YOLO26 ve YOLO11: Bilgisayar Görüşü Mühendisleri İçin Teknik Bir Karşılaştırma

Gerçek zamanlı nesne algılama ve bilgisayar görüşü alanı hızla gelişmeye devam etmektedir. Ultralytics, bu evrimin ön saflarında yer almakta, hız, doğruluk ve kullanım kolaylığı sınırlarını sürekli zorlamaktadır. Bu teknik karşılaştırma, geliştiricilere ve araştırmacılara dağıtım ihtiyaçları için en uygun modeli seçmelerinde yardımcı olmak amacıyla YOLO26 ve YOLO11 için mimari gelişmeleri, performans metriklerini ve ideal kullanım durumlarını incelemektedir.

Yönetici Özeti

YOLO26, Ocak 2026'da piyasaya sürülen, YOLO ailesindeki en son teknoloji (SOTA) temsilcisidir. Kenar dağıtımı için akıcılaştırılmış ve CPU performansı için optimize edilmiş, yerel olarak uçtan uca (NMS içermeyen) bir mimari sunar. Eylül 2024'ten kalma selefi YOLO11, güçlü ve sağlam bir seçenek olmaya devam etmektedir, ancak YOLO26, özellikle GPU olmayan donanımlarda çıkarım hızı ve mimari basitlik açısından onu geride bırakmaktadır.

Çoğu yeni proje için, üstün hız-doğruluk dengesi ve basitleştirilmiş dağıtım hattı nedeniyle YOLO26 önerilen seçimdir.

Mimari Evrim

YOLO11'den YOLO26'ya geçiş, yüksek doğruluğu korurken gecikmeyi ve karmaşıklığı azaltmayı hedefleyen önemli yapısal değişiklikler içerir.

YOLO26: Akıcılaştırılmış ve Uçtan Uca

YOLO26, yerel olarak uçtan uca bir tasarım benimseyerek bir paradigma değişimi işaret etmektedir. Çakışan sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) kullanan geleneksel YOLO modellerinin aksine, YOLO26 bu adımı tamamen ortadan kaldırır. YOLOv10'da ilk kez öncülük edilen bu atılım, dağıtım hattını basitleştirir ve çıkarım gecikmesini azaltır, bu da onu gerçek zamanlı uygulamalar için özellikle avantajlı hale getirir.

YOLO26'daki temel mimari yenilikler şunlardır:

• DFL Kaldırılması: Distribution Focal Loss (DFL) modülü kaldırılmıştır. Bu basitleştirme, kenar cihazlarla uyumluluğu artırır ve düşük güçlü işlemcileri darboğaza sokabilecek karmaşık matematiksel işlemleri kaldırarak ONNX ve TensorRT gibi formatlara dışa aktarımı hızlandırır.
• MuSGD Optimize Edici: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenerek, YOLO26, SGD ve Muon'u (Moonshot AI'nin Kimi K2'sinden) birleştiren hibrit bir optimize edici kullanır. Bu, daha kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Progressive Loss Balancing (ProgLoss) ve Small-Target-Aware Label Assignment (STAL), küçük nesneler üzerindeki performansı önemli ölçüde artırır; bu da drone görüntüleri ve uzaktan algılama için kritik bir faktördür.

YOLO26 hakkında daha fazla bilgi edinin

YOLO11: Sağlam Öncül

YOLO11, yüksek verimlilik sağlamak için C3k2 bloğu ve SPPF (Spatial Pyramid Pooling - Fast) modülleri üzerine inşa edilmiştir. Özellik çıkarımını geliştirmek için dikkat mekanizmalarına sahip rafine edilmiş bir C2PSA bloğu kullanır. Son derece etkili olmasına rağmen, NMS son işlemine bağımlılığı, YOLO26'nın uçtan uca yaklaşımına kıyasla çıkarım sırasında hafif bir hesaplama yükü getirir.

YOLO11 hakkında daha fazla bilgi edinin

Performans Kıyaslamaları

Aşağıdaki tablo, COCO veri setindeki iki model arasındaki performans farklılıklarını vurgulamaktadır. YOLO26, hem doğruluk (mAP) hem de CPU çıkarım hızında belirgin avantajlar sergilemektedir.

Metrik Analizi

1. CPU Çıkarım Hızı: YOLO26n, YOLO11n'e kıyasla CPU üzerinde yaklaşık %43 daha hızlıdır (38.9ms'ye karşı 56.1ms). Bu durum, YOLO26'yı Raspberry Pi, mobil cihazlar ve standart CPU'lar üzerindeki dağıtımlar için üstün bir seçenek haline getirir.
2. Doğruluk (mAP): Tüm ölçeklerde, YOLO26 sürekli olarak daha yüksek Ortalama Hassasiyet (Mean Average Precision) elde eder. 'Nano' model, 39.5'ten 40.9 mAP'ye önemli bir artış göstererek daha yüksek hızlarda daha iyi detect kalitesi sunar.
3. Model Verimliliği: YOLO26, daha iyi performans için genellikle daha az parametre ve FLOP gerektirir; bu da mimari budama ve DFL başlığının kaldırılmasından kaynaklanan verimlilik kazanımlarını göstermektedir.

