YOLO11 ve YOLO26#

Bilgisayarlı görü alanındaki hızlı gelişim, hız, doğruluk ve dağıtım verimliliğinin sınırlarını sürekli olarak zorluyor. Gerçek zamanlı nesne algılama dünyasında Ultralytics standardı sürekli olarak belirliyor. Bu teknik karşılaştırma, son derece başarılı YOLO11'den en yeni YOLO26'ya geçişi ele alarak mimarilerini, performans ölçümlerini ve ideal dağıtım senaryolarını inceliyor.

İster drone teslimat sistemleri geliştiriyor ister küresel bir akıllı üretim hattını optimize ediyor ol, bu iki model arasındaki ince farkları anlamak sağlam ve geleceğe hazır yapay zekâ çözümleri geliştirmene yardımcı olur.

Model Soyu ve Ekosistem#

Her iki model de yalın API'si, sürekli bakımı ve canlı topluluğuyla öne çıkan kapsamlı Ultralytics ekosisteminden yararlanır. Her ikisi de benzersiz bir çok yönlülük sunarak kutudan çıktığı haliyle nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini doğal olarak destekler.

YOLO11: Yerleşik Standart#

2024'ün sonlarında yayımlanan YOLO11, önceki nesillerdeki gelişmeleri iyileştirerek üretim ortamlarında 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
• Belgeler: YOLO11 Belgeleri

YOLO26: Yeni Sınır#

2026'nın başlarında tanıtılan YOLO26, uç bilişim ve uçtan uca mimaride bir paradigma değişimini 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
• Belgeler: YOLO26 Belgeleri

Mimari Yenilikler#

YOLO11, bilgisayarlı görüye yıllardır güç veren geleneksel son işleme yöntemlerine dayanırken YOLO26, darboğazları ortadan kaldırmak üzere tasarlanmış çeşitli yapısal atılımlar sunuyor.

Uçtan Uca, NMS Gerektirmeyen Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, yerel uçtan uca mimarisidir. YOLOv10 ile öncülüğü yapılan Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırır. NMS'yi devre dışı bırakmak dağıtım hattını büyük ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için kritik olan tutarlı gecikmeyi garanti eder.

Uç Optimizasyonu için DFL'nin Kaldırılması#

YOLO26, Dağılım Odaklı Kayıp (DFL) işlevini kaldırır. DFL, YOLO11'de ayrıntılı konumlandırma için yararlı olsa da kaldırılması ağın dışa aktarma grafiğini basitleştirir. Bu değişiklik düşük güç tüketimli donanımlarla uyumluluğu artırarak YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi uç cihazlarda son derece güçlü hale getirir.

MuSGD Optimize Edicisi#

Büyük Dil Modeli (LLM) eğitim mekanizmalarından, özellikle Moonshot AI'nin Kimi K2'sinden ilham alan YOLO26, devrim niteliğindeki MuSGD Optimize Edicisini kullanır. Stokastik Gradyan İnişi (SGD) ve Muon'un bu birleşimi, son derece kararlı eğitim çalışmaları sağlar ve eski mimarilerde kullanılan standart AdamW optimize edicilerinden çok daha hızlı yakınsar.

Gelişmiş Kayıp Fonksiyonları#

YOLO26, ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment) özelliğini içerir. Bu kombinasyon, küçük ve yoğun nesnelerin tespitini büyük ölçüde iyileştirir. Ek olarak YOLO26, göreve özgü geliştirmeler sunar: anlamsal segmentasyon için adanmış bir çok ölçekli prototip, karmaşık insan pozu kestirimleri için Artık Log-Olabilirlik Tahmini (RLE) ve OBB tespit görevlerindeki sınır sorunlarını hafifletmek için özelleştirilmiş bir açı kaybı.

Performans Karşılaştırması#

Bu modeller değerlendirilirken parametre sayısı, hesaplama karmaşıklığı (FLOPs) ve hız arasındaki denge donanım seçimini belirler. YOLO26 özellikle CPU çıkarım hızını hedefler ve önceki modele kıyasla %43'e kadar daha hızlı CPU çıkarımı elde eder.

Gösterildiği üzere YOLO26 Nano (YOLO26n), ONNX Runtime kullanıldığında doğrulukta önemli bir artış sağlarken CPU çıkarım süresini 56,1 ms'den 38,9 ms'ye düşürür.

Kullanım Alanları ve Gerçek Dünya Uygulamaları#

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

Uç Bilişim ve IoT#

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

Bulut ve Kurumsal Ölçek#

YOLO11, devasa sunucu çiftliklerinin tensor yapıları için halihazırda optimize edildiği kurumsal çözümler için harika bir seçenek olmaya devam ediyor. Belirli çıktı formatlarıyla halihazırda derinlemesine entegre edilmiş bulut tabanlı video analitiği ve büyük ölçekli medya işleme boru hatları için mükemmel bir şekilde hizmet eder.

Karmaşık Çoklu Görevler#

Projen, devre kartındaki kusurları algılamak veya hava görüntülerinde uzaktaki araçları izlemek gibi küçük nesnelerde nokta atışı doğruluk gerektiriyorsa YOLO26 içindeki ProgLoss + STAL uygulaması, bu zorlu uç durumlarda geri çağırma ve kesinlikte fark edilir bir artış sağlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ultralytics çerçevesinin en büyük avantajlarından biri, eğitim sırasında inanılmaz derecede düşük bellek ayak izine sahip olmasıdır. Devasa miktarda CUDA belleği tüketebilen RT-DETR gibi devasa vizyon transformatörlerinin aksine, hem YOLO11 hem de YOLO26 tüketici sınıfı donanımlarda verimli bir şekilde eğitilmek üzere optimize edilmiştir.

YOLO26'daki MuSGD optimizatörünün entegrasyonu, modelin en uygun ağırlıkları daha hızlı bulmasını sağlayarak bunu daha da geliştirir; bu da genel GPU işlem saatlerini ve bulut bilişim maliyetlerini düşürür.

Yerel Python API'yi kullanarak en yeni YOLO26 modelini eğitmenin ne kadar kolay olduğunu gösteren basit bir örneği burada bulabilirsin:

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")

Alternatif Mimarileri Keşfetme#

YOLO26 gerçek zamanlı algılamanın zirvesini temsil etse de Ultralytics belgelerindeki diğer modelleri keşfetmek faydalı olabilir. Eski ortamları kullanmak zorunda olan kullanıcılar için YOLOv5 gibi daha eski mimariler hâlâ güçlü performans sunar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır örnekli yetenekler için YOLO-World, metin istemleriyle desteklenen açık kelime dağarcıklı algılama sunar.

Sonuç#

YOLO11'den YOLO26'ya geçiş yalnızca aşamalı bir güncelleme değil, gerçek zamanlı nesne algılama modellerinin üretimde çalışma biçiminin yapısal olarak yeniden tasarlanmasıdır. Karmaşık son işleme adımlarını kaldırıp uç öncelikli yürütme için optimize edilen YOLO26, modern geliştiriciler için öne çıkan bir seçenek haline gelir. Güçlü Ultralytics ekosistemi ve kapsamlı belgelerle desteklenen YOLO26'ya geçiş, neredeyse tüm bilgisayarlı görü görevlerinde daha hızlı dağıtımları, kararlı eğitimi ve SOTA doğruluğunu garanti eder.