YOLO26 ve YOLO11 karşılaştırması#

Son teknoloji bilgisayarlı görü sistemleri oluştururken doğruluk, gecikme ve kaynak verimliliği arasında denge kurmak için doğru modeli seçmek kritik önem taşır. Yapay zekânın hızla gelişen dünyasında Ultralytics, mümkün olanın sınırlarını zorlamayı sürdürüyor. Bu ayrıntılı teknik karşılaştırma, son derece başarılı YOLO11 modelinden çığır açan yeni YOLO26 modeline geçişi ele alarak YZ mühendislerine ve araştırmacılara bilinçli mimari kararlar almaları için gereken bilgileri sunuyor.

Model Kökeni ve Üst Verileri#

Her iki model de Ultralytics tarafından geliştirildi, ancak nesne algılama ve çok görevli görü modellerinin gelişim sürecinde farklı yaklaşımları temsil ediyorlar.

YOLO26 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Belgeler: YOLO26 Resmî Belgeleri

YOLO11 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Deposu
• Belgeler: YOLO11 Resmî Belgeleri

Mimari Farklılıklar ve Yenilikler#

YOLO11'den YOLO26'ya geçiş, hem model mimarisinde hem de temel eğitim sürecinde köklü değişiklikler içeriyor. YOLO11, nesne algılama ve çok görevli öğrenme için sağlam bir temel oluştururken YOLO26, uç bilişime yönelik dağıtım sürecini baştan sona yeniliyor.

Uçtan Uca, NMS'siz Tasarım#

YOLO26'daki en önemli geliştirmelerden biri, yerel olarak uçtan uca tasarlanmış mimarisidir. Çakışan sınırlayıcı kutuları filtrelemek için son işleme aşamasında Maksimum Olmayan Bastırma (NMS) kullanan YOLO11'in aksine YOLO26, isteğe bağlı bire bir başlığıyla (nms=False) bu adımı tamamen atlayabilir. İlk kez YOLOv10 ile uygulanan bu yaklaşım, gecikme değişkenliğini önemli ölçüde azaltır ve farklı uç cihazlardaki dağıtım mantığını basitleştirir.

Uç Cihaz Verimliliği için DFL'nin Kaldırılması#

YOLO11, sınırlayıcı kutu tahminlerini iyileştirmek için Dağılım Odaklı Kayıp (DFL) kullanır. Ancak DFL, düşük güçlü uç hızlandırıcılarının çoğunda desteği yetersiz olan karmaşık softmax işlemlerine dayanır. YOLO26, doğruluktan ödün vermeden DFL'yi başarıyla kaldırır. Bu mimari basitleştirme, gömülü sistemlerle uyumluluğu büyük ölçüde artırır ve YOLO26'nın önceki modeline kıyasla CPU çıkarımını %43'e kadar hızlandırmasını sağlar.

MuSGD Optimize Edicisi#

Eğitim kararlılığı ve hızı son derece önemlidir. YOLO26, Moonshot AI'nin Kimi K2 modelindeki LLM eğitim yeniliklerinden büyük ölçüde esinlenen, Stokastik Gradyan İnişi (SGD) ile Muon'un birleşimi olan MuSGD Optimize Edicisini sunar. Bu optimize edici, dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır; ağır Transformer alternatiflerine kıyasla daha hızlı yakınsama sağlar ve eğitim sırasındaki bellek kullanımını azaltır.

ProgLoss ve STAL#

Hava görüntüleri veya drone uygulamaları üzerinde çalışan araştırmacılar için küçük nesneleri algılamak uzun süredir zorlu bir sorun. YOLO26, ProgLoss'u STAL (Küçük Hedefleri Dikkate Alan Etiket Ataması) ile birleştirerek YOLO11'e kıyasla küçük nesneleri tanımada kayda değer iyileşmeler sağlıyor.

Performans ve Metrik Karşılaştırması#

Modelleri doğrudan karşılaştırdığımızda YOLO26, Ultralytics ekosisteminin karakteristik özelliği olan son derece düşük bellek gereksinimlerini korurken doğruluk ve uç cihaz verimliliği bakımından belirgin bir üstünlük sergiliyor.

Not: YOLO26 nano (YOLO26n) modeli, YOLO11n'e kıyasla CPU hızında ~%31 iyileşme gösteriyor (38.9 ms'ye karşı 56.1 ms). Bu da uç cihaz öncelikli tasarım anlayışını ortaya koyuyor.