Eğitim ve Optimizasyon

Her iki model de sağlam Ultralytics ekosisteminden faydalanarak eğitimi erişilebilir ve verimli hale getirir.

• Kullanım Kolaylığı: Hem YOLO26 hem de YOLO11 aynı birleşik python API'sini ve CLI arayüzünü. Aralarında geçiş yapmak, model dizgisini değiştirmek kadar basittir. yolo11n.pt için yolo26n.pt.
• Eğitim Verimliliği: YOLO26'nın MuSGD optimize edicisi, eğitim çalışmalarını stabilize etmeye yardımcı olur ve yakınsamaya ulaşmak için gereken epoch sayısını potansiyel olarak azaltır. Bu, özellikle ImageNet gibi büyük veri setleri için hesaplama maliyetlerinden ve zamandan tasarruf sağlar.
• Bellek Gereksinimleri: Ultralytics modelleri, transformatör tabanlı alternatiflere kıyasla düşük bellek ayak izleriyle bilinir. YOLO26, gereksiz başlık hesaplamalarını kaldırarak bunu daha da optimize eder ve tüketici sınıfı GPU'larda daha büyük toplu iş boyutlarına olanak tanır.

Eğitim Örneği

En yeni YOLO26 modelini Ultralytics python paketini kullanarak nasıl eğitebileceğiniz aşağıda açıklanmıştır:

from ultralytics import YOLO

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

# Train on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Görev Çok Yönlülüğü ve Kullanım Durumları

Her iki model ailesi de geniş bir bilgisayar görüşü görev yelpazesini destekler, bunlar arasında detect, segment, sınıflandırma, poz tahmini ve yönlendirilmiş nesne detect (obb) bulunur.

YOLO26 İçin İdeal Kullanım Durumları

• Uç Bilişim: %43'e kadar daha hızlı CPU hızları ile YOLO26, IoT cihazları, akıllı kameralar ve GPU kaynaklarının bulunmadığı mobil uygulamalar için mükemmeldir.
• Küçük Nesne Detect: ProgLoss ve STAL sayesinde YOLO26, hava gözetimi, kalite kontrol ve küçük ayrıntıları detect etmenin kritik olduğu tıbbi görüntüleme gibi senaryolarda üstün performans gösterir.
• Gerçek Zamanlı Robotik: NMS içermeyen tasarım, otonom navigasyon ve robotik manipülasyondaki kontrol döngüleri için kritik olan deterministik gecikme süresi sağlar.

YOLO11 İçin İdeal Kullanım Durumları

• Eski Sistemler: Halihazırda YOLO11 mimarileri için optimize edilmiş iş akışları veya belirli son işlem hatlarının NMS çıktıları etrafında sabit kodlandığı durumlarda, YOLO11 istikrarlı ve desteklenen bir seçenek olmaya devam etmektedir.
• Genel Amaçlı GPU Çıkarımı: Güçlü veri merkezi GPU'larında (T4 gibi), YOLO11 rekabetçi bir performans sergileyerek CPU gecikmesinin daha az önemli olduğu sunucu tarafı toplu işleme için uygun hale gelir.

Ekosistem ve Destek

Ultralytics modellerini kullanmanın en güçlü avantajlarından biri, çevreleyen ekosistemdir. Hem YOLO26 hem de YOLO11, sorunsuz model yönetimi, görselleştirme ve dağıtıma olanak tanıyan Ultralytics Platformu'na tamamen entegre edilmiştir.

• Belgeleme: Kapsamlı kılavuzlar, veri etiketlemeden model dışa aktarımına kadar her şeyi kapsar.
• Topluluk: GitHub ve Discord'daki canlı bir topluluk, geliştiricilerin desteğe ve paylaşılan bilgiye erişimini sağlar.
• Entegrasyonlar: Her iki model de ONNX, OpenVINO ve TensorRT gibi formatlara kolay dışa aktarımı destekleyerek çeşitli donanım ortamlarında dağıtımı kolaylaştırır.

Sonuç

YOLO11 son derece yetenekli bir model olmaya devam etse de, YOLO26 verimlilik ve mimari basitlik açısından önemli bir ilerlemeyi temsil etmektedir. Uçtan uca tasarımı, azaltılmış CPU gecikmesi ve küçük nesneler üzerindeki geliştirilmiş doğruluğu, onu modern bilgisayar görüşü uygulamaları için üstün bir seçenek haline getirir. İster uçta dağıtım yapıyor ister bulutta eğitim veriyor olun, YOLO26 günümüzde mevcut olan en iyi performans ve kullanılabilirlik dengesini sunar.

Model Detayları

YOLO26 Yazar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub | Docs

YOLO11 Yazar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub | Docs

Diğer seçenekleri arayan geliştiriciler, daha önceki uçtan uca konseptler için YOLOv10'u veya açık kelime algılama görevleri için YOLO-World'ü de inceleyebilir.

Yorumlar