Başla

YOLO26 ve YOLOv8 karşılaştırması

Bilgisayarlı görü modelleri, doğruluktan ödün vermeden gerçek zamanlı performans sağlamayı hedefler ve makine öğrenimi üzerinde çalışan geliştiriciler için doğru model mimarisini seçmek kritik önem taşır. Bu teknik karşılaştırma, 2023'te yayımlanan ve yaygın biçimde benimsenen bir mimari olan Ultralytics YOLOv8'den Ocak 2026'da yayımlanan Ultralytics YOLO26'ya geçişi ele alır.

Mimarilerini, performans ölçütlerini ve eğitim yöntemlerini karşılaştırarak nesne algılama, segmentasyon ve diğer alanlarda yükseltmenin ne zaman avantaj sağladığını gösterir.

Modelin Geçmişi ve Meta Verileri#

Bu mimarilerin kökenlerini anlamak, tasarım tercihleri hakkında bağlam sağlar. Her iki modeli de görü yapay zekâsını erişilebilir ve dağıtımı kolay hâle getirmeye odaklanan Ultralytics geliştirdi.

YOLO26 Ayrıntıları:

YOLOv8 Ayrıntıları:

Mimari Yenilikler#

YOLOv8'den YOLO26'ya geçiş, ağın tahmin üretme ve kayıp hesaplama biçimini değiştirir.

YOLO26: Uç Cihazlarda Verimlilik#

YOLO26, dağıtım darboğazlarını ortadan kaldırmak ve kısıtlı donanımlarda çıkarım hızını en üst düzeye çıkarmak için tasarlanmıştır.

  • Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS içermeyen eğitim yaklaşımını temel alan YOLO26, isteğe bağlı bire bir başlık (nms=False) üzerinden uçtan uca çıkarımı destekler. Maksimum Olmayan Bastırma (NMS) son işlemeyi atlayarak gecikme değişkenliğini azaltır ve katı gerçek zamanlı garantiler gerektiren uygulamaların dağıtım mantığını basitleştirir.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kaybı (DFL), çıkış başlığını basitleştirmek için kaldırılmıştır. Bu mimari tercih, düşük güçlü uç cihazlarla uyumluluğu artırır ve ONNX ile CoreML gibi biçimlere aktarımı kolaylaştırır.
  • MuSGD Optimizer: Moonshot AI'ın Kimi K2'si gibi büyük dil modellerinde (LLMs) gözlemlenen eğitim kararlılığından ilham alan YOLO26, Stokastik Gradyan İniş ve Muon'un birleşimi olan MuSGD optimizer'ı kullanır. Bu yaklaşım, büyük dil modeli eğitimindeki fikirleri bilgisayarlı görüye taşır; daha hızlı yakınsama ve daha kararlı eğitim süreçleri sağlar.
  • ProgLoss + STAL: Küçük nesneleri tanımak gibi zor bir sorunu çözmek için YOLO26, Aşamalı Kayıp (ProgLoss) ile Küçük Hedef Farkındalıklı Etiket Atamasını (STAL) bir arada uygular. Bu, küçük nesne algılamayı iyileştirerek modeli drone uygulamaları için çok uygun hâle getirir.
Göreve Özel İyileştirmeler

YOLO26, bilgisayarlı görünün farklı alanlarında hedefli iyileştirmeler de sunar. Daha iyi örnek segmentasyonu için anlamsal segmentasyon kaybı ve çok ölçekli proto, daha doğru poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutulardaki (OBB) sınır sorunlarını çözmek için özel bir açı kaybı kullanır.

YOLOv8: Çok Yönlü İş Gücü#

2023'te piyasaya sürüldüğünde YOLOv8, değişen veri kümesi en-boy oranlarında daha iyi genelleme sağlayan çapasız bir tasarıma bütünüyle geçerek yeni bir ölçüt belirledi.

  • C2f Modülü: Eski C3 modülünün yerini alan C2f bloğu, ağın omurgasında gradyan akışını iyileştirdi.
  • Ayrıştırılmış Başlık: YOLOv8, sınıflandırma ve sınırlayıcı kutu regresyonunun bağımsız hesaplandığı ayrıştırılmış bir başlık kullanır ve ortalama Kesinlik (mAP) değerini iyileştirir.
  • Görev Çeşitliliği: Algılama, segmentasyon, görüntü sınıflandırma, poz ve daha sonra OBB görevleri için kullanıma hazır birleşik bir API sunan ilk modellerden biriydi.

Performans Ölçütleri ve Kaynak Gereksinimleri#

Modelleri üretim için değerlendirirken doğruluk, çıkarım hızı ve model boyutu arasındaki denge kritik önem taşır. YOLO26, her boyutta YOLOv8'den daha doğrudur; daha az parametre ve FLOP kullanır ve s ölçeğinden başlayarak daha düşük T4 TensorRT gecikmesi sunar.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Not: Vurgulanan değerler, YOLO26 mimarisinin önceki sürümüne kıyasla performans ve verimlilik dengesindeki kazanımları gösteriyor.

Analiz#

YOLO26, çoğu ölçekte karşılaştırılabilir YOLOv8 modellerinden daha hızlı CPU çıkarımı sunar. Örneğin, YOLO26n CPU'da ONNX ile 38,9 ms'de çalışırken YOLOv8n 80,4 ms sürer; bu sırada mAP 37,3'ten 40,9'a yükselir. CPU verimliliğindeki bu artış büyük ölçüde DFL'nin kaldırılmasından ve NMS'siz başlıktan kaynaklanır; bu da YOLO26'yı özel GPU'ları olmayan ortamlar için güçlü bir seçenek hâline getirir. YOLOv8x ise istisnadır; CPU'da YOLO26x'ten daha hızlı çalışır (479,1 ms'ye karşı 525,8 ms).

