YOLO26 ve YOLO11#

Son teknoloji bilgisayarlı görü sistemleri oluştururken doğruluk, gecikme süresi ve kaynak verimliliği arasında denge kurmak için doğru modeli seçmek kritik önem taşır. Hızla gelişen yapay zekâ dünyasında Ultralytics, mümkün olanın sınırlarını zorlamaya devam ediyor. Bu ayrıntılı teknik karşılaştırma, son derece başarılı YOLO11 modelinden devrim niteliğindeki yeni YOLO26 modeline geçişi inceliyor ve yapay zekâ mühendisleriyle araştırmacıların bilinçli mimari kararlar alması için ihtiyaç duyduğu içgörüleri sunuyor.

Model Soyu ve Meta Verileri#

Her iki model de Ultralytics tarafından geliştirildi, ancak nesne algılama ve çok görevli görü modellerinin gelişim sürecinde farklı paradigmaları 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 Farklar ve Yenilikler#

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

Uçtan Uca, NMS Gerektirmeyen Tasarım#

YOLO26'daki en önemli geliştirmelerden biri, yerel olarak uçtan uca çalışan mimarisidir. Çakışan sınırlayıcı kutuları filtrelemek için işlem sonrası Maksimum Olmayan Bastırma (NMS) adımına ihtiyaç duyan YOLO11'in aksine YOLO26 bu adımı tamamen ortadan kaldırıyor. İlk olarak YOLOv10 tarafından öncülük edilen bu yaklaşım, gecikme süresindeki değişkenliği önemli ölçüde azaltıyor ve farklı uç cihazlardaki dağıtım mantığını sadeleştiriyor.

Uç Verimliliği için DFL'nin Kaldırılması#

YOLO11, sınırlayıcı kutu tahminlerini iyileştirmek için Dağılımsal Odak Kayıp (DFL) kullanıyor. Ancak DFL, düşük güçlü uç hızlandırıcılar tarafından çoğu zaman yeterince desteklenmeyen karmaşık softmax işlemlerine dayanıyor. YOLO26, doğruluktan ödün vermeden DFL'yi başarıyla kaldırıyor. Bu mimari sadeleştirme, gömülü sistemlerle uyumluluğu büyük ölçüde artırıyor ve YOLO26'nın önceki modele kıyasla %43'e kadar daha hızlı CPU çıkarımı gerçekleştirmesini sağlıyor.

MuSGD Optimize Edicisi#

Eğitim kararlılığı ve hızı büyük önem taşır. YOLO26, Moonshot AI'ın Kimi K2 modelindeki LLM eğitim yeniliklerinden büyük ölçüde esinlenen, Stokastik Gradyan İnişi (SGD) ve Muon'un birleşiminden oluşan hibrit MuSGD Optimize Edicisini sunuyor. Bu optimize edici, dil modeli eğitiminin kararlılığını bilgisayarlı görüye taşıyor; ağır Transformer alternatiflerine kıyasla daha hızlı yakınsama sağlıyor ve eğitim sırasında bellek kullanımını azaltıyor.

ProgLoss ve STAL#

Hava görüntüsü veya drone uygulamalarıyla çalışan araştırmacılar için çok küçük özellikleri tespit etmek tarihi bir zorluktur. YOLO26, YOLO11'e kıyasla küçük nesne tanımada belirgin iyileştirmeler sunarak STAL (Small-Target-Aware Label Assignment) ile birleştirilmiş ProgLoss'u sunar.

Performans ve Metrik Karşılaştırması#

Modeller doğrudan karşılaştırıldığında YOLO26, Ultralytics ekosisteminin karakteristik özelliği olan son derece düşük bellek gereksinimlerini korurken kesinlik ve uç cihaz verimliliğinde açıkça üstünlük gösteriyor.

Not: YOLO26 nano (YOLO26n) modeli, YOLO11n'e kıyasla CPU hızında ~%31'lik bir iyileşme sunuyor (38.9 ms'ye karşı 56.1 ms); bu da uç öncelikli tasarım felsefesini ortaya koyuyor.

