YOLO26 ile YOLO11: Görsel Yapay Zekada Nesilsel Bir Sıçrama

En üst düzey bilgisayarlı görü sistemleri oluştururken, doğruluk, gecikme ve kaynak verimliliğini dengelemek için doğru modeli seçmek kritiktir. Yapay zekanın hızla gelişen dünyasında, Ultralytics sınırları zorlamaya devam ediyor. Bu detaylı teknik karşılaştırma, oldukça başarılı YOLO11'den devrim niteliğindeki yeni YOLO26'ya geçişi inceliyor ve yapay zeka mühendisleri ile araştırmacılarına bilinçli mimari kararlar almaları için gereken içgörüleri sunuyor.

Model Soy ağacı ve Meta Verileri

Her iki model de Ultralytics tarafından geliştirilmiştir, ancak nesne tespiti ve çok görevli görü modelleri tarihinde farklı paradigmaları temsil ederler.

YOLO26 Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO26 Resmi Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edin

YOLO11 Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2024-09-27
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO11 Resmi Dokümantasyonu

YOLO11 hakkında daha fazla bilgi edin

Mimari Farklılıklar ve Yenilikler

YOLO11'den YOLO26'ya geçiş, hem model mimarisinde hem de temel eğitim düzeninde köklü değişiklikleri içerir. YOLO11, nesne tespiti ve çok görevli öğrenme için sağlam bir temel oluşturmuşken, YOLO26 uç bilişim (edge computing) için dağıtım hattını tamamen yeniler.

Uçtan Uca NMS-Free Tasarım

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

Uç Verimliliği İçin DFL Kaldırılması

YOLO11, sınırlayıcı kutu tahminlerini iyileştirmek için Distribution Focal Loss (DFL) kullanır. Ancak DFL, düşük güçlü uç hızlandırıcıları 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 selefine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde etmesini sağlar.

MuSGD Optimize Edici

Eğitim kararlılığı ve hızı en önemli unsurlardır. YOLO26, Moonshot AI'ın Kimi K2'sindeki LLM eğitim yeniliklerinden büyük ölçüde esinlenen, Stochastic Gradient Descent (SGD) ve Muon'un bir melezi olan MuSGD Optimizer'ı tanıtır. Bu optimize edici, dil modeli eğitimi kararlılığını bilgisayarlı görüye getirerek daha hızlı yakınsama sağlar ve ağır Transformer alternatiflerine kıyasla eğitim sırasındaki bellek ayak izini azaltır.

ProgLoss ve STAL

Hava görüntüleri veya drone uygulamalarıyla çalışan araştırmacılar için küçük özellikleri tespit etmek tarihsel bir zorluktur. YOLO26, ProgLoss ile STAL'i (Scale-Targeted Attention Loss) birleştirerek YOLO11'e göre küçük nesne tanımasında belirgin iyileştirmeler sunar.

Performans ve Metrik Karşılaştırması

Modelleri karşı karşıya getirip kıyasladığımızda, YOLO26, Ultralytics ekosisteminin karakteristik özelliği olan inanılmaz derecede 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) CPU hızında ~%31'lik bir iyileşme sergileyerek uç odaklı tasarım felsefesini vurguluyor.

Bilgisayarlı Görü Görevlerinde Çok Yönlülük

Her iki model de, birleşik bir Python API aracılığıyla benzersiz bir kullanım kolaylığı sunan, oldukça bakımlı Ultralytics ekosisteminden yararlanır. Sadece nesne dedektörü değillerdir; aynı zamanda çok görevli güç merkezleridir. Ancak YOLO26, göreve özel birkaç gelişmeyi bünyesinde barındırır:

• Örnek Segmentasyonu (Instance Segmentation): YOLO26, iyileştirilmiş bir anlamsal segmentasyon kaybı ve çok ölçekli prototipleme kullanarak YOLO11'den daha net maske sınırları oluşturur. Segmentasyon iş akışları hakkında daha fazla bilgi edinin.
• Poz Tahmini (Pose Estimation): Residual Log-Likelihood Estimation (RLE) entegre ederek, YOLO26 karmaşık insan pozlarında anahtar nokta doğruluğunu önemli ölçüde artırır. Poz tahmini yeteneklerini keşfedin.
• Yönelimli Sınırlayıcı Kutular (OBB): Özel bir açı kaybı fonksiyonu, tarihsel sınır süreksizliği sorunlarını çözerek YOLO26'yı uydu görüntülerindeki döndürülmüş nesneleri tespit etmek için son derece güvenilir hale getirir. OBB görevleri hakkında bilgi edinin.
• Görüntü Sınıflandırma: Her iki model de yüksek hızlı sınıflandırmayı verimli bir şekilde yönetir; YOLO26, ImageNet üzerinde marjinal top-1 doğruluk iyileştirmeleri sunar.

Eğitim ve Çıkarım Kod Örneği

Ultralytics is celebrated for its developer experience. Training a SOTA model or running an inference script takes only a few lines of code, minimizing boilerplate and maximizing productivity. Furthermore, training YOLO models requires significantly less CUDA memory than large transformer networks.

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 ve YOLO11 arasında seçim yapmak, tamamen üretim ortamının kısıtlamalarına bağlıdır.

YOLO26 Ne Zaman Dağıtılmalı?

YOLO26, modern, sıfırdan oluşturulan (greenfield) projeler için kesin tercihtir. Özellikle şunlar için oluşturulmuştur:

• Uç Bilişim ve IoT: Şaşırtıcı CPU performansı ve DFL'nin kaldırılması, onu Raspberry Pi, Coral NPU'lar ve mobil işlemciler gibi cihazların kralı yapar.
• Drone ve Hava Analitiği: ProgLoss + STAL entegrasyonu, onu geniş manzaralarda küçük, hızlı hareket eden nesneleri takip etme konusunda benzersiz bir yeteneğe sahip kılar.
• Latency-Critical Applications: In autonomous robotics or manufacturing quality control, the NMS-free design ensures deterministic latency without unexpected post-processing spikes.

YOLO11 Ne Zaman Korunmalı?

YOLO26 daha üstün olsa da, YOLO11 inanılmaz derecede yetenekli bir model olmaya devam ediyor. Şu durumlarda YOLO11 ile devam edebilirsin:

• Eski Dağıtım Hatları: 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 yüksek tanınırlığa sahip 2024 standardına ihtiyacın varsa.

Ultralytics Ekosisteminin Gücü

YOLO11 veya YOLO26 dağıtman fark etmeksizin, Ultralytics modellerini kullanmak, sık güncellemeler ve geniş topluluk desteği ile bakımı iyi yapılan bir ekosistemden yararlanmak anlamına gelir.

Kurumsal ekipler için Ultralytics Platform, veri etiketleme, model eğitimi ve sorunsuz bulut dağıtımı için uçtan uca bir çözüm sunar. Eğitilmiş ağırlıklarını CoreML veya TensorRT olarak dışa aktarmaktan, gelişmiş hiperparametre ayarlamasını yapılandırmaya kadar, sağlanan araçlar yapay zeka yaşam döngünün mümkün olduğunca akıcı olmasını sağlar.