YOLO26 ve YOLOv10#

Bilgisayarlı görü dünyası, daha hızlı, daha doğru ve daha verimli modellere yönelik taleple sürekli gelişiyor. Bu kılavuz, gerçek zamanlı nesne algılama alanındaki iki çığır açan mimariyi, YOLO26 ve YOLOv10'u kapsamlı ve teknik açıdan karşılaştırır. Mimarilerini, performans metriklerini ve dağıtım yeteneklerini analiz ederek geliştiricilerin ve araştırmacıların görü uygulamaları için en uygun modeli seçmesine yardımcı olmayı amaçlıyoruz.

NMS'siz Mimarilerin Evrimi#

YOLO (You Only Look Once) ailesi, yıllar boyunca son işleme sırasında yinelenen sınırlayıcı kutuları filtrelemek için büyük ölçüde Maksimum Olmayan Bastırma (NMS) yöntemine dayandı. Etkili olsa da NMS, çıkarım gecikmesine neden olur ve Raspberry Pi veya özel sinirsel işlem birimleri (NPUs) gibi uç cihazlarda dağıtımı karmaşıklaştırır.

YOLOv10'un kullanıma sunulması, uçtan uca NMS'siz tasarıma öncülük ederek bir paradigma değişimini temsil etti. Bu temel atılımı geliştiren Ultralytics YOLO26, mimariyi üretim ortamları için iyileştirerek daha geniş bir 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'ndeki araştırmacılar tarafından geliştirilen YOLOv10, NMS ihtiyacını ortadan kaldırmak için tutarlı bir çift atama stratejisi sundu. Bütünsel, verimlilik ve doğruluk odaklı bir model tasarımı kullanarak güçlü mAP (ortalama Hassasiyet) değerini korurken hesaplama tekrarını azalttı.

Güçlü Yönler:

• NMS'siz Mimari: YOLO serisindeki NMS'siz tasarımın ilk öncüsü olarak 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 görevler için yerel, kutudan çıktığı hâliyle destek sunmaz.
• Akademik Odak: Kod tabanı sağlam olsa da, kolaylaştırılmış ve kurumsal düzeyde üretim dağıtımından çok araştırmaya yöneliktir.

YOLOv10 hakkında daha fazla bilgi edin

YOLO26: Uç ve Bulut İçin Yeni Standart#

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

YOLO11'in halefi olarak yayımlanan YOLO26, NMS'siz kavramını nihai biçimine taşıyor. Uçtan uca algılamayı son derece optimize edilmiş Ultralytics Platformu ile yerel olarak bütünleştirerek modern makine öğrenimi işlem hattı için eksiksiz bir araç seti sunuyor.

YOLO26, çeşitli mimari atılımlar sunuyor:

• DFL'nin Kaldırılması: Distribution Focal Loss tamamen kaldırıldı. Bu, model dışa aktarma sürecini önemli ölçüde basitleştirir ve uç cihazlar ile düşük güçlü cihazlarla uyumluluğu artırır.
• CPU Çıkarımında %43'e Varan Hızlanma: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26, CPU'larda önemli ölçüde daha hızlıdır; bu da onu IoT ve mobil dağıtımlar için ideal kılar.
• MuSGD Optimize Edicisi: Large Language Model (LLM) eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ve Muon'un bir birleşimini kullanır. Bu, bilgisayarlı görüye eşi görülmemiş bir eğitim kararlılığı ve daha hızlı yakınsama kazandırır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri ve drone tabanlı güvenlik izleme için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26 yalnızca bir algılayıcı değildir. Segmentasyon için Semantic Segmentation kaybı ve çok ölçekli proto, Poz Tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybı içerir.

Performans Analizi ve Metrikler#

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

Ultralytics Avantajı: Eğitim ve Bellek Verimliliği#

Modelleri üretime dağıtırken bellek gereksinimleri ve eğitim verimliliği, çıkarım hızı kadar önemlidir. Ultralytics modelleri, özellikle YOLO26, eğitim sırasında CUDA bellek kullanımını azaltmak üzere yüksek düzeyde optimize edilmiştir. Bu, geliştiricilerin tüketici sınıfı GPU'larda daha büyük batch boyutları kullanmasına olanak tanıyarak eğitim süresini ve hesaplama maliyetlerini büyük ölçüde düşürür. Buna karşılık, RT-DETR gibi karmaşık mimariler veya ağır Transformer modellerinin etkili biçimde eğitilmesi için genellikle pahalı, üst düzey donanım gerekir.

Pratik Uygulama: Kod Örneği#

Ultralytics'in ayırt edici özelliği, sektörde lider Kullanım Kolaylığıdır. Sezgisel bir Python API ile YOLOv8 gibi eski bir modelden en yeni YOLO26'ya geçmek için yalnızca tek bir kod satırını güncellemen yeterlidir.

YOLO26'yı kullanarak eğitim ve çıkarımın nasıl gerçekleştirileceğini gösteren, %100 çalıştırılabilir bir örnek aşağıda verilmiştir:

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}")

Kullanım Alanları ve Öneriler#

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

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için güçlü bir seçimdir:

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

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için önerilir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: 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 tanıtarak akademik topluluğa önemli katkılarda bulunmuş olsa da YOLO26 bu teknolojiyi kurumsal düzeyde kullanıma hazır hâle getirir. CPU hızındaki kayda değer %43'lük artışı, yenilikçi MuSGD optimize edicisi ve görü görevlerindeki eşsiz çok yönlülüğüyle YOLO26, hem uç bilişim hem de büyük ölçekli bulut dağıtımları için nihai seçim olarak öne çıkar.

Etkin bir topluluğa, kapsamlı belgelere ve sorunsuz bir geliştirici deneyimine öncelik veren ekipler için Ultralytics ekosisteminin eşi benzeri yoktur. Özel senaryolar için model arıyorsan, sıfır atışlı açık kelime dağarcıklı algılama amacıyla YOLO-World modelini de incelemek isteyebilirsin. Ancak gerçek dünyadaki kullanım alanlarının büyük çoğunluğu için kesin öneri YOLO26'dır.