Link to this sectionYOLO26 ve YOLOv8 karşılaştırması#

Bilgisayarlı görü evrimi, doğruluktan ödün vermeden gerçek zamanlı performans arayışıyla tanımlanmıştır. Yazılımcılar ve araştırmacılar modern makine öğrenimi ortamında ilerlerken, doğru model mimarisini seçmek kritik öneme sahiptir. Bu kapsamlı teknik karşılaştırma, 2023 yılında standardı yeniden tanımlayan son derece popüler bir mimari olan Ultralytics YOLOv8 ile Ocak 2026'da piyasaya sürülen en son teknoloji Ultralytics YOLO26 arasındaki nesil farkını incelemektedir.

Mimarilerini, performans metriklerini ve eğitim metodolojilerini inceleyerek, en son yeniliklere yükseltme yapmanın nesne algılama, segmentasyon ve ötesi için neden belirgin avantajlar sağladığını vurguluyoruz.

Link to this sectionModel Geçmişi ve Meta Verileri#

Bu mimarilerin kökenlerini anlamak, ilgili dönüm noktaları için bağlam sağlar. Her iki model de en son teknoloji AI'yı erişilebilir ve kolay dağıtılabilir kılmasıyla tanınan bir şirket olan Ultralytics tarafından geliştirilmiştir.

YOLO26 Detayları:
Yazarlar: Glenn Jocher ve Jing Qiu
Organizasyon: Ultralytics
Tarih: 2026-01-14
GitHub: https://github.com/ultralytics/ultralytics
Dokümanlar: https://docs.ultralytics.com/models/yolo26/

YOLO26 hakkında daha fazla bilgi edin

YOLOv8 Detayları:
Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Organizasyon: Ultralytics
Tarih: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Dokümanlar: https://docs.ultralytics.com/models/yolov8/

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

YOLOv8'den YOLO26'ya geçiş, sinir ağlarının görsel verileri nasıl işlediği ve kaybı nasıl hesapladığı konusunda önemli paradigma değişimlerini beraberinde getiriyor.

Link to this sectionYOLO26: Uç Nokta Verimliliğinin Zirvesi#

YOLO26, dağıtım darboğazlarını ortadan kaldırmak ve kısıtlı donanımlarda çıkarım hızını maksimize etmek için sıfırdan tasarlandı.

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10'da öncülük edilen kavramların üzerine inşa edilen YOLO26, yerel olarak uçtan uca bir mimari kullanır. Non-Maximum Suppression (NMS) son işleme ihtiyacını tamamen ortadan kaldırarak, gecikme varyansı neredeyse tamamen yok edilir. Bu, katı gerçek zamanlı garantiler gerektiren uygulamalar için dağıtım mantığını basitleştirir.
• DFL Kaldırma: Distribution Focal Loss (DFL) özelliğinin kaldırılması, çıktı başlığını önemli ölçüde basitleştirir. Bu mimari seçim, düşük güçlü uç cihazlarla çok daha iyi uyumluluk ve ONNX ve CoreML gibi formatlara daha kolay dışa aktarım sağlar.
• MuSGD Optimize Edici: Moonshot AI'nın Kimi K2'si gibi Büyük Dil Modellerinde (LLM'ler) görülen eğitim kararlılığından ilham alan YOLO26, Stochastic Gradient Descent ve Muon'un bir melezi olan MuSGD optimize edicisini kullanır. Bu, LLM ölçeğindeki eğitim yeniliklerini bilgisayarlı görü alanına taşıyarak daha hızlı yakınsama ve oldukça kararlı eğitim süreçleri sağlar.
• ProgLoss + STAL: Küçük özneleri tanıma konusundaki aşırı zorlu problemle mücadele etmek için YOLO26, Scale-Tolerant Anchor Loss (STAL) ile birleştirilmiş Progressive Loss (ProgLoss) uygular. Bu, küçük nesne algılama için kritik iyileştirmeler sağlayarak onu drone uygulamaları için ideal hale getirir.

Link to this sectionYOLOv8: Son Derece Çok Yönlü İş Atı#

2023'te piyasaya sürüldüğünde YOLOv8, farklı veri seti en-boy oranlarında daha iyi genelleştirme sağlayan, çapasız bir tasarıma tamamen geçerek yeni bir ölçüt belirledi.

• C2f Modülü: Eski C3 modülünün yerini C2f bloğu aldı ve ağ omurgası boyunca daha iyi gradyan akışına olanak sağladı.
• Ayrıştırılmış Başlık (Decoupled Head): YOLOv8, sınıflandırma ve sınırlayıcı kutu regresyonunun bağımsız olarak hesaplandığı, ortalama Hassasiyeti (mAP) önemli ölçüde artıran ayrıştırılmış bir başlığa sahiptir.
• Görev Çok Yönlülüğü: Görüntü sınıflandırma, algılama, segmentasyon ve poz görevleri için kutudan çıktığı anda gerçekten birleşik bir API sağlayan ilk modellerden biriydi.

Link to this sectionPerformans Metrikleri ve Kaynak Gereksinimleri#

Üretim için modelleri değerlendirirken doğruluk, çıkarım hızı ve model boyutu arasındaki denge çok önemlidir. YOLO26, tüm boyut varyantlarında net bir nesil avantajı gösterir.

Not: Vurgulanan değerler, YOLO26 mimarisinin selefine göre performans dengesini ve verimlilik kazanımlarını göstermektedir.