Ayrıca YOLO26 modelleri, kendi boyut sınıflarında daha az parametre ve FLOP kullanır; bu da çıkarım ve eğitim sırasında GPU belleği kullanımını azaltır.

Ultralytics Ekosisteminin Avantajı#

Bir yapay zekâ modeli seçerken göz önünde bulundurulması gereken önemli noktalardan biri, modeli çevreleyen altyapıdır. Hem YOLO26 hem de YOLOv8, birleşik Ultralytics Platform ve aynı geliştirici deneyiminden yararlanır.

  1. Kullanım Kolaylığı: Geliştiriciler modelleri birkaç satır kodla yükleyebilir, eğitebilir ve dışa aktarabilir. Python API'si model nesilleri arasında tutarlılığını korur.
  2. Eğitim Verimliliği: Ultralytics YOLO modelleri, eğitim sırasında genellikle Transformer modellerinden (örneğin RT-DETR) daha az CUDA belleği gerektirir. Bu sayede tüketici donanımında daha büyük batch boyutları kullanılabilir.
  3. Bakımı İyi Yapılan Ekosistem: Sürekli güncellemeler, titiz CI/CD süreçleri ve Weights & Biases ile TensorRT gibi araçlarla kapsamlı entegrasyonlar sayesinde Ultralytics deposu üretime hazırdır.
  4. Çok Yönlülük: Tek bir içe aktarma, farklı görevleri ve veri kümelerini destekler; izleme, sınıflandırma ve segmentasyonun eşzamanlı yürütülmesini gerektiren karmaşık sistemler kurmayı sağlar.
Kolaylaştırılmış Yükseltmeler

Ultralytics API'si son derece standartlaştırılmış olduğundan, bir üretim sistemini YOLOv8'den YOLO26'ya yükseltmek, betiğindeki "yolov8n.pt" metnini "yolo26n.pt" olarak değiştirmek kadar kolay olabilir.

Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle dağıtım kısıtlarına bağlıdır; ancak yeni projeler için YOLO26 önerilir.

Uç Bilişim ve IoT Ağları#

Raspberry Pi dağıtımları veya yerel fabrika sahası sensörleri gibi uç ortamlar için YOLO26 daha iyi bir seçenektir. CPU hızı ve isteğe bağlı NMS'siz başlığı, akıllı kameraların otopark yönetimi için yüksek kare hızlı videoyu işlem sonrası darboğazlar olmadan işlemesine yardımcı olur.

Yüksek İrtifa ve Havadan Görüntüleme#

Tarımsal izleme veya drone'larla altyapı denetimi gibi uygulamalarda küçük nesnelerin algılanması kritik önem taşır. YOLO26'daki ProgLoss + STAL uygulaması, eski YOLOv8 gibi mimarilerin gözden kaçırabileceği küçük zararlıları veya boru hatlarındaki ince çatlakları algılamaya yardımcı olur; bu özellik, VisDrone gibi hava görüntüsü veri kümeleriyle eğitim yaparken kullanışlıdır.

Eski GPU Sistemleri#

YOLOv8, belirli sınırlayıcı kutu regresyonu çıktılarına sıkı biçimde bağlı sistemler veya uzatılmış doğrulama döngülerine kilitlenmiş ve mimariyi kolayca değiştiremeyen kurumsal dağıtımlar için hâlâ geçerliliğini korur.

Kullanım Alanları ve Öneriler#

YOLO26 ile YOLOv8 arasında seçim yapmak, 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 YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

  • Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

Kod Örneği: Başlarken#

Aşağıdaki Python kodu, COCO8 veri kümesinde YOLO26 modelinin nasıl eğitileceğini ve NMS'siz çıkarımın nasıl çalıştırılacağını gösterir.

from ultralytics import YOLO

# Yüksek verimli YOLO26 Nano modelini yükle
model = YOLO("yolo26n.pt")

# Standart COCO8 veri kümesinde eğit
# Varsayılan hiperparametreler ve veri artırımları otomatik olarak uygulanır
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # ilk CUDA GPU; CPU'da eğitmek için device="cpu" kullan
)

# Bir kaynak görüntü üzerinde uçtan uca, NMS gerektirmeyen çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Algılama sonuçlarını görselleştir
predictions[0].show()

Değerlendirilebilecek Diğer Modeller#

YOLO26 önerilen Ultralytics modeli olsa da farklı uygulamalar geliştiren geliştiriciler şu modelleri de inceleyebilir:

  • YOLO11: YOLO26'nın hemen önceki sürümüdür; YOLOv8'i geliştirir ve üretim sistemlerinde hâlâ yaygın olarak kullanılır.
  • RT-DETR: Baidu'nun Gerçek Zamanlı Algılama Transformer'ı. Görüntü işleme görevlerinde dikkat mekanizmasını inceleyen araştırmacılar için iyi bir seçenektir; ancak eğitim için standart Ultralytics YOLO modellerinden daha fazla CUDA belleği gerektirir.

Bulut eğitimi, veri kümesi etiketleme ve dağıtımı tek bir yerde yapmak için Ultralytics Platform sayfasına göz at.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.