Link to this sectionYOLO26 ve YOLO11#

En gelişmiş bilgisayarlı görü sistemlerini oluştururken, doğruluk, gecikme ve kaynak verimliliğini dengelemek için doğru modeli seçmek kritiktir. Yapay zekanın hızla gelişen dünyasında Ultralytics, mümkün olanın sınırlarını zorlamaya devam ediyor. Bu ayrıntılı teknik karşılaştırma, oldukça başarılı YOLO11'den devrim niteliğindeki yeni YOLO26'ya geçişi inceleyerek, yapay zeka mühendislerine ve araştırmacılara bilinçli mimari kararlar vermeleri için gereken içgörüleri sağlıyor.

Link to this sectionModel Kökeni ve Meta Verileri#

Her iki model de Ultralytics tarafından geliştirilmiştir ancak nesne tespiti ve çok görevli görü modellerinin zaman çizelgesinde farklı paradigmaları temsil ederler.

YOLO26 Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO26 Resmi Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edin

YOLO11 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO11 Resmi Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionMimari Farklılıklar ve Yenilikler#

YOLO11'den YOLO26'ya geçiş, hem model mimarisinde hem de temel eğitim düzeninde köklü değişiklikleri içerir. YOLO11, nesne tespiti ve çok görevli öğrenme için sağlam bir temel oluştururken, YOLO26 uç bilişim için dağıtım sürecini tamamen elden geçiriyor.

Link to this sectionUçtan Uca NMS'siz Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, yerel olarak uçtan uca mimarisidir. Birbiriyle çakışan sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) son işleme sürecine dayanan YOLO11'in aksine, YOLO26 bu adımı tamamen ortadan kaldırır. İlk kez YOLOv10 ile öncülük edilen bu konsept, gecikme değişkenliğini önemli ölçüde azaltır ve çeşitli uç cihazlarda dağıtım mantığını basitleştirir.

Link to this sectionUç Verimliliği için DFL Kaldırma#

YOLO11, sınırlayıcı kutu tahminlerini iyileştirmek için Distribution Focal Loss (DFL) kullanır. Ancak DFL, düşük güçlü uç hızlandırıcılar tarafından genellikle zayıf desteklenen karmaşık softmax işlemlerine dayanır. YOLO26, doğruluktan ödün vermeden DFL'yi başarıyla kaldırır. Bu mimari sadeleştirme, gömülü sistemlerle çok daha iyi uyumluluk sağlar ve YOLO26'nın önceki sürümüne kıyasla %43'e kadar daha hızlı CPU çıkarımı elde etmesini sağlar.

Link to this sectionMuSGD Optimize Edici#

Eğitim kararlılığı ve hızı her şeyden önemlidir. YOLO26, Moonshot AI'nın Kimi K2'sindeki LLM eğitim yeniliklerinden büyük ölçüde ilham alan, Stochastic Gradient Descent (SGD) ve Muon'un bir hibriti olan MuSGD Optimize Edici'yi sunar. Bu optimize edici, dil modeli eğitimi kararlılığını bilgisayarlı görü alanına getirerek, ağır transformer alternatiflerine kıyasla eğitim sırasında daha hızlı yakınsama sağlar ve bellek kullanımını azaltır.

Link to this sectionProgLoss ve STAL#

Hava görüntüleri veya drone uygulamalarıyla çalışan araştırmacılar için küçük özellikleri tespit etmek tarihsel bir zorluktur. YOLO26, küçük nesne tanımada YOLO11'e göre belirgin iyileştirmeler sunan, STAL (Scale-Targeted Attention Loss) ile birleştirilmiş ProgLoss'u tanıtır.

Link to this sectionPerformans ve Metrik Karşılaştırması#

Modelleri kafa kafaya karşılaştırdığınızda, YOLO26, Ultralytics ekosisteminin karakteristik özelliği olan son derece düşük bellek gereksinimlerini korurken, hassasiyet ve uç cihaz verimliliğinde net bir üstünlük sergiler.

Not: YOLO26 nano (YOLO26n) modeli, YOLO11n'e kıyasla (56.1ms'ye karşı 38.9ms) ~%31 hız artışı sergileyerek uç cihaz öncelikli tasarım felsefesini vurgular.

