YOLO26 ve YOLOv5#

Bilgisayarlı görü alanının evrimi; hız, doğruluk ve erişilebilirlik arayışının amansızlığıyla şekillendi. Doğru mimariyi seçmek, her yapay zekâ projesinin başarısı için kritik öneme sahiptir. Bu kapsamlı kılavuzda, Ultralytics'in iki önemli sürümünü karşılaştırıyoruz: öncü YOLOv5 ve çığır açan YOLO26. Her ikisi de gerçek zamanlı nesne algılama alanını büyük ölçüde etkilemiş olsa da temel teknolojileri, sinir ağlarının görsel verileri işleme biçiminde büyük bir paradigma değişimini yansıtıyor.

Model Genel Bakışı#

Mimari ayrıntılara geçmeden önce, her iki modelin temel özelliklerini ortaya koyalım.

YOLO26 Ayrıntıları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: YOLO26 Belgeleri

YOLOv5 Ayrıntıları:

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Belgeler: YOLOv5 Belgeleri

Mimari Yenilikler#

YOLOv5 ile YOLO26 arasındaki altı yıllık fark, derin öğrenme araştırmalarında büyük bir sıçramayı temsil ediyor. YOLOv5, görsel modeller için PyTorch kullanımını yaygınlaştırarak sektör standardı hâline gelen, yüksek düzeyde optimize edilmiş ve anchor tabanlı bir algılama mekanizması sundu. Ancak son işleme sırasında büyük ölçüde Maksimum Olmayan Bastırma (NMS) işlemine dayanıyordu; bu da kaynakları kısıtlı cihazlarda gecikme darboğazlarına yol açabiliyordu.

YOLO26, çıkarım işlem hattını Uçtan Uca NMS'siz Tasarımla tamamen yeniden kurguluyor. NMS son işlemesine duyulan ihtiyacı ortadan kaldıran YOLO26, daha hızlı ve çok daha basit dağıtım mantığı sunuyor; bu yaklaşım ilk olarak YOLOv10'da ortaya konmuş, burada ise olgunlaştırılmıştır. Ayrıca YOLO26, çıktı başlığını büyük ölçüde basitleştiren DFL Kaldırma (Dağılımsal Odaklanma Kaybı) özelliğine sahiptir. Bu, modelin ONNX ve TensorRT gibi biçimlere aktarılmasını son derece kolaylaştırarak uç ve düşük güç tüketimli cihazlarla mükemmel uyumluluk sağlar.

YOLO26, eğitim sırasında Moonshot AI'nin Kimi K2'sinden ilham alan, SGD ile Muon'un birleşimi olan son teknoloji MuSGD Optimizer'ı kullanır. Bu yaklaşım, LLM eğitimi yeniliklerini bilgisayarlı görü alanına taşıyarak YOLOv5'te kullanılan geleneksel SGD veya AdamW optimizer'larına kıyasla son derece kararlı eğitim ve önemli ölçüde daha hızlı yakınsama sağlar.

Performans ve Metrikler#

Modeller değerlendirilirken ortalama Kesinlik (mAP) ile çıkarım hızı arasındaki denge, gerçek dünya uygulanabilirliğini belirler. YOLO26, hem üst düzey GPU'lar hem de uç CPU'lar için yerel olarak optimize edilmiştir.

Karşılaştırma sonuçları çarpıcı bir iyileşme ortaya koyuyor. Örneğin, YOLO26n, YOLOv5n değerinin 28.0 olmasına kıyasla 40.9 mAP elde ederken aynı zamanda %43'e kadar daha hızlı CPU çıkarımı sunuyor. Bu durum YOLO26'yı Raspberry Pi veya mobil cihazlar gibi gömülü dağıtımlar için çok daha üstün hâle getiriyor. YOLOv5, Nano sınıfında TensorRT GPU hızı açısından küçük bir avantaja sahip olsa da doğruluk dengesi büyük ölçüde YOLO26'dan yana.

Eğitim Ekosistemi ve Kullanım Kolaylığı#

Her iki model de bakımı iyi yapılan Ultralytics ekosisteminden büyük ölçüde yararlanır. Basitleştirilmiş bir Python API'si, kapsamlı belgeler ve aktif topluluk desteğiyle "sıfırdan kahramana" bir deneyim sunarlar. Ancak YOLO26, eğitim verimliliğini yeni bir seviyeye taşıyor.

Ultralytics modelleri, eğitim sırasında transformer ağırlıklı alternatiflere kıyasla sürekli olarak çok daha az CUDA belleği gerektirir. YOLO26, bunu ProgLoss + STAL kayıp işlevleriyle daha da ileri taşır. Bu gelişmeler, bellek yükünü artırmadan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Bu basit betik, geliştiricilerin özel veri kümeleri üzerinde hızlıca yineleme yapmasını ve veri alımından üretime hazır bir modele sorunsuzca geçmesini sağlar.

Çok Yönlülük ve İdeal Kullanım Alanları#

YOLOv5 Ne Zaman Kullanılmalı#

YOLOv5, eski sistemler için güvenilir bir iş gücü olmaya devam ediyor. Anchor tabanlı çıktılara sıkı biçimde bağlı mevcut bir endüstriyel işlem hattın varsa veya olgun ve değiştirilmeyen TensorRT yığınlarına sahip eski NVIDIA Jetson cihazlarında çıkarım çalıştırıyorsan YOLOv5 kararlı ve belgeleri kapsamlı bir çözüm sunar.

YOLO26 Ne Zaman Kullanılmalı#

YOLO26, modern bilgisayarlı görü projeleri için kesin tercihtir. Çok yönlülüğü önceki modelini açık ara geride bırakır. YOLOv5 öncelikle algılamaya (daha sonra eklenen segmentasyon özellikleriyle) odaklanırken YOLO26; Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için derin ve yerel destek sunar.

YOLO26; özel bir anlamsal segmentasyon kaybı, son derece hassas poz anahtar noktaları için Artık Log-Olasılık Tahmini (RLE) ve OBB'deki zorlu sınır sorunlarını çözmek için gelişmiş açı kaybı gibi Göreve Özel İyileştirmeler sunar.

• Uç IoT ve Robotik: NMS'siz mimarisi ve %43 daha hızlı CPU çıkarımı, YOLO26'yı gerçek zamanlı robotik navigasyon ve akıllı ev kameraları için ideal hâle getiriyor.
• Hava Görüntüleri: ProgLoss + STAL iyileştirmeleri, dronlardan alınan görüntülerdeki küçük nesnelerin (otoparklardaki araçlar veya tarım arazilerindeki ürünler gibi) algılanmasını önemli ölçüde daha güvenilir hâle getiriyor.
• Gerçek Zamanlı Video Analitiği: İster spor yayınlarında sporcuları takip et ister trafik akışlarını izle, YOLO26'nın performans dengesi kare düşürmeden yüksek geri çağırma oranı sağlar.

Sonuç olarak Ultralytics'in erişilebilir, yüksek performanslı bir ekosisteme olan bağlılığı, YOLOv5'ten YOLO26'ya geçişin sorunsuz olmasını ve hem araştırmacılar hem de geliştiriciler için son teknoloji özelliklerin önünü açmasını sağlar.