YOLO11 YOLO26: Gerçek Zamanlı Nesne Algılamanın Evrimi

Bilgisayar görüşünün manzarası sürekli değişiyor ve her yeni model yinelemesi hız, doğruluk ve kullanılabilirliğin sınırlarını zorluyor. Bu yolculuktaki iki önemli dönüm noktası şunlardır YOLO11 ve çığır açan YOLO26'dır. YOLO11 , 2024'ün sonlarında kurumsal dağıtım için sağlam bir standart YOLO11 , YOLO26, yerel uçtan uca mimarisi ve CPU tasarımıyla bir paradigma değişikliğini temsil etmektedir.

Bu kılavuz, geliştiricilerin, araştırmacıların ve mühendislerin belirli bilgisayar görme uygulamaları için doğru aracı seçmelerine yardımcı olmak amacıyla kapsamlı bir teknik karşılaştırma sunmaktadır.

Özet: Temel Farklılıklar

Her iki model de YOLO You Only Look Once) ailesinin temel ilkeleri üzerine inşa edilmiş olsa da, mimari felsefelerinde önemli ölçüde farklılık gösterirler.

• YOLO11: Çok yönlülük ve ekosistem entegrasyonu için tasarlanmıştır. Non-Maximum Suppression (NMS) gibi geleneksel son işlem yöntemlerine dayanır, ancak çok çeşitli görevler için son derece kararlı ve iyi desteklenen bir çerçeve sunar.
• YOLO26: Kenar ve geleceğe dönük olarak tasarlanmıştır. Yerel olarak uçtan uca NMS bir tasarım sunarak karmaşık son işlem adımlarını ortadan kaldırır. Ayrıca yenilikçi MuSGD optimizasyon özelliğine sahiptir ve CPU için özel olarak tasarlanmıştır, bu sayede Raspberry Pi gibi cihazlarda %43'e varan hız artışı sağlar.

Ayrıntılı Performans Analizi

Nesiller arasındaki performans farkı genellikle milisaniye ve ortalama hassasiyet (mAP) yüzde puanları ile ölçülür. Aşağıdaki tablo hız ve doğruluktaki iyileşmeleri göstermektedir. Kenar AI dağıtımları için kritik bir metrik olan YOLO26 için CPU süresindeki önemli azalmaya dikkat edin.

YOLO11: Çok Yönlü Standart

YOLO11
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: Ultralytics

YOLO11 , YOLO özellik çıkarma verimliliğine odaklanan önemli bir YOLO11 . YOLO7'yi iyileştirerek YOLOv8 'yi C3k2 bloğunu optimize ederek ve SPPF geliştirmelerini tanıtarak iyileştirdi.

Güçlü Yönler:

• Kanıtlanmış Sağlamlık: Endüstride yaygın olarak benimsenmiş, kapsamlı topluluk eklentileri ve desteği ile.
• GPU : NVIDIA (T4, A100) yüksek verimlilik TensorRTkullanarak bulut tabanlı çıkarım için mükemmeldir.
• Görev Çok Yönlülüğü: Algılama, segmentasyon ve poz tahmininde güçlü performans.

Zayıflıklar:

• NMS : Gecikme değişkenliğine yol açabilecek ve dağıtım süreçlerini karmaşıklaştırabilecek Non-Maximum Suppression son işleme gerektirir.
• Daha yüksek FLOP'lar: En yeni mimarilere göre hesaplama açısından biraz daha pahalıdır.

YOLO11 hakkında daha fazla bilgi edinin

YOLO26: Öncü Yenilikçi

YOLO26
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: Ultralytics

YOLO26, ticari donanımlarda verimliliği önceliklendiren, ileriye dönük bir mimaridir. NMS ihtiyacını ortadan kaldırarak NMS CPU setleri için optimizasyon yaparak, daha önce modern yapay zeka için çok yavaş olduğu düşünülen cihazlarda gerçek zamanlı performans sağlar.

Önemli Yenilikler:

• Uçtan uca NMS: YOLO26, bire bir eşleşmeleri doğrudan tahmin ederek NMS ortadan kaldırır. Bu, ONNX veya CoreML aktarımı CoreML basitleştirir.
• DFL Kaldırma: Dağıtım Odak Kaybının kaldırılması, çıkış kafasını düzene sokarak düşük güçlü kenar cihazlarıyla uyumluluğu artırır.
• MuSGD Optimizer: Büyük Dil Modeli (LLM) eğitim tekniklerinden (özellikle Moonshot AI'nın Kimi K2'sinden) esinlenen bu hibrit optimizer, aşağıdakileri birleştirir SGD ile Muon'u birleştirerek daha hızlı yakınsama ve kararlılık sağlar.
• ProgLoss + STAL: Yeni kayıp fonksiyonları, hava görüntüleme ve robotik için kritik bir gereklilik olan küçük nesne algılamayı iyileştirir.

