YOLO26 ve YOLO11#

Son teknoloji ürünü bilgisayarlı görü sistemleri geliştirirken doğru modeli seçmek; doğruluk, gecikme ve kaynak verimliliğini dengelemek açısından hayati önem taşır. Yapay zekanın hızla gelişen dünyasında Ultralytics, mümkün olanın sınırlarını zorlamaya devam ediyor. Bu ayrıntılı teknik karşılaştırma, son derece başarılı YOLO11 modelinden devrim niteliğindeki yeni YOLO26 modeline geçişi inceleyerek yapay zeka mühendislerine ve araştırmacılara bilinçli mimari kararlar vermeleri için gereken içgörüleri sunar.

Model 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
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Repository
• Belgeler: YOLO26 Resmi Belgeleri

YOLO26 hakkında daha fazla bilgi edin

YOLO11 Ayrıntıları:

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

YOLO11 hakkında daha fazla bilgi edinin

Mimari Farklılıklar ve Yenilikler#

YOLO11'den YOLO26'ya geçiş, hem model mimarisinde hem de temel eğitim rejiminde köklü değişiklikler içerir. YOLO11 nesne tespiti ve çok görevli öğrenme için sağlam bir temel oluştururken, YOLO26 uç bilişim için dağıtım boru hattını tamamen elden geçirir.

Uçtan Uca NMS'siz Tasarım#

YOLO26'daki en önemli yükseltmelerden biri, yerel olarak uçtan uca (end-to-end) mimarisidir. Kesişen sınırlayıcı kutuları filtrelemek için Non-Maximum Suppression (NMS) son işlemine güvenen YOLO11'in aksine YOLO26 bu adımı tamamen ortadan kaldırır. İlk olarak YOLOv10 ile öncülük edilen bu konsept, gecikme değişkenliğini dramatik bir şekilde azaltır ve çeşitli uç cihazlardaki dağıtım mantığını basitleştirir.

Uç 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.

MuSGD 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.

ProgLoss ve STAL#

Uydu görüntüleri veya drone uygulamalarıyla çalışan araştırmacılar için küçük özellikleri tespit etmek tarihi bir zorluktur. YOLO26, ProgLoss'u STAL (Scale-Targeted Attention Loss) ile birleştirerek küçük nesne tanımada YOLO11'e kıyasla belirgin iyileştirmeler sunar.

Performans 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.

Bilgisayarlı 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 Bölütleme (Instance Segmentation): YOLO26, gelişmiş bir semantik bölütleme kaybı ve çok ölçekli prototipleme kullanarak YOLO11'e göre daha keskin maske sınırları üretir. Bölütleme iş akışları hakkında daha fazla bilgi edin.
• Poz Tahmini (Pose Estimation): Artık Kalıntı Olasılık Tahmini (RLE) entegrasyonu sayesinde YOLO26, karmaşık insan pozlarında kilit nokta doğruluğunu büyük ölçüde artırır. Poz tahmini yeteneklerini keşfet.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Özel bir açı kaybı fonksiyonu, geçmişteki sınır süreksizliği sorunlarını çözerek YOLO26'yı uydu yayınlarındaki döndürülmüş nesneleri tespit etmek için son derece güvenilir hale getirir. OBB görevleri hakkında bilgi oku.
• Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırma işlemlerini verimli bir şekilde yönetirken, YOLO26 ImageNet üzerinde marjinal top-1 doğruluk iyileştirmeleri sunar.

Eğitim ve Çıkarım Kod Örneği#

Ultralytics geliştirici deneyimiyle tanınır. SOTA bir model eğitmek veya bir çıkarım betiği çalıştırmak yalnızca birkaç satır kod gerektirir; bu da şablon kodları en aza indirir ve verimliliği maksimize eder. Dahası, YOLO modellerini eğitmek büyük transformatör ağlarına göre çok daha az CUDA belleği gerektirir.

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 Senaryoları ve Dağıtım Stratejileri#

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

Ne 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.
• Gecikmeye Kritik Uygulamalar: Otonom robotik veya üretim kalite kontrolü alanlarında, NMS'siz tasarım beklenmedik son işlem sıçramaları olmadan belirleyici bir gecikme süresi sağlar.

Ne 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.

Ultralytics Ekosisteminin Gücü#

İster YOLO11 ister YOLO26 dağıtın, Ultralytics modellerini kullanmak, sık güncellemeler ve geniş topluluk desteği sunan bakımı iyi yapılan bir ekosisteme bağlanmak anlamına gelir.

Kurumsal ekipler için Ultralytics Platform; veri etiketleme, model eğitimi ve sorunsuz bulut dağıtımı için uçtan uca bir çözüm sunar. Eğitilmiş ağırlıklarınızı CoreML veya TensorRT formatına aktarmaktan gelişmiş hiperparametre optimizasyonu yapılandırmaya kadar sunulan araçlar, yapay zeka yaşam döngünüzün olabildiğince akıcı olmasını sağlar.