YOLO11 ve YOLO26#

Bilgisayarlı görüdeki hızlı gelişmeler; hızın, doğruluğun ve dağıtım verimliliğinin sınırlarını sürekli zorluyor. Gerçek zamanlı nesne tespiti alanında Ultralytics standardı sürekli belirliyor. Bu teknik karşılaştırma, büyük başarı yakalayan YOLO11'den en yeni YOLO26'ya geçişi ele alıyor; modellerin mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.

İster drone teslimat sistemleri geliştiriyor ister küresel bir akıllı üretim iş akışını optimize ediyor ol, bu iki model arasındaki ince farkları anlamak güçlü ve geleceğe hazır AI çözümleri geliştirmeni sağlar.

Model Soy Ağacı ve Ekosistem#

Her iki model de basit API'si, sürekli bakımı ve canlı topluluğuyla öne çıkan kapsamlı Ultralytics ekosisteminden yararlanır. Eşsiz bir esneklik sunarak nesne tespiti, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini kutudan çıktığı gibi doğal olarak desteklerler.

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 Ufuk#

2026'nın başlarında tanıtılan YOLO26, uç bilişim ve uçtan uca mimaride bir paradigma değişimini temsil ediyor; 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 yenilikler sunar.

Uçtan Uca, NMS'siz Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, yerel uçtan uca mimarisidir. İsteğe bağlı bire bir başlık (nms=False), ilk olarak YOLOv10 ile geliştirilen Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırır. NMS'yi atlamak dağıtım iş akışını büyük ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için gerekli olan tutarlı gecikmeyi garanti eder.

Uç Optimizasyonu için DFL'nin Kaldırılması#

YOLO26, Distribution Focal Loss (DFL) bileşenini kaldırır. DFL, YOLO11'de hassas konum belirleme için yararlı olsa da kaldırılması ağın dışa aktarma grafiğini basitleştirir. Bu değişiklik, düşük güçlü donanımlarla uyumluluğu artırarak YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi uç cihazlarda son derece güçlü hâle getirir.

MuSGD Optimizer#

Özellikle Moonshot AI'ın Kimi K2 olmak üzere Büyük Dil Modeli (LLM) eğitim mekanizmalarından esinlenen YOLO26, çığır açan MuSGD Optimizasyonunu kullanır. Stokastik Gradyan İnişi (SGD) ile Muon'un bu hibrit birleşimi, son derece kararlı eğitim süreçleri sağlar ve eski mimarilerde kullanılan standart AdamW optimizasyonlarına kıyasla çok daha hızlı yakınsar.

Gelişmiş Kayıp Fonksiyonları#

YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedefi Dikkate Alan Etiket Ataması) yöntemini içerir. Bu birleşim, küçük ve sıkışık nesnelerin tespitini büyük ölçüde iyileştirir. Ayrıca YOLO26 göreve özel geliştirmeler sunar: anlamsal segmentasyon kaybı ve örnek segmentasyonu için çok ölçekli proto modülü, karmaşık insan poz tahminleri için Residual Log-Likelihood Estimation (RLE) ve OBB tespit görevlerindeki sınır sorunlarını azaltmak için özel bir açı kaybı.

Performans Karşılaştırması#

Bu modelleri değerlendirirken 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 sağlar.

Görüldüğü üzere YOLO26 Nano (YOLO26n), ONNX Runtime kullanarak doğruluğunu önemli ölçüde artırırken CPU çıkarım süresini 56.1 ms'den 38.9 ms'ye düşürüyor.

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 yapılan akıllı tarım izleme veya yerel güvenlik alarm sistemleri gibi güç ve donanım kısıtlamaları olan uygulamalarda YOLO26 tartışmasız en iyi seçenektir. DFL'nin kaldırılması ve CPU hızındaki %43'lük artış, yüksek kare hızlarını korurken karmaşık görü modellerini özel GPU'lar olmadan çalıştırmanı sağlar.

Bulut ve Kurumsal Ölçek#

Sunucu çiftlikleri tensor yapılarına göre zaten optimize edilmişse kurumsal çözümler için YOLO11 hâlâ mükemmel bir seçenektir. Bulut tabanlı video analitiği ve belirli çıktı biçimleriyle derin biçimde entegre olmuş büyük ölçekli medya işleme iş akışları için son derece uygundur.

Karmaşık Çoklu Görevler#

Projen, devre kartındaki kusurları tespit etmek veya havadan görüntülerde uzaktaki araçları izlemek gibi küçük nesnelerde nokta atışı doğruluk gerektiriyorsa YOLO26'daki ProgLoss + STAL uygulaması bu zorlu uç durumlarda duyarlılık ve hassasiyette fark edilir bir artış sağlar.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Ultralytics çatısının önemli avantajlarından biri, eğitim sırasındaki son derece düşük bellek kullanımıdır. Çok miktarda CUDA belleği tüketebilen RT-DETR gibi büyük görü transformer'larının aksine YOLO11 ve YOLO26, tüketici sınıfı donanımlarda verimli biçimde eğitilecek şekilde optimize edilmiştir.

YOLO26'ya MuSGD optimizasyonunun eklenmesi, modelin en uygun ağırlıkları daha hızlı bulmasını sağlayarak bu avantajı daha da artırır; böylece toplam GPU işlem süresi ve bulut bilişim maliyetleri azalır.

Yerel Python API'sini kullanarak en yeni YOLO26 modelini eğitmenin ne kadar kolay olduğunu gösteren 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 gerçek zamanlı tespitin zirvesini temsil etse de Ultralytics belgelerindeki diğer modelleri incelemek yararlı olabilir. Eski ortamlara bağlı kullanıcılar için YOLOv5 gibi önceki mimariler hâlâ güçlü performans sunar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır örnekli kullanım senaryolarında ise YOLO-World, metin istemleriyle çalışan açık kelime dağarcıklı tespit sunar.

Sonuç#

YOLO11'den YOLO26'ya geçiş, basit bir aşamalı güncellemeden ibaret değil; gerçek zamanlı nesne tespit modellerinin üretimde çalışma biçiminin yapısal olarak yeniden tasarlanmasıdır. Karmaşık son işleme adımlarını kaldırıp uç cihazları önceliklendiren yürütme için optimizasyon yapmasıyla YOLO26, modern geliştiriciler için en iyi seçenek olarak öne çıkıyor. Güçlü Ultralytics ekosistemi ve kapsamlı belgelerle desteklenen YOLO26'ya geçiş; neredeyse tüm bilgisayarlı görü görevlerinde daha hızlı dağıtımı, kararlı eğitimi ve son teknoloji doğruluğu garanti eder.