Bilgisayarlı Görü Görevlerinde Çok Yönlülük#

Her iki model de bakımı titizlikle yapılan Ultralytics ekosisteminden yararlanıyor ve birleşik Python API'si sayesinde benzersiz bir kullanım kolaylığı sunuyor. Bu modeller yalnızca nesne algılayıcıları değil, çok görevli güç merkezleridir. Bununla birlikte YOLO26, göreve özel çeşitli geliştirmeler içeriyor:

• Örnek Segmentasyonu: YOLO26, YOLO11'e kıyasla daha keskin maske sınırları oluşturmak için iyileştirilmiş bir anlamsal segmentasyon kaybı ve çok ölçekli prototipleme kullanır. Segmentasyon iş akışları hakkında daha fazla bilgi edin.
• Poz Tahmini: Artık Log Olabilirlik Tahmini (RLE) entegrasyonu sayesinde YOLO26, karmaşık insan pozlarında kilit nokta doğruluğunu önemli ölçüde artırır. Poz tahmini özelliklerini keşfet.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Özel bir açı kaybı işlevi, geçmişte karşılaşılan sınır süreksizliği sorunlarını çözer ve YOLO26'yı uydu görüntülerinde döndürülmüş nesneleri algılama konusunda son derece güvenilir kılar. OBB görevleri hakkında bilgi edin.
• Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırmayı verimli şekilde gerçekleştirir; YOLO26, ImageNet'te ilk 1 doğruluğunda küçük iyileşmeler sağlar.

Eğitim ve Çıkarım için Kod Örneği#

Ultralytics, geliştirici deneyimiyle öne çıkar. Son teknoloji bir modeli eğitmek veya çıkarım betiği çalıştırmak yalnızca birkaç satır kod gerektirir; böylece gereksiz kod en aza iner ve üretkenlik artar. Ayrıca YOLO modellerini eğitmek, büyük Transformer ağlarına kıyasla çok daha az CUDA belleği gerektirir.

from ultralytics import YOLO

# Son teknoloji YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde verimli biçimde eğit
# optimizer="auto", uzun eğitim çalıştırmalarında MuSGD'yi seçer
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Eğitimi hızlandırmak için GPU kullan
)

# Görüntü üzerinde doğrudan NMS'siz çıkarım gerçekleştir
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Temiz ve anlık tahminleri görüntüle
results[0].show()

Uygun Kullanım Alanları ve Dağıtım Stratejileri#

YOLO26 ile YOLO11 arasındaki seçim tamamen üretim ortamının kısıtlamalarına bağlıdır.

YOLO26 Ne Zaman Dağıtılmalı#

YOLO26, yeni geliştirilen modern projeler için en doğru seçimdir. Özellikle şu alanlar için tasarlanmıştır:

• Uç Bilişim ve IoT: Olağanüstü CPU performansı ve DFL'nin kaldırılması, YOLO26'yı Raspberry Pi, Coral NPU'lar ve mobil işlemciler gibi cihazlar için ideal hâle getirir.
• Drone ve Hava Analitiği: ProgLoss + STAL entegrasyonu, geniş alanlardaki küçük ve hızla hareket eden nesneleri izleme konusunda benzersiz bir yetenek sağlar.
• Gecikmeye Duyarlı Uygulamalar: Otonom robotik veya üretim kalite kontrolü süreçlerinde NMS'siz tasarım, beklenmedik son işleme gecikme artışları olmadan öngörülebilir gecikme sağlar.

YOLO11 Ne Zaman Kullanılmaya Devam Edilmeli#

YOLO26 daha üstün olsa da YOLO11 hâlâ son derece yetenekli bir modeldir. Şu durumlarda YOLO11'i kullanmaya devam edebilirsin:

• Eski İş Akışları: Mevcut C++ dağıtım altyapın, YOLO11'in belirli çıktı biçimine ve NMS mantığına sıkı sıkıya bağlıdır.
• Akademik Temel Modeller: Araştırma yayımlıyorsun ve yeni algoritmalarını kıyaslamak için geniş çapta kabul gören 2024 standardına ihtiyaç duyuyorsun.

Ultralytics Ekosisteminin Gücü#

YOLO11 veya YOLO26'yı dağıtmandan bağımsız olarak Ultralytics modellerini kullanmak, sık güncellemeler ve geniş topluluk desteği sunan bakımlı bir ekosistemden yararlanmanı sağlar.

Kurumsal ekipler için Ultralytics Platformu, veri etiketleme, model eğitimi ve sorunsuz bulut dağıtımı için uçtan uca bir çözüm sunar. Eğitilmiş ağırlıklarını CoreML veya TensorRT biçiminde dışa aktarmaktan gelişmiş hiperparametre ayarlarını yapılandırmaya kadar sunulan araçlar, YZ yaşam döngünün olabildiğince verimli ilerlemesini sağlar.