İçeriğe geç

YOLO26 vs. YOLOv8: SOTA Nesne Algılama Modellerinin Teknik Karşılaştırması

Bilgisayar görüşünün hızla gelişen ortamında, mühendisler ve araştırmacılar için en son teknoloji (SOTA) mimarileriyle güncel kalmak çok önemlidir. Ultralytics, gerçek zamanlı nesne algılama sınırlarını sürekli olarak zorlamıştır ve YOLO26'nın piyasaya sürülmesi, son derece başarılı öncülü YOLOv8'den önemli bir ilerlemeyi işaret etmektedir.

Bu kapsamlı analiz, bu iki güçlü modeli ayıran teknik farklılıkları, performans metriklerini ve mimari yenilikleri incelerken, belirli dağıtım ihtiyaçlarınız için hangisinin en uygun olduğuna karar vermenize yardımcı olur.

Yönetici Özeti

YOLOv8, çok yönlülüğü ve güçlü ekosistemiyle bilinen sağlam ve yaygın olarak benimsenen bir standart olmaya devam ederken, YOLO26, CPU'larda daha hızlı çıkarım hızları ve küçük nesneler için geliştirilmiş doğruluk sağlayan çığır açan mimari değişiklikler—özellikle yerel bir uçtan uca tasarım—sunar.

Hızlı Karar

Büyük topluluk desteği ve mevcut eski entegrasyonlara sahip, sahada kanıtlanmış bir model arıyorsanız YOLOv8'i seçin.

Maksimum verimlilik, NMS içermeyen dağıtım ve kenar cihazlarda üstün performans gerektiren yeni projeler için YOLO26'yı seçin.

Mimari Evrim

YOLOv8'den YOLO26'ya geçiş, ağın görüntüleri işleme ve sınırlayıcı kutuları tahmin etme biçiminde temel değişiklikler içerir.

YOLOv8 Mimarisi

2023'ün başlarında piyasaya sürülen YOLOv8, nesnellik, sınıflandırma ve regresyon görevlerini bağımsız olarak işleyen, ayrık bir başlığa sahip, ankorsuz bir algılama mekanizması tanıttı. Özellik çıkarımını geliştirmek için C2f modüllerine sahip değiştirilmiş bir CSPDarknet53 backbone kullanır. Son derece etkili olmasına rağmen, YOLOv8, örtüşen sınırlayıcı kutuları filtrelemek için işlem sonrası sırasında Non-Maximum Suppression (NMS)'a güvenir, bu da dağıtım sırasında gecikme ve karmaşıklık yaratabilir.

YOLO26 Yenilikleri

YOLO26 bu temeli üzerine inşa eder ancak çıkarım hattını radikal bir şekilde basitleştirir.

  • Uçtan Uca NMS İçermeyen Tasarım: NMS'i ortadan kaldırarak, YOLO26 dağıtımı kolaylaştırır. Model çıktısı nihai algılamadır, C++ veya Python sarmalayıcılarında karmaşık işlem sonrası mantığına olan ihtiyacı ortadan kaldırır.
  • DFL Kaldırma: Distribution Focal Loss (DFL)'nin kaldırılması, ONNX ve TensorRT gibi formatlara dışa aktarma sürecini basitleştirerek, düşük güçlü kenar cihazlarla uyumluluğu artırır.
  • MuSGD Optimize Edicisi: Moonshot AI'nin Kimi K2'sinden LLM eğitim yeniliklerinden esinlenerek, YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu, standart optimize edicilere kıyasla daha kararlı eğitim dinamikleri ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp Dengeleme ve Küçük Hedef Farkındalıklı Etiket Atama'nın tanıtılması, nesne algılamada geleneksel bir sorun olan küçük nesneler üzerindeki performansı önemli ölçüde artırır.

YOLO26 hakkında daha fazla bilgi edinin

Performans Kıyaslamaları

Aşağıdaki tablo, COCO veri kümesi üzerinde YOLO26'nın YOLOv8'e karşı performansını karşılaştırmaktadır. YOLO26, özellikle CPU ortamlarında %43'e kadar daha hızlı çıkarım elde ettiği yerlerde üstün hız-doğruluk dengeleri sergiler.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

Standart test ortamlarına dayalı metrikler. Hız, mimari optimizasyonlar nedeniyle genellikle CPU üzerinde YOLO26'yı destekler.

