YOLO11 ve YOLO26
Her Ultralytics YOLO nesli, gerçek zamanlı nesne algılama için hızı, doğruluğu ve dağıtım verimliliğini artırmayı hedefler. Bu teknik karşılaştırma, yaygın olarak kullanılan YOLO11'den güncel YOLO26'ya geçişi ele alarak mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.
İster drone teslimat sistemleri kuruyor ister küresel bir akıllı üretim işlem hattını optimize ediyor ol, bu iki model arasındaki farkları anlamak doğru seçimi yapmana yardımcı olur.
Model Soy Ağacı ve Ekosistem#
Her iki model de basit API'si, sürekli bakımı ve aktif topluluğuyla Ultralytics ekosisteminden yararlanır. Her ikisi de kutudan çıktığı hâliyle nesne algılama, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini destekler; YOLO26 bunlara anlamsal bölütleme ve derinlik tahminini ekler.
YOLO11: Yerleşik Standart#
2024'ün sonlarında yayımlanan YOLO11, önceki nesillerin ilerlemelerini geliştirerek üretim ortamları için güvenilir bir iş gücü olduğunu kanıtladı.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: YOLO11 Belgeleri
YOLO26: Yeni Nesil#
Ocak 2026'da tanıtılan YOLO26, uç cihazlarda dağıtıma ve isteğe bağlı uçtan uca çıkarıma odaklanarak CPU hızını ve entegrasyon kolaylığını artırır.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: YOLO26 Belgeleri
YOLO11 ve YOLO26, veri kümesi etiketleme, bulutta eğitim ve dağıtım izleme için kod gerektirmeyen iş akışları sunan Ultralytics Platform ile tamamen entegredir.
Mimari Yenilikler#
YOLO11, bilgisayarlı görüde yıllardır kullanılan geleneksel son işlem yöntemlerine dayanırken YOLO26, dağıtım darboğazlarını ortadan kaldıran çeşitli yapısal değişiklikler sunar.
Uçtan Uca, NMS'siz Tasarım#
YOLO26'nın en önemli yükseltmelerinden biri, yerel uçtan uca mimarisidir. İsteğe bağlı bire bir başlığı (nms=False), YOLO modellerine YOLOv10 tarafından kazandırılan bir yaklaşım olan Maksimum Olmayan Bastırma (NMS) son işlemeyi ortadan kaldırır. NMS'yi atlamak dağıtım işlem hattını basitleştirir ve gecikmeyi tutarlı kılar; bu, otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için önemlidir.
Uç Optimizasyonu için DFL'nin Kaldırılması#
YOLO26, Dağılımsal Odak Kaybı'nı (DFL) kaldırır. DFL, YOLO11'de hassas konumlandırma için yararlı olsa da kaldırılması ağın dışa aktarma grafiğini basitleştirir. Bu, düşük güçlü donanımlarla uyumluluğu artırarak YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için uygun hâle getirir.
MuSGD Optimizer#
Özellikle Moonshot AI'nin Kimi K2 gibi büyük dil modeli (LLM) eğitim yöntemlerinden ilham alan YOLO26, MuSGD Optimizasyonu kullanır. Stokastik Gradyan İnişi (SGD) ve Muon'un melezi olan bu yöntem daha kararlı eğitim ve daha hızlı yakınsama sağlar; optimizer=auto ile Ultralytics, uzun eğitim çalışmaları için MuSGD'yi seçer.
Kayıp ve Etiket Ataması#
YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) içerir. Bu birleşim, küçük ve yoğun biçimde kümelenmiş nesnelerin algılanmasını iyileştirir. Ayrıca YOLO26, göreve özel iyileştirmeler sunar: anlamsal bölütleme kaybı ve örnek bölütleme için çok ölçekli bir proto modülü, poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve OBB algılama görevlerinde sınır sorunlarını azaltmak için özel bir açı kaybı.
