlü Ultralytics ekosisteminin desteği, görüntü işleme yapay zekâ projelerinin ölçeklenebilir, verimli ve geleceğe hazır kalmasını sağlar. YOLO26, ister bulut sunucusunda ister kaynakları kısıtlı bir Raspberry Pi üzerinde dağıtılsın, kutudan çıktığı hâliyle ödün vermeyen bir performans sunar.