Görev Çok Yönlülüğü

Her iki model de sınırlayıcı kutularla sınırlı değildir. Geniş bir yelpazede bilgisayar görüşü görevlerini destekleyerek geliştiricilerin farklı ihtiyaçlar için tek bir çerçeveye bağlı kalmasını sağlar.

  • Örnek Segmentasyonu: YOLO26, belirli anlamsal segmentasyon kaybı iyileştirmeleri sunar.
  • Duruş Tahmini: YOLO26'da daha hassas anahtar noktalar için Kalıntı Log-Olasılık Tahmini (RLE) kullanır.
  • obb: YOLO26'daki özel açı kaybı, hava görüntülerinde yaygın olan sınır sorunlarını çözer.

Eğitim ve Kullanım Kolaylığı

Ultralytics ekosisteminin ayırt edici özelliklerinden biri kullanım kolaylığıdır. Hem YOLOv8 hem de YOLO26 aynı sezgisel Python API'sini ve CLI arayüzünü paylaşır.

Python API Örneği

YOLOv8'den YOLO26'ya geçiş, model ağırlık dosya adını değiştirmek kadar basittir. Kod aynı kalır ve Ultralytics iş akışına yaptığınız yatırımı korur.

from ultralytics import YOLO

# Load a pretrained YOLO26 model (previously "yolov8n.pt")
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset
# Efficient training with lower memory overhead than transformers
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with NMS-free output
results = model("https://ultralytics.com/images/bus.jpg")

Ekosistem Faydaları

İster YOLOv8 ister YOLO26'yı seçin, sağlam Ultralytics ekosisteminden faydalanırsınız. Bu, veri kümesi yönetimi için Roboflow, deney takibi için Weights & Biases gibi araçlarla sorunsuz entegrasyonları ve CoreML, TFLite ve OpenVINO gibi formatlara kolay dışa aktarımı içerir.

YOLOv8 hakkında daha fazla bilgi edinin.

İdeal Kullanım Senaryoları

YOLO26 Ne Zaman Kullanılmalı

  • Uç Bilişim: Raspberry Pi, mobil cihazlar veya Jetson Nano'ya dağıtım yapıyorsanız, %43'lük CPU hız artışı ve azaltılmış FLOP'lar, YOLO26'yı üstün bir seçenek haline getirir.
  • Küçük Nesne Algılama: Tarım (zararlı tespiti) veya hava gözetimi uygulamaları, STAL ve ProgLoss fonksiyonlarından önemli ölçüde faydalanır.
  • Gerçek Zamanlı Gecikme Kritik Sistemleri: NMS'nin kaldırılması, robotik ve otonom sürüş için kritik olan deterministik çıkarım süreleri sağlar.

Ne Zaman YOLOv8 Kullanılmalı

  • Eski Sistemler: Üretim hattınız zaten YOLOv8 işleme mantığı için yoğun bir şekilde optimize edilmişse ve işlem sonrası adımları hemen yeniden düzenleyemiyorsanız.
  • En Geniş Uyumluluk: YOLO26 yüksek düzeyde uyumlu olsa da, YOLOv8 daha uzun süredir kullanımda olup niş uç durumlar için kapsamlı topluluk forumu desteğine sahiptir.

Sonuç

Hem YOLO26 hem de YOLOv8, nesne algılama teknolojisinin zirvesini temsil eder. YOLOv8, geniş bir kullanıcı tabanına sahip güvenilir bir iş gücü olmaya devam ediyor. Ancak, YOLO26, NMS darboğazını doğal olarak çözen daha hafif, daha hızlı ve daha doğru bir çözüm sunarak sınırları daha da zorluyor. Uygulamalarını mevcut en verimli yapay zeka ile geleceğe hazır hale getirmek isteyen geliştiriciler için YOLO26, önerilen yoldur.

Daha Fazla Okuma

Ultralytics ailesindeki diğer seçenekleri keşfetmek isteyenler için, v8 ve 26 arasındaki boşluğu dolduran YOLO11'i veya açık kelime algılama için YOLO-World gibi özel modelleri incelemeyi düşünebilirsiniz.

Model Detayları

YOLO26 Yazar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2026-01-14
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolo26/

YOLOv8 Yazar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Belgeler: https://docs.ultralytics.com/models/yolov8/


Yorumlar