YOLO26 ve RTDETRv2: Yeni Nesil Gerçek Zamanlı Detectörlerin Teknik Karşılaştırması
Bilgisayar görüşünün hızla gelişen alanında, doğru nesne algılama modelini seçmek, hız, doğruluk ve dağıtım esnekliğini dengelemek için kritik öneme sahiptir. Bu kılavuz, gerçek zamanlı performans için tasarlanmış iki son teknoloji mimari olan Ultralytics YOLO26 ve RTDETRv2 arasında kapsamlı bir teknik karşılaştırma sunmaktadır.
Her iki model de yüksek doğruluk elde etmek için modern yeniliklerden yararlanırken, mimari felsefeleri, optimizasyon stratejileri ve dağıtım kolaylığı açısından önemli ölçüde farklılık gösterirler. Bu analiz, bilgisayar görüşü uygulamalarınız için bilinçli bir karar vermenize yardımcı olmak amacıyla modellerin metriklerini, yapısal farklılıklarını ve ideal kullanım senaryolarını derinlemesine inceler.
Yönetici Özeti
Ultralytics YOLO26, Ocak 2026'da piyasaya sürülen YOLO ailesinin en son evrimini temsil etmektedir. Doğal olarak uçtan uca (NMS içermeyen) bir tasarım sunarak, NMS gibi işlem sonrası adımlara olan ihtiyacı ortadan kaldırır. DFL kaldırma ve yeni MuSGD optimize edici gibi optimizasyonlarla YOLO26, kenar cihazlarda maksimum verimlilik için tasarlanmıştır ve önceki sürümlerine göre %43'e kadar daha hızlı CPU çıkarımı sunar. Entegre Ultralytics ekosisteminin bir parçasıdır ve sorunsuz eğitim, doğrulama ve dağıtım sağlar.
Baidu tarafından geliştirilen RTDETRv2 (Gerçek Zamanlı Detection Transformatörü v2), hibrit kodlayıcıyı iyileştirerek ve esnek ayrık sorgu seçimi sunarak orijinal RT-DETR'yi geliştirir. Transformatörlerin doğruluk avantajlarını gerçek zamanlı senaryolara taşımaya odaklanır. Transformatör mimarisi aracılığıyla NMS'yi ortadan kaldırsa da, genellikle CNN tabanlı veya hibrit optimize edilmiş YOLO modellerine kıyasla daha fazla hesaplama kaynağı ve GPU belleği gerektirir.
Performans Metrikleri Karşılaştırması
Aşağıdaki tablo, her iki modelin COCO veri kümesindeki performansını vurgulamaktadır. YOLO26, özellikle parametre sayısı ve çıkarım hızında üstün verimlilik sergileyerek, kenar yapay zeka uygulamaları için oldukça uygun hale gelir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| 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 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
Performans Dengesi
YOLO26, önemli ölçüde daha az parametre ve FLOP ile daha yüksek mAP elde eder. Örneğin, YOLO26s, T4 GPU'da yaklaşık 2 kat daha hızlı ve parametrelerin yarısından daha azını (9.5M'ye karşı 20M) kullanırken RTDETRv2-s'yi (48.6'ya karşı 48.1 mAP) geride bırakır.
Mimari Derinlemesine İnceleme
Ultralytics YOLO26
YOLO26, dağıtımı basitleştirmeyi ve doğruluğu feda etmeden hızı artırmayı amaçlayan birkaç çığır açan mimari değişiklik sunar.
- Uçtan Uca NMS İçermeyen: Geleneksel YOLO mimarilerinden büyük bir sapma olarak, YOLO26 doğal olarak uçtan ucadır. Bu tasarım, Non-Maximum Suppression (NMS) işlem sonrası adımını ortadan kaldırarak dağıtım sırasında gecikmeyi ve karmaşıklığı azaltır. Bu yaklaşım YOLOv10'da öncülük edilmiş ve burada geliştirilmiştir.
- DFL Kaldırma: Dağıtım Odaklı Kaybın (Distribution Focal Loss) kaldırılmasıyla model yapısı basitleştirilmiştir. Bu değişiklik, kenar ve düşük güçlü cihazlarla daha iyi uyumluluk için çok önemlidir ve ONNX ve CoreML gibi formatlara dışa aktarımı kolaylaştırır.
- MuSGD Optimize Edici: Moonshot AI'nin Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim yeniliklerinden esinlenerek, YOLO26, SGD ve Muon'u birleştiren hibrit bir optimize edici kullanır. Bu, daha kararlı eğitim dinamikleri ve daha hızlı yakınsama ile sonuçlanır.
- ProgLoss + STAL: Aşamalı Kayıp Dengeleme (Progressive Loss Balancing) ve Küçük Hedef Farkındalıklı Etiket Atama (Small-Target-Aware Label Assignment) kombinasyonu, hava görüntü analizi gibi bilgisayar görüşü görevlerinde yaygın bir zorluk olan küçük nesne algılamayı önemli ölçüde iyileştirir.
YOLO26 hakkında daha fazla bilgi edinin
RTDETRv2
RTDETRv2, CNN tabanlı YOLO'ların hakimiyetine meydan okumak için tasarlanmış transformatör tabanlı bir detectör olan orijinal RT-DETR'nin temeli üzerine inşa edilmiştir.
- Transformer backbone: NMS olmadan nesne sorgularını doğal olarak işleyen bir transformer kodlayıcı-kod çözücü mimarisi kullanır.
- Esnek Ayrık Sorgular: Farklı ölçeklerde uyarlanabilirliği artırmayı hedefleyerek, sorgu seçimi için selefine kıyasla daha esnek bir mekanizma sunar.
