Link to this sectionYOLO11 ile YOLO26 karşılaştırması#

Bilgisayarlı görüdeki hızlı evrim, hız, doğruluk ve dağıtım verimliliğinin sınırlarını sürekli olarak zorluyor. Gerçek zamanlı nesne algılama dünyasında Ultralytics, standardı tutarlı bir şekilde belirliyor. Bu teknik karşılaştırma, oldukça başarılı YOLO11 modelinden en gelişmiş YOLO26 modeline geçişi keşfediyor; mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ediyor.

İnsansız hava aracı (İHA) teslimat sistemleri geliştiriyor ya da küresel bir akıllı üretim hattını optimize ediyor olsan, bu iki model arasındaki nüanslı farkları anlaman, sağlam ve geleceğe hazır yapay zeka çözümleri oluşturmana yardımcı olacaktır.

Link to this sectionModel Soy ağacı ve Ekosistem#

Her iki model de, anlaşılır API yapısı, sürekli bakımı ve canlı topluluğu ile bilinen kapsamlı Ultralytics ekosisteminden yararlanır. Bu modeller, nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönelimli Sınırlayıcı Kutu (OBB) görevlerini kutudan çıktığı gibi destekleyerek eşsiz bir çok yönlülük sunar.

Link to this sectionYOLO11: Kanıtlanmış Standart#

2024'ün sonlarında piyasaya sürülen YOLO11, önceki nesillerin geliştirmelerini rafine ederek üretim ortamları için güvenilir bir iş gücü olarak yerini sağlamlaştırdı.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: YOLO11 Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionYOLO26: Yeni Sınır#

2026'nın başlarında tanıtılan YOLO26, uç bilişim ve uçtan uca mimaride bir paradigma değişimi temsil ederek işlem hızında ve entegrasyon kolaylığında önemli iyileştirmeler sunuyor.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: YOLO26 Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

YOLO11, bilgisayarlı görüye yıllardır güç veren geleneksel son işleme yöntemlerine dayanırken, YOLO26 darboğazları ortadan kaldırmak için tasarlanmış birçok yapısal atılımı beraberinde getiriyor.

Link to this sectionUçtan Uca NMS'siz Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, doğal olarak uçtan uca olan mimarisidir. Bu, ilk kez YOLOv10 ile öncülük edilen bir kavram olan ve işlem yükü yaratan NMS (Non-Maximum Suppression) son işleme adımını ortadan kaldırır. NMS'yi devre dışı bırakmak, dağıtım hattını önemli ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için kritik olan tutarlı gecikme sürelerini garanti altına alır.

Link to this sectionUç Optimizasyonu için DFL Kaldırma#

YOLO26, DFL (Distribution Focal Loss) özelliğini kaldırır. DFL, YOLO11'de hassas yerelleştirme için yararlı olsa da, onu kaldırmak ağın dışa aktarma grafiğini basitleştirir. Bu değişiklik, düşük güç tüketen donanımlarla gelişmiş uyumluluk sağlar ve YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi uç cihazlarda mutlak bir güç merkezi haline getirir.

Link to this sectionMuSGD Optimize Edici#

Büyük Dil Modeli (LLM) eğitim mekanizmalarından, özellikle Moonshot AI'ın Kimi K2 çözümünden ilham alan YOLO26, devrim niteliğindeki MuSGD Optimize Edici'yi kullanır. Stokastik Gradyan İnişi (SGD) ve Muon'un bu hibrit yapısı, oldukça kararlı eğitim süreçleri sağlar ve eski mimarilerde kullanılan standart AdamW optimize edicilerden çok daha hızlı yakınsar.

Link to this sectionGelişmiş Kayıp Fonksiyonları#

YOLO26, ProgLoss + STAL (Progressive Loss and Scale-Aware Task Alignment Learning) sistemini içerir. Bu kombinasyon, küçük ve yoğun paketlenmiş nesnelerin algılanmasını önemli ölçüde iyileştirir. Ayrıca YOLO26, göreve özel geliştirmeler sunar: anlamsal segmentasyon için özel çok ölçekli prototip, karmaşık insan pozu tahminleri için Residual Log-Likelihood Estimation (RLE) ve OBB algılama görevlerinde sınır sorunlarını hafifletmek için özel bir açı kaybı işlevi.

