YOLO11 ile YOLO26 karşılaştırması#

Bilgisayarlı görü alanındaki hızlı evrim, hız, doğruluk ve dağıtım verimliliğinin sınırlarını sürekli olarak zorlamaktadır. Gerçek zamanlı nesne tespiti manzarasında, Ultralytics sürekli olarak standardı belirlemektedir. Bu teknik karşılaştırma, son derece başarılı YOLO11 sürümünden son teknoloji ürünü YOLO26 sürümüne geçişi incelemekte, bunların mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz etmektedir.

İster drone teslimat sistemleri inşa ediyor ister küresel bir akıllı üretim boru hattını optimize ediyor ol, bu iki model arasındaki incelikli farkları anlamak, sağlam ve geleceğe hazır yapay zeka çözümleri geliştirmenə yardımcı olacaktır.

Model Soy ağacı ve Ekosistem#

Her iki model de anlaşılır API'si, sürekli bakımı ve canlı topluluğu ile öne çıkan kapsamlı Ultralytics ekosisteminden yararlanmaktadır. Bu modeller; nesne tespiti, örnek bölütleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini kutudan çıktığı gibi doğal olarak destekleyerek eşsiz bir çok yönlülük sunar.

YOLO11: 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
• Belgeler: YOLO11 Belgeleri

YOLO11 hakkında daha fazla bilgi edinin

YOLO26: 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
• Dokümanlar: YOLO26 Documentation

YOLO26 hakkında daha fazla bilgi edin

Mimari Yenilikler#

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

Uçtan Uca NMS'siz Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, yerel uçtan uca mimarisidir. Bu mimari, ilk kez YOLOv10 modelinde öncülük edilen bir kavram olan Non-Maximum Suppression (NMS) son işlemini ortadan kaldırır. NMS'yi atlamak, dağıtım boru hattını büyük ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için hayati önem taşıyan tutarlı gecikme süresini garanti eder.

Uç Optimizasyonu için DFL Kaldırma#

YOLO26, Distribution Focal Loss (DFL) bileşenini kaldırır. DFL, YOLO11'de ince taneli konumlandırma için faydalı olsa da, kaldırılması ağın dışa aktarma grafiğini basitleştirir. Bu değişiklik, düşük güç sağlayan donanımlarla gelişmiş uyumluluk sağlayarak YOLO26 modelini Raspberry Pi veya NVIDIA Jetson gibi uç cihazlarda mutlak bir güç merkezi haline getirir.

MuSGD Optimize Edici#

Büyük Dil Modeli (LLM) eğitim mekanizmalarından, özellikle Moonshot AI's Kimi K2 modelinden ilham alan YOLO26, devrim niteliğindeki MuSGD Optimizer optimizasyon aracını kullanır. Stokastik Gradyan İnişi (SGD) ile Muon birleşimi olan bu melez yapı, eski mimarilerde kullanılan standart AdamW optimizasyon araçlarına kıyasla çok daha hızlı yakınsayarak son derece kararlı eğitim süreçleri sağlar.

Gelişmiş 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.

Performans 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) modeli doğrulukta belirgin bir sıçrama yaparken ONNX Runtime kullanarak CPU çıkarım süresini 56.1 ms'den 38.9 ms'ye düşürür.

Kullanım Durumları ve Gerçek Dünya Uygulamaları#

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

Uç Bilişim ve IoT#

Drone aracılığıyla akıllı tarım izleme veya yerel güvenlik alarm sistemleri gibi güç ve donanım kısıtlaması olan uygulamalar için YOLO26 tartışmasız bir numaralı tercihtir. DFL'nin kaldırılması ve CPU hızındaki %43'lük artış, yüksek kare hızlarını korurken adanmış GPU birimleri olmayan cihazlarda karmaşık görü modellerini çalıştırabileceğin anlamına gelir.

Bulut ve Kurumsal Ölçek#

YOLO11, devasa sunucu çifliklerinin zaten tensor yapıları için optimize edildiği kurumsal çözümler için harika bir seçenek olmaya devam etmektedir. Bu model, özel çıktı formatlarıyla zaten derinden entegre edilmiş bulut tabanlı video analitiği ve büyük ölçekli medya işleme boru hatları için mükemmel hizmet sunar.

Karmaşık Çoklu Görevler#

Projen, devre kartındaki kusurları tespit etmek veya havadan çekilen görüntülerde uzak araçları takip etmek gibi küçük nesneler üzerinde kusursuz bir doğruluk gerektiriyorsa, YOLO26 içindeki ProgLoss + STAL uygulaması bu zorlu uç durumlar için anımsanır bir hatırlama ve kesinlik artışı sağlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ultralytics çatısının en büyük avantajlarından biri, eğitim sırasında inanılmaz derecede düşük bellek tüketimidir. RT-DETR gibi devasa vizyon transformer modelleri veya devasa miktarda CUDA belleği tüketebilen eski YOLOv8 gibi modellerin aksine, hem YOLO11 hem de YOLO26 tüketici sınıfı donanımlarda verimli bir şekilde eğitilmek üzere optimize edilmiştir.

YOLO26 içindeki MuSGD optimizasyon aracının entegrasyonu, modelin optimal ağırlıkları daha hızlı bulmasını sağlayarak genel GPU hesaplama saatlerini ve bulut bilişim maliyetlerini azaltarak bunu daha da geliştirir.

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")

Alternatif Mimarileri Keşfetmek#

YOLO26 gerçek zamanlı tespitin zirvesini temsil ederken, Ultralytics belgelerindeki diğer modelleri incelemek faydalı olabilir. Eski ortamlara bağlı kullanıcılar için YOLOv5 gibi önceki mimariler hala sağlam performans sağlar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır atışlı yetenekler için YOLO-World metin istemleriyle desteklenen açık kelime dağarcığı tespiti sunar.

Sonuç#

YOLO11 sürümünden YOLO26 sürümüne geçiş yalnızca artımlı bir güncelleme değildir; gerçek zamanlı nesne tespiti modellerinin üretimde nasıl çalıştığının yapısal bir yeniden tasavvurudur. Karmaşık son işlem adımlarını ortadan kaldırarak ve uç öncelikli yürütme için optimize edilerek YOLO26, modern geliştiriciler için önde gelen tercih olarak öne çıkmaktadır. Güçlü Ultralytics ekosistemi ve kapsamlı belgelerle desteklenen YOLO26 sürümüne yükseltme yapmak, neredeyse tüm bilgisayarlı görü görevleri için daha hızlı dağıtımlar, kararlı eğitim ve SOTA doğruluğu garanti eder.