YOLO11 vs. YOLO26: Gerçek Zamanlı Görsel Yapay Zeka Evrimi

Bilgisayar görüşü alanı hızla ilerliyor ve Ultralytics, son teknoloji nesne tespit modelleriyle liderliğini sürdürüyor. Bu karşılaştırma, 2024'ün sonlarında piyasaya sürülen YOLO11 ile Ocak 2026'da piyasaya sürülen çığır açan YOLO26'nın mimari evrimini, performans metriklerini ve pratik uygulamalarını inceliyor. Her iki model de kendi piyasaya sürülme zamanlarında görsel yapay zekanın zirvesini temsil etse de, YOLO26, uç dağıtım için verimliliği ve hızı yeniden tanımlayan önemli mimari değişiklikler sunuyor.

Modele Genel Bakış

YOLO11

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

YOLO11, YOLO serisinde önemli bir iyileşmeye işaret ederek YOLOv8'e kıyasla parametrelerde %22'lik bir azalma sağlarken tespit doğruluğunu artırdı. Hız ve hassasiyeti dengeleyen gelişmiş bir mimari tasarım sunarak, nesne tespiti'nden örnek segmentasyonu'na kadar çeşitli bilgisayar görüşü görevleri için güvenilir bir seçenek haline geldi.

YOLO11 hakkında daha fazla bilgi edinin

YOLO26

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

YOLO26, doğal olarak uçtan uca NMS içermeyen tasarımı ile bir paradigma değişimi temsil ediyor ve Non-Maximum Suppression sonrası işlem ihtiyacını ortadan kaldırıyor. İlk olarak YOLOv10'da öncülük edilen bu yenilik, dağıtım hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır. YOLO26, özellikle uç bilişim için optimize edilmiştir, %43'e kadar daha hızlı CPU çıkarımı sunar ve LLM eğitim yeniliklerinden esinlenen SGD ve Muon'un bir melezi olan MuSGD Optimizer gibi yeni eğitim tekniklerini içerir.

YOLO26 hakkında daha fazla bilgi edinin

Uçtan Uca Gecikme Avantajı

NMS adımını kaldırarak YOLO26, bir sahnedeki tespit edilen nesne sayısından bağımsız olarak tutarlı çıkarım süreleri sağlar. Bu, otonom sürüş gibi gerçek zamanlı uygulamalar için çok önemlidir, zira işlem sonrası ani yükselişler tehlikeli gecikmelere neden olabilir.

Performans Karşılaştırması

Aşağıdaki tablo, YOLO26'nın YOLO11'e göre performans iyileştirmelerini vurgulamaktadır. CPU hızındaki önemli artışlara dikkat edin; bu da YOLO26'yı Raspberry Pi'ler veya cep telefonları gibi özel GPU'su olmayan cihazlar için olağanüstü yetenekli hale getirir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

Mimari Derinlemesine İnceleme

YOLO11 Mimarisi

YOLO11, CSPNet backbone konsepti üzerine inşa edildi, daha ayrıntılı detayları yakalamak için özellik çıkarım katmanlarını iyileştirdi. Standart bir anchor-free detect başlığı kullandı ve sınırlayıcı kutu regresyonunu iyileştirmek için Distribution Focal Loss (DFL) kullandı. Son derece etkili olmasına rağmen, NMS'ye bağımlılık, çıkarım hızının sahne yoğunluğuna göre dalgalanabileceği anlamına geliyordu ki bu, akıllı şehir gözetiminde yaygın bir darboğazdır.

YOLO26 Mimarisi

YOLO26, verimlilik ve kararlılık için tasarlanmış birkaç radikal değişiklik sunuyor:

NMS-Free Uçtan Uca: Model, eğitim sırasında bire bir eşleşme ile sabit bir sınırlayıcı kutu kümesi tahmin ederek, çıkarım sırasında sezgisel NMS adımını ortadan kaldırır.
DFL Kaldırılması: Distribution Focal Loss, ONNX ve TensorRT gibi formatlara dışa aktarma sürecini basitleştirmek ve düşük güçlü kenar cihazlarla uyumluluğu artırmak için kaldırıldı.
MuSGD Optimizleyici: Moonshot AI'nin Kimi K2 ve Büyük Dil Modeli (LLM) eğitiminden esinlenen bu hibrit optimizleyici, SGD ve Muon'u birleştirerek daha hızlı yakınsama ve daha kararlı eğitim çalışmaları sağlar, böylece büyük ölçekli görme eğitiminde sıkça görülen "kayıp sıçramalarını" azaltır.
ProgLoss + STAL: Yeni kayıp fonksiyonları (Progressive Loss ve Soft-Target Assignment Loss), özellikle küçük nesne tanımayı hedefleyerek hava görüntüleri analizi ve IoT sensörleri için büyük bir destek sağlar.

