Başla

YOLO26 ve YOLO11 karşılaştırması

Bilgisayarlı görü sistemleri geliştirirken doğru modeli seçmek; doğruluk, gecikme süresi ve kaynak verimliliği arasında denge kurmayı gerektirir. Bu teknik karşılaştırma, Ultralytics YOLO11'den daha yeni YOLO26'ya geçişi ele alarak yapay zekâ mühendislerine ve araştırmacılara bilinçli mimari kararları vermeleri için gereken ayrıntıları sunar.

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:

YOLO11 Ayrıntıları:

Diğer Mimariler

YOLO26 en gelişmiş Ultralytics gerçek zamanlı modeli olsa da özel donanımlara veya büyük bellek bütçelerine sahip kullanıcılar RT-DETR ya da ilk NMS'siz YOLO olan YOLOv10 gibi Transformer tabanlı mimarileri de değerlendirebilir.

Mimari Farklılıklar ve Yenilikler#

YOLO11'den YOLO26'ya geçiş, hem model mimarisini hem de eğitim tarifini değiştirir. YOLO11, nesne algılama ve çok görevli öğrenme için güçlü bir temel oluştururken YOLO26, uç bilişim için dağıtım sürecini yeniden tasarlar.

Uçtan Uca, NMS'siz Tasarım#

YOLO26'daki en önemli geliştirmelerden biri, yerel uçtan uca çıkarımdır. Örtüşen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) son işlemine dayanan YOLO11'in aksine YOLO26, isteğe bağlı bire bir başlığıyla (nms=False) bu adımı tamamen atlayabilir. YOLO ailesine YOLOv10 ile kazandırılan bu yaklaşım, gecikme değişkenliğini azaltır ve farklı uç cihazlarda dağıtım mantığını basitleştirir.

Uç Cihaz Verimliliği için DFL'nin Kaldırılması#

YOLO11, sınırlayıcı kutu tahminlerini iyileştirmek için Dağılımsal Odak Kaybı (DFL) kullanır. Ancak DFL, düşük güçlü uç hızlandırıcılar tarafından çoğunlukla iyi desteklenmeyen softmax işlemlerine dayanır. YOLO26 doğruluktan ödün vermeden DFL'yi kaldırır. Bu basitleştirme, gömülü sistemlerle uyumluluğu artırır ve YOLO26n'in YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım yapmasına yardımcı olur.

MuSGD Optimize Edicisi#

YOLO26, Ayırt Edici Gradyan İnişi (SGD) ile Moonshot AI'nin Kimi K2'sinden gelen büyük dil modeli (LLM) eğitim yeniliklerinden esinlenen Muon'u birleştiren hibrit bir yöntem olan MuSGD Optimize Edicisini sunar. Dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır ve yakınsamayı hızlandırır.

ProgLoss ve STAL#

Hava görüntüleri veya drone uygulamaları üzerinde çalışan araştırmacılar için küçük nesneleri algılamak uzun süredir karşılaşılan bir zorluktur. YOLO26, YOLO11'e kıyasla küçük nesnelerin tanınmasını geliştiren ProgLoss'u Küçük Hedef Farkındalıklı Etiket Ataması (STAL) ile birleştirir.

Performans ve Metrik Karşılaştırması#

YOLO26, benzer parametre sayıları ve FLOP değerleriyle n boyutunda +1,4'ten x boyutunda +2,8'e kadar her boyutta YOLO11'den daha yüksek mAP elde eder. YOLO26n ve YOLO26s CPU'da daha hızlıyken büyük YOLO11 modelleri CPU gecikme süresinde avantajını korur.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Not: YOLO26n, YOLO11n'den ~%31 daha düşük CPU ONNX gecikme süresine sahiptir (38.9 ms'ye karşı 56.1 ms); bu fark, uç öncelikli tasarımını yansıtır.

Bilgisayarlı Görü Görevlerinde Çok Yönlülük#

Her iki model de etkin biçimde sürdürülen Ultralytics ekosisteminden ve birleşik Python API'sinden yararlanır; ayrıca algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB'yi destekler. YOLO26 anlamsal segmentasyon ve derinlik tahmininin yanı sıra göreve özgü çeşitli iyileştirmeler ekler:

  • Örnek Segmentasyonu: YOLO26, YOLO11'e kıyasla maske kalitesini artıran anlamsal segmentasyon kaybı ve çok ölçekli proto modülü kullanır. Segmentasyon iş akışları hakkında daha fazla bilgi edin.
  • Poz Tahmini: Artık Log-Olasılık Tahmini'ni (RLE) entegre eden YOLO26, karmaşık insan pozlarında anahtar nokta doğruluğunu artırır. Poz tahmini yeteneklerini keşfet.
  • Yönlendirilmiş Sınırlayıcı Kutular (OBB): Özel bir açı kaybı işlevi, sınır süreksizliği sorunlarını gidererek YOLO26'yı uydu görüntülerindeki döndürülmüş nesneleri algılamada daha güvenilir kılar. OBB görevleri hakkında bilgi edin.
  • Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırmayı verimli biçimde gerçekleştirir. n modellerinde YOLO26, ImageNet'te ilk 1 doğruluğunda mütevazı artışlar sağlar (%71,4'e karşı %70,0).

Eğitim ve Çıkarım için Kod Örneği#

Ultralytics ile model eğitmek veya çıkarım çalıştırmak yalnızca birkaç satır kod gerektirir. YOLO modellerinin eğitimi, büyük Transformer ağlarına kıyasla daha az CUDA belleği de gerektirir.

from ultralytics import YOLO

# 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",  # Hızlandırılmış eğitim 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 arasında seçim yapmak, üretim ortamının kısıtlarına bağlıdır.

YOLO26 Ne Zaman Dağıtılmalı#

YOLO26, yeni projeler için önerilen seçenektir. Şunlar için tasarlanmıştır:

  • Uç Bilişim ve IoT: CPU performansı ve DFL'nin kaldırılmış olması, modeli Raspberry Pi, Coral Edge TPU ve mobil işlemciler gibi cihazlar için uygun kılar.
  • Drone ve Hava Analitiği: ProgLoss + STAL, geniş sahnelerde küçük ve hızlı hareket eden nesnelerin algılanmasını ve izlenmesini iyileştirir.
  • Gecikmeye Duyarlı Uygulamalar: Otonom robotik veya üretim kalite kontrolü alanlarında isteğe bağlı NMS'siz başlık (nms=False), son işlem sıçramaları olmadan gecikmeyi tutarlı kılar.

YOLO11 Ne Zaman Kullanılmaya Devam Edilmeli#

YOLO11 yetenekli bir model olmayı sürdürüyor. 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 Temeller: Araştırma yayımlıyor ve yeni algoritmaları kıyaslamak için geniş çapta tanınan bir 2024 temeline ihtiyaç duyuyorsun.

Ultralytics Ekosisteminin Gücü#

İster YOLO11 ister YOLO26 dağıt, Ultralytics modelleri iyi bakımlı bir ekosistem, sık güncellemeler ve geniş bir toplulukla birlikte gelir.

Kurumsal ekipler için Ultralytics Platformu, veri etiketlemeden model eğitimine ve bulut dağıtımına kadar uçtan uca bir çözüm sunar. ultralytics paketi, hiperparametre ayarından eğitilmiş ağırlıkları CoreML veya TensorRT biçimine aktarmaya kadar yaşam döngüsünün geri kalanını kapsar.

Katkıda Bulunanlar

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.