Performans Karşılaştırması#
Donanım seçimini doğruluk (mAP), parametre sayısı, hesaplama karmaşıklığı (FLOPs) ve hız arasındaki denge belirler. YOLO26 özellikle CPU çıkarımını hedefler; YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26n, ONNX Runtime ile CPU çıkarım süresini 56,1 ms'den 38,9 ms'ye düşürürken YOLO11n'e kıyasla 1,4 mAP kazanır (40,9'a karşı 39,5). YOLO26 her boyutta daha doğrudur; m, l ve x ölçeklerinde YOLO11 CPU'da daha hızlı kalırken T4 TensorRT gecikmesi iki ailede benzerdir.
Kullanım Alanları ve Gerçek Dünya Uygulamaları#
YOLO11 ile YOLO26 arasındaki seçim, büyük ölçüde özel altyapına ve proje hedeflerine bağlıdır.
Uç Bilişim ve IoT#
Drone ile akıllı tarım izleme veya yerel güvenlik alarm sistemleri gibi güç ve donanım kısıtlamaları olan uygulamalarda YOLO26 daha uygundur. DFL'nin kaldırılması ve CPU çıkarımının %43'e kadar hızlanması (YOLO26n ve YOLO11n karşılaştırması), özel GPU'su olmayan cihazlarda yüksek kare hızlarını koruyarak karmaşık görü modellerini çalıştırmanı sağlar.
Bulut ve Kurumsal Ölçek#
YOLO11, bulut tabanlı video analitiği ve çıktı biçimleriyle zaten entegre edilmiş büyük ölçekli medya işleme işlem hatları gibi, mevcut kurumsal dağıtımlar için iyi bir seçenek olmaya devam ediyor.
Küçük Nesne Tespiti#
Devre kartındaki kusurları algılamak veya hava görüntülerindeki uzak araçları izlemek gibi küçük nesnelerde yüksek doğruluk gerekiyorsa YOLO26'daki ProgLoss + STAL uygulaması bu zorlu örneklerde duyarlılığı ve kesinliği artırır.
Eğitim Verimliliği ve Bellek Gereksinimleri#
Ultralytics çerçevesinin önemli bir avantajı, eğitim sırasında düşük bellek kullanımıdır. Büyük miktarda CUDA belleği tüketebilen RT-DETR gibi transformer tabanlı algılayıcıların aksine YOLO11 ve YOLO26, tüketici sınıfı donanımlarda verimli biçimde eğitilecek şekilde optimize edilmiştir.
YOLO26'ya MuSGD optimizasyonunun eklenmesi, daha hızlı yakınsamaya yardımcı olarak toplam GPU hesaplama saatlerini ve bulut bilişim maliyetlerini de düşürür.
Python API'siyle YOLO26'yı eğitmeye dair basit bir örnek:
from ultralytics import YOLO
# YOLO26 Nano modelini başlat
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde eğit
# Optimizasyon seçimi (uzun eğitimler için MuSGD) ve bellek yönetimi otomatik olarak gerçekleştirilir
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# mAP ölçütlerini doğrulamak için hızlı bir doğrulama çalıştır
metrics = model.val()
# Hızlı CPU çıkarımı için eğitilmiş modeli ONNX'e aktar
model.export(format="onnx")Alternatif Mimarileri Keşfet#
YOLO26 önerilen başlangıç noktasıdır, ancak Ultralytics belgelerindeki diğer modeller de belirli ihtiyaçlara uyabilir. Eski ortamlara bağlı kullanıcılar için YOLOv5 gibi önceki mimariler güvenilir biçimde çalışmaya devam ediyor. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır örnekli kullanım senaryolarında YOLO-World, metin istemleriyle desteklenen açık söz dağarcıklı algılama sunar.
Sonuç#
YOLO11'den YOLO26'ya geçiş, küçük bir güncellemeden fazlasıdır: gerçek zamanlı algılama modellerinin üretimde çalışma biçimini değiştirir. İsteğe bağlı NMS'siz çıkarımı ve önce uç cihazları hedefleyen optimizasyonlarıyla YOLO26, yeni projeler için önerilen seçenektir. Ultralytics belgelerinin desteğiyle YOLO26'ya geçmek, desteklenen görü görevlerinde daha basit dağıtım, kararlı eğitim ve daha yüksek doğruluk sağlar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.