YOLO11 ile YOLO26: Yeni Nesil Görüntüleme Yapay Zekasının Evrimi

Bilgisayarlı görüdeki hızlı gelişim, hız, doğruluk ve dağıtım verimliliğinin sınırlarını sürekli zorluyor. Gerçek zamanlı nesne algılama dünyasında Ultralytics sürekli olarak standartları belirliyor. Bu teknik karşılaştırma, oldukça başarılı YOLO11'den son teknoloji ürünü YOLO26'ya geçişi inceliyor, mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ediyor.

İHA ile teslimat sistemleri geliştiriyor veya küresel bir akıllı üretim hattını optimize ediyor olman fark etmeksizin, bu iki model arasındaki incelikli farkları anlamak, sağlam ve geleceğe hazır yapay zeka çözümleri oluşturmana 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 faydalanır. Bu modeller, nesne algılama, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini kutudan çıkar çıkmaz doğal bir şekilde destekleyerek benzersiz bir çok yönlülük sunar.

YOLO11: Yerleşik 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
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümanlar: YOLO11 Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edin

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 sağlıyor.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: YOLO26 Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edin

Mimari Yenilikler

YOLO11 yıllardır bilgisayarlı görüyü destekleyen geleneksel son işleme yöntemlerine dayanırken, YOLO26 darboğazları ortadan kaldırmak için tasarlanmış çeşitli yapısal atılımlar sunar.

Uçtan Uca NMS-Free Tasarım

YOLO26'daki en önemli yükseltmelerden biri, tamamen uçtan uca mimarisidir. Bu mimari, ilk kez YOLOv10 ile öncülük edilen, Maksimum Olmayan Baskılama (NMS) son işleme yöntemini ortadan kaldırır. NMS'yi devre dışı bırakmak, dağıtım hattını önemli ölçüde basitleştirir ve otonom sürüş algoritmaları gibi gerçek zamanlı uygulamalar için gerekli olan tutarlı gecikmeyi garanti eder.

Uç Optimizasyonu için DFL'nin Kaldırılması

YOLO26, Dağılım Odaklı Kaybı (DFL) kaldırır. DFL, YOLO11'de ince taneli konumlandırma için faydalı olsa da, onu kaldırmak ağın dışa aktarma grafiğini basitleştirir. Bu değişiklik, düşük güçlü donanımlarla gelişmiş uyumluluk sağlayarak YOLO26'yı Raspberry Pi veya NVIDIA Jetson gibi uç cihazlarda mutlak bir güç merkezi haline getirir.

MuSGD Optimize Edici

Büyük Dil Modeli (LLM) eğitim mekanizmalarından, özellikle de Moonshot AI'nın Kimi K2 sisteminden ilham alan YOLO26, devrim niteliğindeki MuSGD Optimizer'ı kullanır. Stokastik Gradyan İnişi (SGD) ile Muon'un bu hibriti, daha eski mimarilerde kullanılan standart AdamW optimize edicilerden çok daha hızlı yakınsayan, oldukça kararlı eğitim süreçleri sağlar.

Gelişmiş Kayıp Fonksiyonları

YOLO26, ProgLoss + STAL (Aşamalı Kayıp ve Ölçek Duyarlı Görev Hizalama Öğrenimi) özelliklerini içerir. Bu kombinasyon, küçük ve yoğun paketlenmiş nesnelerin tespitini önemli ölçüde iyileştirir. Ayrıca YOLO26, anlamsal bölümleme için özel bir çok ölçekli prototip, karmaşık insan pozu tahminleri için Kalıntı Log-Olabilirlik Tahmini (RLE) ve OBB algılama görevlerinde sınır sorunlarını hafifletmek için özel bir açı kaybı gibi göreve özgü iyileştirmeler sunar.

Performans Karşılaştırması

Bu modelleri değerlendirirken, parametre sayısı, hesaplama karmaşıklığı (FLOPs) ve hız arasındaki denge donanım seçimini belirler. YOLO26, özellikle CPU çıkarım hızını hedefler ve selefine göre %43'e kadar daha hızlı CPU çıkarımı sağlar.

Gösterildiği gibi, YOLO26 Nano (YOLO26n), doğruluğu önemli ölçüde artırırken ONNX Runtime kullanarak CPU çıkarım süresini 56.1ms'den 38.9ms'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

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

Bulut ve Kurumsal Ölçek

YOLO11, devasa sunucu çiftliklerinin halihazırda tensör yapıları için optimize edildiği kurumsal çözümler için mükemmel bir seçenek olmaya devam ediyor. Özellikle bulut tabanlı video analitiği ve halihazırda kendi spesifik çıktı formatlarıyla derinlemesine entegre edilmiş büyük ölçekli medya işleme hatları için mükemmel hizmet verir.

Karmaşık Çoklu Görevler

Projen, devre kartındaki kusurları tespit etmek veya hava görüntüleri üzerindeki uzak araçları takip etmek gibi küçük nesnelerde tam doğruluk gerektiriyorsa, YOLO26 içindeki ProgLoss + STAL uygulaması, bu zor uç durumlar için hatırlama ve kesinlikte gözle görülür bir artış sağlar.

Eğitim Verimliliği ve Bellek Gereksinimleri

Ultralytics çerçevesinin en büyük avantajlarından biri, eğitim sırasında inanılmaz derecede düşük bellek ayak izidir. Devasa CUDA belleği tüketebilen RT-DETR gibi büyük görüntü transformatörlerinin veya daha eski YOLOv8 modellerinin aksine, hem YOLO11 hem de YOLO26 tüketici sınıfı donanımda verimli bir şekilde eğitilmek üzere optimize edilmiştir.

YOLO26'da MuSGD optimize edicisinin entegrasyonu, modelin en uygun ağırlıkları daha hızlı bulmasını sağlayarak toplam 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 algılamanın zirvesini temsil etse de, Ultralytics dokümantasyonu içindeki diğer modelleri keşfetmek faydalı olabilir. Eski ortamlara bağlı kullanıcılar için YOLOv5 gibi daha önceki mimariler hala sağlam performans sunar. Sınıfları önceden tanımlamanın mümkün olmadığı sıfır çekimli yetenekler için YOLO-World, metin istemleriyle desteklenen açık kelime dağarcıklı algılama sunar.

Sonuç

YOLO11'den YOLO26'ya geçiş, sadece artımlı bir güncelleme değil, gerçek zamanlı nesne algılama modellerinin üretimde nasıl çalıştığının yapısal bir yeniden tasavvurudur. Karmaşık son işleme adımlarını bırakarak ve uç öncelikli yürütme için optimize ederek, YOLO26 modern geliştiriciler için önde gelen tercih olarak öne çıkıyor. Sağlam Ultralytics ekosistemi ve kapsamlı dokümantasyon ile desteklenen YOLO26'ya yükseltme yapmak, neredeyse her bilgisayarlı görü görevi için daha hızlı dağıtımlar, kararlı eğitim ve SOTA doğruluğu garanti eder.