Link to this sectionYOLO26 ve YOLOv10#

Bilgisayarlı görü dünyası; daha hızlı, daha doğru ve daha verimli modellere olan taleple sürekli gelişiyor. Bu rehber, gerçek zamanlı nesne tespiti alanındaki iki çığır açıcı mimari olan YOLO26 ve YOLOv10 arasında kapsamlı bir teknik karşılaştırma sunuyor. Mimarilerini, performans metriklerini ve dağıtım yeteneklerini analiz ederek, geliştiricilerin ve araştırmacıların vizyon uygulamaları için en uygun modeli seçmelerine yardımcı olmayı amaçlıyoruz.

Link to this sectionNMS'siz Mimarilerin Evrimi#

Yıllar boyunca YOLO (You Only Look Once) ailesi, işlem sonrası aşamada gereksiz sınırlayıcı kutuları filtrelemek için büyük ölçüde Non-Maximum Suppression (NMS) yöntemine güvendi. Etkili olsa da NMS, çıkarım gecikmesine neden olur ve Raspberry Pi veya özelleşmiş sinirsel işlem birimleri (NPU) gibi uç cihazlarda dağıtımı zorlaştırır.

YOLOv10'un tanıtılması, uçtan uca NMS'siz bir tasarımın öncülüğünü yaparak paradigma değişimini temsil etti. Bu temel buluşun üzerine inşa edilen Ultralytics YOLO26, mimariyi üretim ortamları için geliştirerek çok daha geniş bir görev yelpazesinde benzeri görülmemiş bir verimlilik ve kullanım kolaylığı sağladı.

Link to this sectionYOLOv10: NMS'siz Tespitin Öncüsü#

Tarih: 2024-05-23
Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
Kurum: Tsinghua University
Kaynaklar: ArXiv Paper | GitHub Repository

Tsinghua University araştırmacıları tarafından geliştirilen YOLOv10, NMS ihtiyacını ortadan kaldırmak için tutarlı bir ikili atama stratejisi sundu. Bütünsel verimlilik ve doğruluk odaklı bir model tasarımı kullanarak, güçlü mAP (mean Average Precision) değerlerini korurken hesaplama yedekliliğini azalttı.

Güçlü Yönler:

• NMS'siz Mimari: YOLO serisinde NMS'siz tasarımın orijinal öncüsü olup gerçek zamanlı uygulamalar için gecikmeyi önemli ölçüde azaltır.
• Verimlilik: Önceki nesil modellere kıyasla parametre sayısı ve çıkarım hızı arasında güçlü bir denge sunar.

Zayıf Yönler:

• Sınırlı Görev Desteği: Birincil olarak standart nesne tespiti üzerine odaklanmıştır; segmentasyon veya poz tahmini gibi gelişmiş görevler için kutudan çıktığı gibi yerel desteği yoktur.
• Akademik Odak: Kod tabanı sağlam olmakla birlikte, düzenli ve kurumsal düzeyde üretim dağıtımından ziyade araştırmaya daha yakındır.

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionYOLO26: Uç Birim ve Bulut İçin Yeni Standart#

Tarih: 2026-01-14
Yazarlar: Glenn Jocher ve Jing Qiu
Kurum: Ultralytics
Kaynaklar: GitHub Repository | Ultralytics Platform

YOLO11'in halefi olarak piyasaya sürülen YOLO26, NMS'siz konseptini nihai gerçekleştirmesine taşır. Uçtan uca tespiti, modern makine öğrenimi hattı için eksiksiz bir araç paketi sunan oldukça optimize edilmiş Ultralytics Platform'a yerel olarak entegre eder.

YOLO26 birçok mimari atılım sunar:

• DFL Kaldırma: Distribution Focal Loss tamamen kaldırıldı. Bu, model dışa aktarma sürecini önemli ölçüde basitleştirir ve uç cihazlar ve düşük güç tüketen cihazlarla uyumluluğu artırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL kaldırma ve yapısal optimizasyonlar sayesinde YOLO26, CPU'larda önemli ölçüde daha hızlıdır, bu da onu IoT ve mobil dağıtımlar için ideal kılar.
• MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, bilgisayarlı görü için benzersiz eğitim kararlılığı ve daha hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, havadan çekilen görüntüler ve dron tabanlı güvenlik izleme için kritik öneme sahip olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26 sadece bir tespit aracı değildir. Segmentasyon için anlamsal segmentasyon kaybı ve çok ölçekli proto, Poz Tahmini için Kalıntı Log-Olabilirlik Tahmini (RLE) ve Yönelimli Sınırlayıcı Kutular (OBB) için özel açı kaybı özelliklerine sahiptir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionPerformans Analizi ve Metrikler#

Aşağıdaki tablo, YOLO26 ve YOLOv10 modellerinin COCO tespit performansını karşılaştırır. YOLO26'nın olağanüstü parametre verimliliğini korurken nasıl daha üstün doğruluk elde ettiğine dikkat et.

Link to this sectionUltralytics Avantajı: Eğitim ve Bellek Verimliliği#

Modelleri üretime alırken bellek gereksinimleri ve eğitim verimliliği, en az çıkarım hızı kadar kritiktir. Ultralytics modelleri, özellikle YOLO26, eğitim sırasında CUDA bellek kullanımını azaltmak için yüksek oranda optimize edilmiştir. Bu, geliştiricilerin tüketici sınıfı GPU'larda daha büyük batch size değerleri kullanmasına olanak tanıyarak eğitim süresini ve hesaplama maliyetlerini büyük ölçüde düşürür. Buna karşılık, karmaşık mimariler veya RT-DETR gibi ağır Transformer modelleri, etkili bir şekilde eğitilmek için genellikle pahalı ve üst düzey donanım gerektirir.

Link to this sectionPratik Uygulama: Kod Örneği#

Ultralytics'in ayırt edici özelliği, sektör lideri Kullanım Kolaylığıdır. Sezgisel Python API'si sayesinde, YOLOv8 gibi eski bir modelden en güncel YOLO26'ya geçiş, sadece tek bir kod satırını güncellemeyi gerektirir.

İşte YOLO26 kullanarak nasıl eğitim yapılacağını ve çıkarım alınacağını gösteren %100 çalıştırılabilir bir örnek:

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
# The MuSGD optimizer and efficient memory management are handled automatically
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")

# 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}")

Link to this sectionKullanım Durumları ve Öneriler#

YOLO26 ve YOLOv10 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için güçlü bir tercihtir:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için önerilir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionSonuç#

YOLOv10, NMS'siz paradigmayı tanıtarak akademik topluluğa önemli katkılarda bulunmuş olsa da, YOLO26 bu teknolojiyi kurumsal düzeyde kullanıma hazır hale getiriyor. CPU hızındaki %43'lük dikkat çekici artışı, yenilikçi MuSGD optimize edicisi ve görüntü işleme görevlerindeki benzersiz çok yönlülüğü ile YOLO26, hem uç bilişim hem de büyük ölçekli bulut dağıtımları için nihai tercih olarak öne çıkıyor.

Aktif bir topluluğa, kapsamlı dokümantasyona ve sorunsuz bir geliştirici deneyimine öncelik veren ekipler için Ultralytics ekosistemi rakipsizdir. Özel senaryolar için modeller araştırıyorsan, sıfır-atışlı açık sözcük dağarcığı tespiti için YOLO-World modelini de incelemek isteyebilirsin. Ancak, gerçek dünyadaki çoğu kullanım senaryosu için YOLO26 kesin bir tavsiyedir.