Bilgisayarlı Görü Görevlerinde Çok Yönlülük#

Her iki model de bakımı titizlikle sürdürülen Ultralytics ekosisteminden yararlanıyor ve birleşik bir Python API aracılığıyla benzersiz kullanım kolaylığı sunuyor. Bunlar yalnızca nesne algılayıcıları değil; çok görevli güçlü modellerdir. Ancak YOLO26, göreve özgü çeşitli geliştirmeler içeriyor:

• Örnek Bölütleme: YOLO26, YOLO11'e kıyasla daha keskin maske sınırları oluşturmak için iyileştirilmiş bir anlamsal bölütleme kaybı ve çok ölçekli prototipleme kullanıyor. Bölütleme iş akışları hakkında daha fazla bilgi edin.
• Poz Tahmini: YOLO26, Artık Log-Olasılık Tahmini'ni (RLE) entegre ederek karmaşık insan pozlarındaki kilit nokta doğruluğunu büyük ölçüde artırıyor. Poz tahmini yeteneklerini keşfet.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Özel bir açı kaybı işlevi, geçmişteki sınır süreksizliği sorunlarını çözüyor ve YOLO26'yı uydu görüntülerindeki döndürülmüş nesneleri algılamada son derece güvenilir hâle getiriyor. OBB görevleri hakkında bilgi edin.
• Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırma işlemlerini verimli biçimde gerçekleştiriyor; YOLO26 ise ImageNet üzerinde top-1 doğruluğunda küçük iyileştirmeler sunuyor.

Eğitim ve Çıkarım Kod Örneği#

Ultralytics, geliştirici deneyimiyle öne çıkıyor. Bir SOTA modeli eğitmek veya bir çıkarım betiği çalıştırmak yalnızca birkaç satır kod gerektiriyor; böylece gereksiz kod azaltılırken üretkenlik en üst düzeye çıkarılıyor. Ayrıca YOLO modellerini eğitmek, büyük Transformer ağlarına kıyasla çok daha az CUDA belleği gerektiriyor.

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()

İdeal Kullanım Alanları ve Dağıtım Stratejileri#

YOLO26 ile YOLO11 arasındaki seçim tamamen üretim ortamının kısıtlarına bağlıdır.

YOLO26 Ne Zaman Dağıtıma Alınmalı?#

YOLO26, modern ve sıfırdan başlatılan projeler için kesin tercihtir. Özellikle şu amaçlarla tasarlanmıştır:

• Uç Bilişim ve IoT: Olağanüstü CPU performansı ve DFL'nin kaldırılması, onu Raspberry Pi, Coral NPU'ları ve mobil işlemciler gibi cihazların lideri hâline getiriyor.
• Drone ve Hava Analitiği: ProgLoss + STAL entegrasyonu, geniş arazilerde küçük ve hızlı hareket eden nesneleri izleme konusunda ona benzersiz bir yetenek kazandırıyor.
• Gecikme Süresinin Kritik Olduğu Uygulamalar: Otonom robotikte veya üretim kalite kontrolünde NMS gerektirmeyen tasarım, beklenmedik işlem sonrası sıçramalar olmadan deterministik gecikme süresi sağlıyor.

YOLO11 Ne Zaman Korumalı?#

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

• Eski İş Akışları: Mevcut C++ dağıtım altyapın, eski mimarilerin belirli anchor tabanlı çıktıları ve NMS mantığıyla sıkı biçimde bağlantılıysa.
• Akademik Temel Modeller: Araştırma yayımlıyor ve yeni algoritmalarını kıyaslamak için geniş ölçüde tanınan bir 2024 standardına ihtiyaç duyuyorsan.

Ultralytics Ekosisteminin Gücü#

YOLO11'i veya YOLO26'yı dağıtıma almandan bağımsız olarak Ultralytics modellerini kullanmak, sık güncellemeler ve geniş topluluk desteği sunan bakımı iyi yapılan bir ekosistemden yararlanmak anlamına gelir.

Kurumsal ekipler için Ultralytics Platformu, veri açıklama, model eğitimi ve sorunsuz bulut dağıtımı için uçtan uca bir çözüm sunuyor. Eğitilmiş ağırlıklarını CoreML veya TensorRT biçimine aktarmaktan gelişmiş hiperparametre ayarlamayı yapılandırmaya kadar sunulan araçlar, yapay zekâ yaşam döngünün mümkün olduğunca sorunsuz ilerlemesini sağlıyor.