- Hibrit Kodlayıcı: Çok ölçekli özellikleri işlemek için hibrit bir kodlayıcı kullanır ve öz-dikkat mekanizmasının hesaplama maliyetini küresel bağlam ihtiyacıyla dengelemeye çalışır.
Kullanım Kolaylığı ve Ekosistem
En önemli farklılaştırıcılardan biri, modelleri çevreleyen ekosistemdir.
Ultralytics YOLO26, olgun ve kapsamlı Ultralytics ekosisteminden faydalanır. Kullanıcılar, detection, segmentation, sınıflandırma, poz tahmini ve Oriented Bounding Box (OBB) dahil olmak üzere çeşitli görevlerde eğitim, doğrulama ve dağıtım için birleşik bir API'den yararlanabilirler. Ultralytics Platformu ve Weights & Biases gibi araçlarla sorunsuz entegrasyon, zahmetsiz deney takibi ve model yönetimi sağlar.
RTDETRv2, güçlü olmasına rağmen, genellikle daha karmaşık kurulum ve yapılandırma gerektirir. Belirli transformer kütüphanelerine bağımlılığı ve daha yüksek bellek yükü, onu "tak ve çalıştır" çözümü arayan geliştiriciler için daha az erişilebilir hale getirebilir. Belgeleme ve topluluk desteği, büyüyor olsa da, Ultralytics modelleri için mevcut sağlam kaynaklardan genellikle daha az kapsamlıdır.
Eğitim Verimliliği ve Kaynaklar
Bellek Gereksinimleri: RTDETRv2 gibi transformer tabanlı modeller, kötü şöhretli derecede bellek tüketir. Eğitim ve çıkarım sırasında YOLO26'nın CNN optimize edilmiş mimarisine kıyasla tipik olarak önemli ölçüde daha fazla CUDA belleği gerektirirler. Bu durum, YOLO26'yı tüketici sınıfı GPU'larda eğitim veya kaynak kısıtlı donanımlarda dağıtım için daha pratik bir seçim haline getirir.
Eğitim Hızı: MuSGD Optimizer ve verimli mimarisi sayesinde YOLO26, daha hızlı yakınsama oranları sunar. Bu, ister bir tıbbi görüntüleme veri kümesi üzerinde çalışıyor olun ister bir üretim kalite kontrol sistemi üzerinde, özel modellerin eğitimiyle ilişkili zaman ve hesaplama maliyetlerini azaltır.
Kod Örneği: YOLO26 Eğitimi
Ultralytics python API'si ile YOLO26 eğitimi basittir:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
Kullanım Durumu Önerileri
YOLO26'yı seçin eğer:
- Uç Cihaz Dağıtımı Önceliklidir: Modelleri mobil cihazlarda (iOS/Android), Raspberry Pi'da veya CPU hızı ve model boyutu kritik kısıtlamalar olan gömülü sistemlerde çalıştırmanız gerekiyor. %43 daha hızlı CPU çıkarımı burada oyunun kurallarını değiştiren bir faktördür.
- Çok Yönlülük Gereklidir: Projeniz birden fazla görev içeriyor. YOLO26, detection, segmentation, poz ve OBB'yi destekleyen birleşik bir model ailesidir; birincil olarak detection'a odaklanan RTDETRv2'nin aksine.
- Hızlı Geliştirme: Kapsamlı belgeleme, kullanıma hazır önceden eğitilmiş ağırlıklar ve aktif topluluk desteği ile kolaylaştırılmış bir kullanıcı deneyimi istiyorsunuz.
- Küçük Nesne Tespiti: Uygulamanız, ProgLoss ve STAL'ın belirgin bir avantaj sağladığı drone tabanlı tarım izleme gibi küçük nesnelerin tespitini içeriyor.
RTDETRv2'yi şu durumlarda seçin:
- Araştırma İlgi Alanı: Akademik araştırma için özellikle transformer tabanlı mimarileri inceliyorsunuz.
- Özel Donanım: Bellek yükünün daha az sorun olduğu yüksek performanslı sunucu sınıfı GPU'lara (A100'ler gibi) erişiminiz var ve özellikle transformer tabanlı bir yaklaşım gerektiriyorsunuz.
Sonuç
RTDETRv2, gerçek zamanlı detection'da transformer'ların potansiyelini sergilese de, Ultralytics YOLO26, pratik, gerçek dünya dağıtımları için üstün bir seçenek olmaya devam etmektedir. Uçtan uca NMS içermeyen çıkarım, önemli ölçüde daha düşük kaynak gereksinimleri ve güçlü Ultralytics ekosistemine entegrasyonu, onu geliştiriciler ve mühendisler için vazgeçilmez bir çözüm haline getirir. İster akıllı şehir altyapısı, ister otonom robotik veya mobil uygulamalar geliştiriyor olun, YOLO26 hız, doğruluk ve kullanım kolaylığının en uygun dengesini sunar.
Ultralytics ailesindeki diğer modelleri keşfetmek isteyen kullanıcılar için, YOLO11, birçok bilgisayar görüşü görevi için sağlam bir temel sunan, tam destekli ve güçlü bir alternatif olmaya devam etmektedir.
Model Detayları
YOLO26
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2026-01-14
- GitHub:Ultralytics Deposu
- Belgeler:Resmi Belgeler
RTDETRv2
- Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
- Kuruluş: Baidu
- Tarih: 2023-04-17
- Arxiv:2304.08069
- GitHub:RT-DETR Deposu