YOLO26 ve YOLOv10 karşılaştırması
Bilgisayarlı görü uygulamaları daha hızlı, daha doğru ve daha verimli modellere ihtiyaç duymaya devam ediyor. Bu kılavuz, YOLO26 ve YOLOv10 adlı iki etkili gerçek zamanlı nesne algılama mimarisini; mimarileri, performans ölçütleri ve dağıtım yetenekleri açısından karşılaştırarak geliştiricilerin ve araştırmacıların görü uygulamaları için doğru modeli seçmesine yardımcı olur.
NMS'siz Mimarilerin Gelişimi#
YOLO (You Only Look Once) ailesi yıllarca, son işlem sırasında gereksiz sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma'ya (NMS) dayandı. Etkili olsa da NMS, çıkarım gecikmesine yol açar ve Raspberry Pi veya özel sinir işleme birimleri (NPU'lar) gibi uç cihazlara dağıtımı karmaşıklaştırır.
YOLOv10, YOLO ailesine uçtan uca NMS içermeyen bir tasarım kazandırdı. Ultralytics YOLO26, bu yaklaşımı üretim ortamları için isteğe bağlı bire bir başlık olarak iyileştirdi ve daha geniş bir görev yelpazesine yaydı.
YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#
- 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 serisindeki ilk NMS'siz tasarım olup gerçek zamanlı uygulamalarda gecikme süresini 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, kurumsal üretim dağıtımından 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, isteğe bağlı bire bir başlıkla (nms=False) NMS'siz yaklaşımı temel alır. Makine öğrenimi işlem hattı boyunca etiketleme, eğitim ve dağıtım araçları sağlayan Ultralytics Platform ile entegre çalışır.
YOLO26 çeşitli mimari değişiklikler sunar:
- DFL'nin Kaldırılması: Dağılımsal Odak Kaybı kaldırılmıştır. Bu, model dışa aktarma sürecini basitleştirir ve uç cihazlar ile düşük güçlü cihazlarla uyumluluğu artırır.
- CPU'da %43'e Kadar Daha Hızlı Çıkarım: DFL'nin kaldırılması ve yapısal optimizasyonlar sayesinde YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlıdır; bu da onu IoT ve mobil dağıtımlar için uygun kılar.
- MuSGD Optimize Edicisi: Moonshot AI'nin Kimi K2'si gibi büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, SGD ile Muon'un hibritini kullanır. Bu yöntem, bilgisayarlı görü alanında daha kararlı eğitim ve daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), hava görüntüleri ve drone tabanlı güvenlik izleme için önemli olan küçük nesnelerin tanınmasını iyileştirir.
- Göreve Özgü İyileştirmeler: YOLO26 ayrıca segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'yi destekler. Segmentasyon için anlamsal segmentasyon kaybı ve çok ölçekli proto, Poz Tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybı ekler.
Performans Analizi ve Metrikler#
Aşağıdaki tablo, YOLO26 ve YOLOv10 modellerinin COCO algılama performansını karşılaştırır. YOLO26 her boyutta daha doğrudur; n modellerinde +2,4 mAP'ten x modellerinde +3,1'e kadar artış sağlar. Buna karşılık YOLOv10, x ölçeğinde daha az parametre ve FLOP kullanır (29.5M'ye karşı 55.7M parametre, 160.4B'ye karşı 194.4B FLOP).
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
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 belleği kullanımını azaltmak üzere optimize edilmiştir. Böylece geliştiriciler tüketici sınıfı GPU'larda daha büyük yığın boyutları kullanabilir, eğitim süresini ve hesaplama maliyetlerini düşürebilir. Buna karşılık RT-DETR gibi ağır Transformer modellerinin etkili biçimde eğitilmesi için çoğu zaman pahalı, üst düzey donanımlar gerekir.
YOLO26'yı seçmenin temel faydalarından biri, veri etiketlemeden deney takibine kadar iş akışını kapsayan, iyi bakımlı Ultralytics ekosistemiyle entegrasyonudur.
Pratik Uygulama: Kod Örneği#
Ultralytics Python API'siyle YOLOv8 gibi eski bir modelden YOLO26'ya geçmek, tek bir kod satırını değiştirmeyi gerektirir.
YOLO26 ile eğitim, çıkarım ve dışa aktarma yapan bir örnek:
from ultralytics import YOLO
# 1. Load the 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.
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 YOLO algılamayı sunarak araştırma topluluğuna önemli katkıda bulundu; YOLO26 ise bu yaklaşımı üretime taşıyor. CPU'da %43'e kadar daha hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırması), MuSGD optimize edicisi ve yedi görü görevini desteklemesiyle YOLO26, hem uç bilişim hem de büyük ölçekli bulut dağıtımları için önerilen seçenektir.
Etkin bir topluluğa, kapsamlı belgelere ve sorunsuz bir geliştirici deneyimine öncelik veren ekipler için Ultralytics ekosistemi güçlü bir seçenektir. Özel senaryolar için sıfır örnekli açık söz dağarcıklı algılama amacıyla YOLO-World modelini de inceleyebilirsin. Gerçek dünya kullanım senaryolarının çoğu için önerilen seçenek YOLO26'dır.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.