YOLO11 ve YOLO26: Yeni Nesil Görsel Yapay Zekanın Evrimi
Bilgisayar görüşünün hızlı evrimi, hız, doğruluk ve dağıtım verimliliği sınırlarını sürekli olarak zorlamaktadır. Gerçek zamanlı nesne algılama alanında, Ultralytics sürekli olarak standardı belirlemektedir. Bu teknik karşılaştırma, son derece başarılı YOLO11'den en son teknoloji YOLO26'ya geçişi, mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ederek incelemektedir.
İster drone teslimat sistemleri kuruyor olun ister küresel bir akıllı üretim hattını optimize ediyor olun, bu iki model arasındaki incelikli farkları anlamak, sağlam ve geleceğe dönük yapay zeka çözümleri oluşturmanıza yardımcı olacaktır.
Model Soy Ağacı ve Ekosistem
Her iki model de basit API'si, sürekli bakımı ve canlı topluluğu ile karakterize edilen kapsamlı Ultralytics ekosisteminden faydalanmaktadır. Kutudan çıktığı haliyle nesne algılama, örnek segmentasyon, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini doğal olarak destekleyerek eşsiz çok yönlülük sunarlar.
YOLO11: Yerleşik Standart
2024'ün sonlarında piyasaya sürülen YOLO11, önceki nesillerin ilerlemelerini 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 Dökümantasyonu
YOLO11 hakkında daha fazla bilgi edinin
YOLO26: Yeni Sınır
2026'nın başlarında tanıtılan YOLO26, kenar bilişim ve uçtan uca mimaride bir paradigma değişimi temsil etmekte, işlem hızı ve entegrasyon kolaylığında önemli iyileşmeler sunmaktadır.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2026-01-14
- GitHub:https://github.com/ultralytics/ultralytics
- Belgeler:YOLO26 Dokümantasyonu
YOLO26 hakkında daha fazla bilgi edinin
Veri ve Dağıtımları Yönetme
Hem YOLO11 hem de YOLO26, Ultralytics Platformu ile tamamen entegredir ve veri kümesi açıklama, bulut eğitimi ve filo izleme için sorunsuz, kodsuz iş akışları sağlar.
Mimari Yenilikler
YOLO11, bilgisayar görüşünü yıllardır destekleyen geleneksel işleme sonrası yöntemlere dayanırken, YOLO26 darboğazları ortadan kaldırmak için tasarlanmış çeşitli yapısal atılımlar sunar.
Uçtan Uca NMS'siz Tasarım
YOLO26'daki en önemli yükseltmelerden biri, yerel olarak uçtan uca mimarisidir. YOLOv10'da ilk kez öncülük edilen bir konsept olan Non-Maximum Suppression (NMS) işleme sonrası adımını ortadan kaldırır. NMS'yi atlamak, dağıtım hattını önemli ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için hayati önem taşıyan tutarlı gecikmeyi garanti eder.
Kenar Optimizasyonu İçin DFL Kaldırma
YOLO26, Distribution Focal Loss (DFL) özelliğini kaldırır. DFL, YOLO11'de ince taneli yerelleştirme için faydalı olsa da, kaldırılması ağın dışa aktarım grafiğini basitleştirir. Bu değişiklik, düşük güçlü donanımlarla gelişmiş uyumluluk sağlayarak YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi kenar cihazlarda mutlak bir güç merkezi haline getirir.
MuSGD Optimizatörü
Büyük Dil Modeli (LLM) eğitim mekanizmalarından, özellikle Moonshot AI'nin Kimi K2'sinden ilham alan YOLO26, devrim niteliğindeki MuSGD Optimizatörünü kullanır. Stochastic Gradient Descent (SGD) ve Muon'un bu hibriti, eski mimarilerde kullanılan standart AdamW optimizatörlerinden çok daha hızlı yakınsayarak oldukça kararlı eğitim süreçleri sağlar.
Gelişmiş Kayıp Fonksiyonları
YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Ölçek Duyarlı Görev Hizalama Öğrenimi) içerir. Bu kombinasyon, küçük ve yoğun nesnelerin detect edilmesini önemli ölçüde iyileştirir. Ayrıca, YOLO26 göreve özel iyileştirmeler sunar: semantik segmentasyon için özel bir çok ölçekli prototip, karmaşık insan poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve obb detect 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 sürümüne kıyasla %43'e kadar daha hızlı CPU çıkarımı elde eder.
| Model | boyut (piksel) | mAPval 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 |
Gösterildiği gibi, YOLO26 Nano (YOLO26n), ONNX Runtime kullanarak CPU çıkarım süresini 56.1ms'den 38.9ms'ye düşürürken doğrulukta önemli bir artış kaydeder.