Link to this sectionAnaliz#

YOLO26, benzer YOLOv8 modellerine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde eder. Örneğin, YOLO26n ONNX kullanarak CPU üzerinde 38.9 ms elde ederken, YOLOv8n 80.4 ms elde eder; üstelik mAP değerini 37.3'ten 40.9'a çıkarır. CPU verimliliğindeki bu büyük sıçrama, DFL kaldırma ve NMS'siz tasarımın doğrudan bir sonucudur ve YOLO26'yı özel GPU'lardan yoksun ortamlar için kesin bir güç merkezi haline getirir.

Ayrıca YOLO26 modelleri, ilgili boyut kademeleri için daha düşük parametre sayılarına ve FLOP değerlerine sahiptir, bu da eski transformer tabanlı mimarilere kıyasla çıkarım ve eğitim sırasında GPU belleği kullanımının büyük ölçüde azalması anlamına gelir.

Link to this sectionUltralytics Ekosistemi Avantajı#

Bir AI modeli seçerken önemli bir husus, çevredeki altyapıdır. Hem YOLO26 hem de YOLOv8, eşsiz bir geliştirici deneyimi sağlayan birleşik Ultralytics Platform avantajlarından büyük ölçüde yararlanır.

1. Kullanım Kolaylığı: "Sıfırdan zirveye" felsefesi, geliştiricilerin modelleri minimum kodla yüklemesini, eğitmesini ve dışa aktarmasını sağlar. Python API'si model nesilleri boyunca tutarlı kalır.
2. Eğitim Verimliliği: Ultralytics YOLO modelleri, eğitim süreçlerinde transformer modellerine (örneğin RT-DETR) kıyasla son derece düşük CUDA belleği gerektirir. Bu, tüketici donanımında daha büyük yığın boyutlarının kullanılmasına izin vererek AI araştırmasını demokratikleştirir.
3. İyi Korunan Ekosistem: Sürekli güncellemeler, titiz CI/CD hatları ve Weights & Biases ve TensorRT gibi araçlarla derin entegrasyonlarla desteklenen Ultralytics deposu, sağlamdır ve üretime hazırdır.
4. Eşsiz Çok Yönlülük: Ultralytics modelleri tek numaralı şovlar değildir; tek bir içe aktarma farklı veri setlerini yönetir ve eş zamanlı izleme, sınıflandırma ve segmentasyon gerektiren karmaşık sistemler için iş akışlarını güçlendirir.

Link to this sectionGerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle dağıtım kısıtlamalarınıza bağlıdır, ancak YOLO26 yeni projeler için evrensel olarak önerilir.

Link to this sectionUç Bilişim ve IoT Ağları#

Raspberry Pi dağıtımları veya yerelleştirilmiş fabrika zemini sensörleri gibi uç ortamlar için YOLO26 tartışmasız şampiyondur. Yerel olarak optimize edilmiş CPU hızı ve NMS'siz yapısı, akıllı kameraların otopark yönetimi için yüksek kare hızlı videoyu son işleme darboğazları nedeniyle kare kaybetmeden işleyebileceği anlamına gelir.

Link to this sectionYüksek İrtifa ve Hava Görüntüleri#

Tarımsal izleme veya drone ile altyapı denetiminde küçük nesne algılama çok önemlidir. YOLO26'daki ProgLoss + STAL uygulaması, YOLOv8 gibi eski mimarilerin kaçırabileceği küçük zararlıları veya boru hatlarındaki mikro çatlakları tutarlı bir şekilde tespit etmesini sağlayarak VisDrone gibi veri setlerinde üstün hatırlama ve hassasiyet sunar.

Link to this sectionEski GPU Sistemleri#

YOLOv8, belirli sınırlayıcı kutu regresyon çıktılarına sıkı sıkıya bağlı olan sistemler veya genişletilmiş doğrulama döngülerine kilitlenmiş ve mimarileri kolayca geçiremeyen kurumsal dağıtımlar için geçerliliğini korumaktadır.

Link to this sectionKullanım Durumları ve Öneriler#

YOLO26 ve YOLOv8 arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize 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 sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Link to this sectionKod Örneği: Başlarken#

En son Ultralytics modellerinin gücünden yararlanmak inanılmaz derecede basittir. Aşağıdaki Python kodu, özel bir veri setinde bir YOLO26 modelinin eğitilmesini ve MuSGD optimize edicisinin otomatik olarak hızlı yakınsamayı sağlamasını göstermektedir.

from ultralytics import YOLO

# Load the highly efficient YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train on the standard COCO8 dataset
# The ecosystem handles hyperparameter tuning and augmentations natively
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes CUDA if available
)

# Run end-to-end, NMS-free inference on a source image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the resulting detections
predictions[0].show()

Link to this sectionDikkate Alınacak Diğer Modeller#

YOLO26 mevcut en son teknolojiyi temsil etse de, çeşitli uygulamalar geliştiren yazılımcılar şunları da keşfedebilir:

• YOLO11: YOLOv8'e göre olağanüstü iyileştirmeler sunan ve hala modern üretim sistemlerinde yoğun olarak kullanılan YOLO26'nın doğrudan selefi.
• RT-DETR: Baidu'nun Gerçek Zamanlı DEtection TRansformer modeli. Görsel görevlerde dikkat mekanizmasını keşfeden araştırmacılar için mükemmel bir seçimdir, ancak standart Ultralytics YOLO modellerine kıyasla eğitmek için çok daha fazla CUDA belleği gerektirir.

Kapsamlı bir bulut eğitimi, veri seti etiketleme ve anında dağıtım paketi için Ultralytics Platformunu bugün keşfedin.