Görev Çok Yönlülüğü

Her iki model de Ultralytics ekosistemi içinde geniş bir görev yelpazesini destekleyerek, geliştiricilerin işlem hatlarını yeniden yazmadan modeller arasında geçiş yapabilmesini sağlar.

Detect: Standart sınırlayıcı kutu detect.
Segment: Piksel düzeyinde maskeler. YOLO26, daha iyi maske kalitesi için özel bir semantik segment kaybı ve çok ölçekli proto ekler.
Sınıflandırma: Tüm görüntü kategorizasyonu.
Poz Tahmini: Anahtar nokta detect. YOLO26, karmaşık pozlarda daha yüksek hassasiyet için Residual Log-Likelihood Estimation (RLE) kullanır ve bu, spor analizi için faydalıdır.
OBB (Yönlendirilmiş Sınırlayıcı Kutu): Hava veya açılı nesneler için döndürülmüş kutular. YOLO26, uydu görüntülerinde yaygın olan sınır süreksizliği sorunlarını çözmek için özel bir açı kaybı özelliğine sahiptir.

Eğitim ve Kullanım

Ultralytics ekosisteminin ayırt edici özelliklerinden biri birleşik API'dir. YOLO11 kullanıyor veya YOLO26'ya yükseltiyor olsanız da, kod neredeyse aynı kalır ve teknik borcu en aza indirir.

Python Örneği

İşte YOLO11 için kullanılan aynı tanıdık arayüzü kullanarak yeni YOLO26 modelini nasıl eğitebileceğiniz. Bu örnek, test için mükemmel olan küçük, 8 görüntülü bir veri kümesi olan COCO8 veri kümesi üzerinde eğitimi göstermektedir.

from ultralytics import YOLO

# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model
# The MuSGD optimizer is handled automatically internally for YOLO26 models
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Use '0' for GPU
)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

CLI Örneği

Komut satırı arayüzü de aynı derecede kolaylaştırılmıştır, hızlı deneyler ve model karşılaştırması yapılmasına olanak tanır.

# Train YOLO26n on the COCO8 dataset
yolo train model=yolo26n.pt data=coco8.yaml epochs=100 imgsz=640

# Export to ONNX for simplified edge deployment
yolo export model=yolo26n.pt format=onnx

İdeal Kullanım Senaryoları

YOLO11'i seçin, eğer:

YOLO11 için yüksek düzeyde ayarlanmış mevcut bir üretim hattınız varsa ve yeni bir mimari için doğrulama zamanına ayıracak vaktiniz yoksa.
Dağıtım donanımınız, YOLO11 katman yapısı için belirli optimizasyonlara sahipse ve bunlar henüz YOLO26 için güncellenmemişse.

YOLO26'yı seçin eğer:

Kenar Cihaz Dağıtımı Kritikse: NMS ve DFL'nin kaldırılması, YOLO26'yı Android/iOS uygulamaları ve CPU döngülerinin değerli olduğu gömülü sistemler için üstün bir seçenek haline getirir.
Küçük Nesne Detect: ProgLoss ve STAL fonksiyonları, onu tarımda zararlıları tespit etmek veya drone görüntülerindeki uzak nesneleri belirlemek için önemli ölçüde daha iyi hale getirir.
Eğitim Kararlılığı: Büyük özel veri kümeleri üzerinde eğitim yapıyorsanız ve ayrışma sorunları yaşadıysanız, YOLO26'daki MuSGD optimizleyici daha kararlı bir eğitim yolu sunar.
En Basit Dışa Aktarım: Uçtan uca mimari, karmaşık harici NMS eklentileri gerektirmeden CoreML ve TensorRT gibi formatlara daha temiz bir şekilde dışa aktarılır.

Ultralytics ailesi içinde diğer seçenekleri keşfetmek isteyen geliştiriciler için, YOLOv10 (uçtan uca YOLO'nun öncüsü) veya YOLO-World (açık kelime dağarcığı detect için) gibi modeller de tam olarak desteklenmektedir.

Sonuç

YOLO11 sağlam ve oldukça yetenekli bir model olmaya devam etse de, YOLO26, gerçek zamanlı bilgisayar görüşünde nelerin mümkün olduğuna dair yeni bir temel oluşturuyor. LLM'den ilham alan eğitim dinamiklerini entegre ederek ve NMS-free bir tasarımla çıkarım hattını basitleştirerek, Ultralytics yalnızca daha doğru değil, aynı zamanda gerçek dünyada dağıtılması önemli ölçüde daha kolay bir model yaratmıştır.

Ultralytics ekosistemi, yükseltmenin sorunsuz olmasını sağlar. Eğitim sırasında daha düşük bellek gereksinimleri ve çıkarım sırasında daha hızlı CPU hızları ile YOLO26, 2026'daki tüm yeni projeler için önerilen başlangıç noktasıdır.

Ultralytics ile Başlayın