YOLO26 hakkında daha fazla bilgi edinin

Mimari Derinlemesine İnceleme

YOLO11 'den YOLO11 geçiş sadece parametre sayısıyla ilgili değildir; modelin öğrenme ve tahmin etme şeklinin temel bir değişikliğidir.

Eğitim Metodolojileri ve Verimlilik

Ultralytics öne çıkan özelliklerinden biri eğitim verimliliğidir. Her iki model de, sorunsuz veri kümesi yönetimi ve bulut eğitimi sağlayan entegre Ultralytics yararlanır.

Ancak YOLO26, momentum güncellemelerini uyarlayarak görme modellerinin karmaşık kayıp manzaralarını standart AdamW SGD daha etkili bir şekilde ele alan MuSGD optimizasyon aracını sunar. Bu sayede modeller daha hızlı yakınsar, değerli GPU saatlerinden tasarruf edilir ve eğitimin karbon ayak izi azaltılır.

Ek olarak, YOLO26, geliştirilmiş göreve özgü kayıpları kullanır:

• Segmentasyon: Geliştirilmiş semantik segmentasyon kaybı ve çok ölçekli proto modülleri.
• Poz: Daha doğru anahtar nokta lokalizasyonu için Artık Log-Olasılık Tahmini (RLE).
• OBB: Yönlendirilmiş Sınır Kutusu görevlerinde sınır süreksizliklerini çözmek için özel açı kaybı.

Bellek Gereksinimleri

Ultralytics YOLO , RT-DETR gibi transformatör tabanlı mimarilere kıyasla düşük bellek ayak iziyle tanınır. RT-DETR veya SAM gibi transformatör tabanlı mimarilere kıyasla düşük bellek ayak izleriyle tanınır.

Gerçek Dünya Kullanım Durumları

YOLO11 YOLO26 arasında seçim yapmak genellikle dağıtım donanımınız ve özel uygulama ihtiyaçlarınıza bağlıdır.

YOLO11 için İdeal Senaryolar

• Bulut API Hizmetleri: Güçlü GPU'ların mevcut olduğu ve yüksek verimlilik (toplu işleme) tek görüntü gecikmesinden daha önemli olduğu durumlarda.
• Eski Entegrasyonlar: NMS boru hatları etrafında zaten oluşturulmuş sistemler, burada son işlem mantığının değiştirilmesi mümkün değildir.
• Genel Amaçlı Analitik: Standart GPU kullanıldığı perakende ısı haritalama veya müşteri sayımı.

YOLO26 İçin İdeal Senaryolar

• IoT ve Kenar Cihazları: Raspberry Pi, NVIDIA Nano veya cep telefonlarında nesne algılama çalıştırma. %43 CPU burada oyunun kurallarını değiştiriyor.
• Robotik: Gecikme varyansı kontrol döngüleri için ölümcüldür. NMS tasarım, otonom navigasyon için çok önemli olan deterministik çıkarım sürelerini garanti eder.
• Hava Ölçümü: ProgLoss işlevi, küçük nesnelerin tanınmasını önemli ölçüde artırarak YOLO26'yı drone görüntüleri analizinde üstün kılar.
• Gömülü Sistemler: NMS sırasında binlerce aday kutuyu sıralamanın getirdiği ek yükü kaldıramayan, sınırlı hesaplama kapasitesine sahip cihazlar.

Kod Uygulaması

Her iki model de Ultralytics tanımlayan aynı Kullanım Kolaylığı özelliğine sahiptir. YOLO11 'den YOLO11 geçiş için yalnızca model dizisini değiştirmek yeterlidir.

from ultralytics import YOLO

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

# Run inference on a local image
results = model("path/to/image.jpg")

# Process results
for result in results:
    result.show()  # Display to screen
    result.save(filename="result.jpg")  # Save to disk

Bu birleşik API, geliştiricilerin tüm kod tabanını yeniden yazmadan farklı mimarileri deneyebilmelerini sağlar.

Sonuç

Her iki mimari de Ultralytics açık kaynaklı bilgisayar görüşü alanında neden lider Ultralytics göstermektedir. YOLO11 , kurumsal veri merkezleri için mükemmel, olgun, çok yönlü ve GPU bir çözüm sunar. YOLO26 ise, geleneksel darboğazları ortadan kaldıran, son derece hızlı CPU ve basitleştirilmiş uçtan uca bir iş akışı sunarak, uç yapay zekanın geleceğini temsil eder.

Çoğu yeni proje için, özellikle uç dağıtım, mobil uygulamalar veya robotik ile ilgili projeler için, üstün hız-doğruluk oranı ve modern mimari tasarımı nedeniyleYOLO26 önerilen seçimdir.

Keşfedilecek Diğer Modeller

• YOLOv10: YOLO inde NMS yaklaşımın öncüsü.
• RT-DETR: Hızın ikincil öneme sahip olduğu senaryolar için yüksek doğruluk sunan transformatör tabanlı bir dedektör.
• YOLOv8: Son derece güvenilir bir klasik, geniş kaynak kütüphanesi nedeniyle hala yaygın olarak kullanılmaktadır.

Yorumlar