Maksimum Hız İçin Dışa Aktarma
Bu modellerden her damla performansı sıkıştırmak için, NVIDIA donanımında TensorRT veya Intel CPU'lar için OpenVINO kullanarak dışa aktarın. YOLO26'nın NMS içermeyen tasarımı, bu dışa aktarma sürecini her zamankinden daha sorunsuz hale getirir.
Kullanım Durumları ve Gerçek Dünya Uygulamaları
YOLO11 ve YOLO26 arasında seçim yapmak büyük ölçüde özel altyapınıza ve proje hedeflerinize bağlıdır.
Uç Bilişim ve IoT
Dronlar aracılığıyla akıllı tarım izleme veya yerel güvenlik alarm sistemleri gibi güç ve donanım kısıtlamaları olan uygulamalar için YOLO26 tartışmasız şampiyondur. DFL'nin kaldırılması ve CPU hızındaki %43'lük artış, özel GPU'lar olmadan cihazlarda karmaşık görüntü modellerini yüksek kare hızlarını koruyarak çalıştırabileceğiniz anlamına gelir.
Bulut ve Kurumsal Ölçek
YOLO11, büyük sunucu çiftliklerinin zaten tensor yapıları için optimize edildiği kurumsal çözümler için mükemmel bir seçim olmaya devam etmektedir. Bulut tabanlı video analizi ve belirli çıktı formatlarıyla zaten derinlemesine entegre olan büyük ölçekli medya işleme hatları için kusursuz hizmet verir.
Karmaşık Çoklu Görevlendirme
Projeniz, bir devre kartındaki kusurları detect etmek veya hava görüntülerindeki uzaktaki araçları track etmek gibi küçük nesnelerde hassas doğruluk gerektiriyorsa, YOLO26'daki ProgLoss + STAL uygulaması, bu zorlu uç durumlarda geri çağırma ve hassasiyette gözle görülür bir artış sağlar.
Eğitim Verimliliği ve Bellek Gereksinimleri
Ultralytics çerçevesinin önemli bir avantajı, eğitim sırasında inanılmaz derecede düşük bellek ayak izine sahip olmasıdır. Büyük miktarda CUDA belleği tüketebilen RT-DETR veya eski YOLOv8 gibi devasa görüntü transformatörlerinin aksine, hem YOLO11 hem de YOLO26, tüketici sınıfı donanımlarda verimli bir şekilde eğitilmek üzere optimize edilmiştir.
YOLO26'daki MuSGD optimize edicinin entegrasyonu, modelin optimum ağırlıkları daha hızlı bulmasını sağlayarak genel GPU hesaplama saatlerini ve bulut bilişim maliyetlerini azaltarak bunu daha da geliştirir.
İşte yerel python API'sini kullanarak en son YOLO26 modelini eğitmenin ne kadar zahmetsiz olduğunu gösteren basit bir örnek:
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 detect etmenin zirvesini temsil etse de, Ultralytics belgelerindeki diğer modelleri keşfetmek faydalı olabilir. Eski ortamlara bağlı kullanıcılar için, YOLOv5 gibi önceki mimariler hala sağlam performans sunar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır atış yetenekleri için, YOLO-World metin istemleri tarafından desteklenen açık kelime dağarcığı detect etme imkanı sunar.
Sonuç
YOLO11'den YOLO26'ya geçiş sadece artımlı bir güncelleme değil; gerçek zamanlı nesne detect etme modellerinin üretimde nasıl çalıştığının yapısal bir yeniden tasavvurudur. Karmaşık işlem sonrası adımları bırakarak ve öncelikli olarak uç cihazlarda yürütme için optimize ederek, YOLO26 modern geliştiriciler için önde gelen bir seçenek olarak öne çıkmaktadır. Sağlam Ultralytics ekosistemi ve kapsamlı belgelerle desteklenen YOLO26'ya yükseltme, neredeyse her bilgisayar görüşü görevi için daha hızlı dağıtımlar, kararlı eğitim ve SOTA doğruluğu garanti eder.