YOLO26 ve YOLOv10 karşılaştırması#

Bilgisayarlı görü alanı; daha hızlı, daha doğru ve daha verimli modellere yönelik talepler doğrultusunda sürekli gelişiyor. Bu kılavuz, gerçek zamanlı nesne algılama alanındaki çığır açan iki mimariyi, YOLO26 ve YOLOv10'u kapsamlı biçimde teknik açıdan karşılaştırıyor. Mimarilerini, performans metriklerini ve dağıtım yeteneklerini inceleyerek geliştiricilerin ve araştırmacıların görü uygulamaları için en uygun modeli seçmelerine yardımcı olmayı amaçlıyoruz.

NMS'siz Mimarilerin Gelişimi#

YOLO (Yalnızca Bir Kez Bak) ailesi, yıllarca son işleme sırasında yinelenen sınırlayıcı kutuları filtrelemek için büyük ölçüde Maksimum Olmayan Bastırma (NMS) kullandı. NMS etkili olsa da çıkarım gecikmesine yol açar ve Raspberry Pi gibi uç cihazlarda veya özel sinir işleme birimlerinde (NPU'lar) dağıtımı zorlaştırır.

YOLOv10'un kullanıma sunulması, uçtan uca ve NMS'siz tasarıma öncülük ederek bir paradigma değişimi başlattı. Bu temel atılımdan yola çıkan Ultralytics YOLO26, üretim ortamları için mimariyi geliştirerek daha geniş görev yelpazesinde benzeri görülmemiş verimlilik ve kullanım kolaylığı sağladı.

YOLOv10: NMS'siz Algılamaya Öncülük Ediyor#

• Tarih: 2024-05-23
• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Kaynaklar: ArXiv Makalesi | GitHub Deposu

Tsinghua Üniversitesi araştırmacıları tarafından geliştirilen YOLOv10, NMS ihtiyacını ortadan kaldırmak için tutarlı bir çift atama stratejisi sundu. Verimlilik ve doğruluğu bütüncül biçimde gözeten bir model tasarımıyla hesaplama tekrarlarını azaltırken güçlü mAP (ortalama Ortalama Kesinlik) değerini korudu.

Güçlü Yönler:

• NMS'siz Mimari: YOLO serisinde NMS'siz tasarıma öncülük eden ilk modeldir ve gerçek zamanlı uygulamalarda gecikmeyi büyük ölçüde azaltır.
• Verimlilik: Önceki nesil modellere kıyasla parametre sayısı ve çıkarım hızı arasında güçlü bir denge sunar.

Zayıf Yönler:

• Sınırlı Görev Desteği: Öncelikle standart nesne algılamaya odaklanır; segmentasyon veya poz tahmini gibi gelişmiş görevleri yerleşik olarak kutudan çıktığı hâliyle desteklemez.
• Akademik Odak: Kod tabanı sağlam olsa da kullanıma hazır kurumsal dağıtımdan çok araştırmaya yöneliktir.

YOLOv10 hakkında daha fazla bilgi edin

YOLO26: Uç Cihazlar ve Bulut için Yeni Standart#

• Tarih: 2026-01-14
• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Kaynaklar: GitHub Deposu | Ultralytics Platformu

YOLO11'in devamı olarak yayımlanan YOLO26, NMS'siz yaklaşımı en ileri noktasına taşıyor. Uçtan uca algılamayı yüksek düzeyde optimize edilmiş Ultralytics Platformuna yerel olarak entegre ederek modern makine öğrenimi işlem hattı için eksiksiz bir araç paketi sunuyor.

YOLO26 çeşitli mimari yenilikler sunuyor:

• DFL'nin Kaldırılması: Distribution Focal Loss tamamen kaldırıldı. Bu, model dışa aktarma sürecini büyük ölçüde basitleştiriyor ve uç cihazlarla düşük güç tüketimli cihazlarla uyumluluğu artırıyor.
• CPU'da %43'e Varan Daha Hızlı Çıkarım: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, CPU'larda önemli ölçüde daha hızlı çalışıyor; bu da onu IoT ve mobil dağıtımlar için ideal hâle getiriyor.
• MuSGD Optimizasyonu: Büyük Dil Modeli (LLM) eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ile Muon'un hibrit bir birleşimini kullanıyor. Bu yaklaşım, bilgisayarlı görü eğitiminde eşsiz bir kararlılık ve daha hızlı yakınsama sağlıyor.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesnelerin tanınmasında kayda değer iyileştirmeler sağlıyor; bu, hava görüntüleri ve drone tabanlı güvenlik izleme için kritik önem taşıyor.
• Göreve Özel İyileştirmeler: YOLO26 yalnızca bir algılayıcı değil. Segmentasyon için Semantik Segmentasyon kaybı ve çok ölçekli proto, Poz Tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybı sunuyor.

Performans Analizi ve Metrikler#

Aşağıdaki tabloda YOLO26 ve YOLOv10 modellerinin COCO algılama performansı karşılaştırılıyor. YOLO26'nın olağanüstü parametre verimliliğini korurken nasıl daha yüksek doğruluk elde ettiğine dikkat et.

Ultralytics Avantajı: Eğitim ve Bellek Verimliliği#

Modelleri üretim ortamına dağıtırken bellek gereksinimleri ve eğitim verimliliği, çıkarım hızı kadar önemlidir. Ultralytics modelleri, özellikle YOLO26, eğitim sırasında CUDA bellek kullanımını azaltacak şekilde yüksek düzeyde optimize edilmiştir. Bu sayede geliştiriciler tüketici sınıfı GPU'larda daha büyük yığın boyutları kullanabilir; böylece eğitim süresi ve hesaplama maliyetleri önemli ölçüde azalır. Buna karşılık, karmaşık mimariler veya RT-DETR gibi büyük Transformer modelleri verimli eğitim için genellikle pahalı, üst düzey donanım gerektirir.

Pratik Uygulama: Kod Örneği#

Ultralytics'in ayırt edici özelliği, sektör lideri Kullanım Kolaylığıdır. Sezgisel Python API'si sayesinde YOLOv8 gibi eski bir modelden son teknoloji YOLO26'ya geçmek için yalnızca tek bir kod satırını güncellemen yeterli.

Aşağıda, YOLO26 ile eğitim ve çıkarım yapmayı gösteren, tamamen çalıştırılabilir bir örnek yer alıyor:

from ultralytics import YOLO

# 1. Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

Kullanım Alanları ve Öneriler#

YOLO26 ve YOLOv10 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlarda güçlü bir seçenektir:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlarda önerilir:

• NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Sonuç#

YOLOv10, NMS'siz paradigmayı ortaya koyarak akademik topluluğa önemli katkılarda bulunmuş olsa da YOLO26 bu teknolojiyi kurumsal kullanıma hazır hâle getiriyor. CPU hızındaki dikkate değer %43'lük artış, yenilikçi MuSGD optimizasyonu ve görü görevlerindeki benzersiz çok yönlülüğüyle YOLO26, hem uç bilişim hem de büyük ölçekli bulut dağıtımları için en iyi seçenek olarak öne çıkıyor.

Aktif bir topluluğa, kapsamlı belgelere ve sorunsuz bir geliştirici deneyimine öncelik veren ekipler için Ultralytics ekosisteminin eşi benzeri yoktur. Özel senaryolara yönelik modelleri inceliyorsan, sıfır örnekli açık kelime dağarcıklı algılama için YOLO-World modelini de değerlendirebilirsin. Ancak gerçek dünyadaki kullanım alanlarının büyük çoğunluğu için kesin öneri YOLO26'dır.