Link to this sectionBilgisayarlı Görü Görevlerinde Çok Yönlülük#

Her iki model de, birleşik bir Python API aracılığıyla benzersiz bir kullanım kolaylığı sunan, yüksek düzeyde bakımlı Ultralytics ekosisteminden yararlanır. Bunlar sadece nesne dedektörü değil, aynı zamanda çok görevli güç merkezleridir. Ancak YOLO26, göreve özgü çeşitli ilerlemeleri bünyesinde barındırır:

• Örnek Segmentasyonu (Instance Segmentation): YOLO26, YOLO11'den daha net maske sınırları oluşturan, geliştirilmiş bir anlamsal segmentasyon kaybı ve çok ölçekli prototipleme kullanır. Segmentasyon iş akışları hakkında daha fazla bilgi edinin.
• Poz Tahmini (Pose Estimation): Residual Log-Likelihood Estimation (RLE) entegrasyonu sayesinde YOLO26, karmaşık insan pozlarındaki kilit nokta doğruluğunu önemli ölçüde artırır. Poz tahmini yeteneklerini keşfedin.
• Yönelimli Sınırlayıcı Kutular (OBB): Özel bir açı kaybı fonksiyonu, tarihsel sınır süreksizliği sorunlarını çözerek YOLO26'yı uydu görüntülerindeki döndürülmüş nesneleri tespit etmede son derece güvenilir kılar. OBB görevleri hakkında bilgi edinin.
• Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırma işlemlerini verimli bir şekilde yönetir ve YOLO26, ImageNet üzerinde marjinal top-1 doğruluk iyileştirmeleri sunar.

Link to this sectionEğitim ve Çıkarım Kod Örneği#

Ultralytics is celebrated for its developer experience. Training a SOTA model or running an inference script takes only a few lines of code, minimizing boilerplate and maximizing productivity. Furthermore, training YOLO models requires significantly less CUDA memory than large transformer networks.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

Link to this sectionİdeal Kullanım Senaryoları ve Dağıtım Stratejileri#

YOLO26 ile YOLO11 arasında seçim yapmak tamamen üretim ortamınızın kısıtlamalarına bağlıdır.

Link to this sectionNe Zaman YOLO26 Dağıtılmalı#

YOLO26, modern ve yeni projeler için kesin tercihtir. Özellikle şunlar için oluşturulmuştur:

• Uç Bilişim ve IoT: Şaşırtıcı CPU performansı ve DFL kaldırma özelliği, onu Raspberry Pi, Coral NPU ve mobil işlemciler gibi cihazların kralı yapar.
• Drone ve Hava Analitiği: ProgLoss + STAL entegrasyonu, onu geniş manzaralarda küçük ve hızlı hareket eden nesneleri izlemek için benzersiz bir şekilde yetenekli kılar.
• Latency-Critical Applications: In autonomous robotics or manufacturing quality control, the NMS-free design ensures deterministic latency without unexpected post-processing spikes.

Link to this sectionNe Zaman YOLO11 Korunmalı#

YOLO26 daha üstün olsa da, YOLO11 inanılmaz derecede yetenekli bir model olmaya devam ediyor. Şu durumlarda YOLO11 ile devam etmek isteyebilirsin:

• Eski İş Akışları (Legacy Pipelines): Mevcut C++ dağıtım altyapın, eski mimarilerin belirli çapa tabanlı (anchor-based) çıktılarına ve NMS mantığına sıkı sıkıya bağlıysa.
• Akademik Temeller: Araştırma yayınlıyorsan ve özgün algoritmalarını karşılaştırmak için 2024 standardında oldukça tanınmış bir modele ihtiyacın varsa.

Link to this sectionUltralytics Ekosisteminin Gücü#

YOLO11 veya YOLO26 dağıtman fark etmeksizin, Ultralytics modellerini kullanmak, sık güncellemeler ve geniş topluluk desteği ile bakımı iyi yapılan bir ekosistemden faydalanmak anlamına gelir.

Kurumsal ekipler için Ultralytics Platform, veri etiketleme, model eğitimi ve sorunsuz bulut dağıtımı için uçtan uca bir çözüm sunar. Eğitilmiş ağırlıklarını CoreML veya TensorRT formatlarına aktarmaktan, gelişmiş hiperparametre ayarlamayı yapılandırmaya kadar sunulan araçlar, yapay zeka yaşam döngünün mümkün olduğunca akıcı olmasını sağlar.