Link to this sectionPerformans Karşılaştırması#

Bu modelleri değerlendirirken, parametre sayısı, hesaplama karmaşıklığı (FLOPs) ve hız arasındaki denge donanım seçimini belirler. YOLO26, öncülüne kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ederek özellikle CPU çıkarım hızını hedefler.

Gösterildiği gibi, YOLO26 Nano (YOLO26n), ONNX Runtime kullanarak CPU çıkarım süresini 56.1ms'den 38.9ms'ye düşürürken doğruluk oranında önemli bir sıçrama yapar.

Link to this sectionKullanım Durumları ve Gerçek Dünya Uygulamaları#

YOLO11 ile YOLO26 arasında seçim yapmak büyük ölçüde özel altyapına ve proje hedeflerine bağlıdır.

Link to this sectionUç Bilişim ve IoT#

İHA'lar aracılığıyla akıllı tarım izleme veya yerel güvenlik alarm sistemleri gibi güç ve donanım kısıtlı uygulamalar için YOLO26 tartışmasız şampiyondur. DFL'nin kaldırılması ve CPU hızındaki %43'lük artış, yüksek kare hızlarını korurken karmaşık görü modellerini özel GPU ihtiyacı olmadan cihazlarda çalıştırabileceğin anlamına gelir.

Link to this sectionBulut ve Kurumsal Ölçek#

YOLO11, devasa sunucu çiftliklerinin zaten tensör yapıları için optimize edildiği kurumsal çözümler için mükemmel bir seçenek olmaya devam ediyor. Özellikle bulut tabanlı video analitiği ve belirli çıktı formatlarıyla derinlemesine entegre olan büyük ölçekli medya işleme hatları için mükemmel hizmet eder.

Link to this sectionKarmaşık Çoklu Görevler#

Projen, devre kartındaki kusurları tespit etmek veya hava görüntüleri üzerindeki uzak araçları takip etmek gibi küçük nesnelerde nokta atışı doğruluk gerektiriyorsa, YOLO26 içindeki ProgLoss + STAL uygulaması, bu zor uç durumlarda hatırlama (recall) ve hassasiyette fark edilir bir artış sağlar.

Link to this sectionEğitim Verimliliği ve Bellek Gereksinimleri#

Ultralytics çerçevesinin en büyük avantajlarından biri, eğitim sırasındaki inanılmaz derecede düşük bellek ayak izidir. RT-DETR veya çok fazla CUDA belleği tüketebilen eski YOLOv8 gibi devasa görüntü transformer modellerinin aksine, hem YOLO11 hem de YOLO26 tüketici sınıfı donanımlarda verimli bir şekilde eğitilmek üzere optimize edilmiştir.

YOLO26'daki MuSGD optimize edicisinin entegrasyonu, modelin en uygun ağırlıkları daha hızlı bulmasını sağlayarak toplam GPU işlem saatlerini ve bulut bilişim maliyetlerini azaltır.

Yerel Python API'sini kullanarak en yeni YOLO26 modelini eğitmenin ne kadar zahmetsiz olduğunu gösteren basit bir örnek aşağıdadır:

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run a quick validation to verify the mAP metrics
metrics = model.val()

# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")

Link to this sectionAlternatif Mimarileri Keşfetmek#

YOLO26, gerçek zamanlı algılamanın zirvesini temsil etse de, Ultralytics dokümantasyonundaki diğer modelleri keşfetmek faydalı olabilir. Eski sistemlere bağlı kullanıcılar için YOLOv5 gibi eski mimariler hala sağlam performans sağlar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır örnekli (zero-shot) yetenekler için YOLO-World, metin istemleriyle desteklenen açık kelime dağarcıklı algılama sunar.

Link to this sectionSonuç#

YOLO11'den YOLO26'ya geçiş, sadece artımlı bir güncelleme değil; gerçek zamanlı nesne algılama modellerinin üretimde nasıl çalıştığının yapısal bir yeniden tasavvurudur. Karmaşık son işleme adımlarını ortadan kaldırarak ve uç öncelikli yürütme için optimize ederek, YOLO26 modern geliştiriciler için en iyi seçenek olarak öne çıkıyor. Güçlü Ultralytics ekosistemi ve kapsamlı dokümantasyon ile desteklenen YOLO26'ya yükseltme yapmak, neredeyse tüm bilgisayarlı görü görevleri için daha hızlı dağıtımlar, kararlı eğitim ve SOTA doğruluğunu garanti eder.