YOLO26 ve YOLOv8 karşılaştırması#

Bilgisayarlı görü evrimi, doğruluktan ödün vermeden gerçek zamanlı performans arayışıyla şekillenmiştir. Geliştiriciler ve araştırmacılar modern machine learning dünyasında ilerlerken, doğru model mimarisini seçmek çok önemlidir. Bu kapsamlı teknik karşılaştırma, 2023 yılında standardı yeniden belirleyen son derece popüler bir mimari olan Ultralytics YOLOv8 modelinden, Ocak 2026'da piyasaya sürülen son teknoloji Ultralytics YOLO26 modeline geçişteki nesil atlamasını inceliyor.

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

Model Geçmişi ve Meta Verileri#

Bu mimarilerin kökenlerini anlamak, kendi çığır açan özellikleri için bir bağlam sunar. Her iki model de en son teknoloji AI çözümlerini erişilebilir ve dağıtımı kolay hale getirmesiyle tanınan Ultralytics tarafından geliştirilmiştir.

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

YOLO26 hakkında daha fazla bilgi edin

YOLOv8 Ayrıntıları:
Yazarlar: 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

YOLOv8 hakkında daha fazla bilgi edinin

Mimari Yenilikler#

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

YOLO26: Uç Nokta Verimliliğinin Zirvesi#

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

• Uçtan Uca NMS İçermeyen Tasarım: İlk olarak YOLOv10 ile öncülük edilen konseptler üzerine inşa edilen YOLO26, yerel olarak uçtan uca bir mimari kullanır. Non-Maximum Suppression (NMS) son işlem ihtiyacını tamamen ortadan kaldırarak gecikme varyansı neredeyse tamamen yok edilir. Bu durum, katı gerçek zamanlı garantiler gerektiren uygulamalar için dağıtım mantığını basitleştirir.
• DFL Kaldırılması: Distribution Focal Loss (DFL) bileşeninin kaldırılması, çıkış başlığını büyük ölçüde basitleştirir. Bu mimari seçim, düşük güç tüketimli uç cihazlarla çok daha iyi uyumluluk ve ONNX ile CoreML gibi formatlara daha basit dışa aktarmalar 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: Çok küçük nesneleri tanıma konusundaki zorlu sorunla mücadele etmek için YOLO26, Progressive Loss (ProgLoss) ve Scale-Tolerant Anchor Loss (STAL) yöntemlerini bir arada uygular. Bu, small object detection için kritik iyileştirmeler sağlayarak onu drone uygulamaları için ideal hale getirir.

YOLOv8: 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 Çeşitliliği: image classification, algılama, segmentasyon ve poz görevleri için kutudan çıktığı gibi gerçekten birleştirilmiş bir API sağlayan ilk modellerden biriydi.

Performans 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.

Analiz#

YOLO26, benzer YOLOv8 modellerine kıyasla CPU çıkarımında %43'e varan daha hızlı performans elde eder. Örneğin, YOLO26n ONNX kullanan bir CPU üzerinde 38.9 ms elde ederken, YOLOv8n modelinin 80.4 ms süresine karşılık mAP oranını 37.3'ten 40.9'a çıkarır. CPU verimliliğindeki bu devasa sıçrama, DFL'in kaldırılmasının ve NMS içermeyen tasarımın doğrudan bir sonucudur; bu da YOLO26'yı adanmış GPU'lardan yoksun ortamlar içinMUTLAK bir güç merkezi haline getirir.

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

Ultralytics Ekosistemi Avantajı#

Bir yapay zeka modeli seçerken önemli hususlardan biri çevreleyen altyapıdır. Hem YOLO26 hem de YOLOv8, benzersiz bir geliştirici deneyimi sunan birleştirilmiş Ultralytics Platform sayesinde büyük ölçüde fayda sağlar.

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 çalışmaları sırasında transformer modellerine (RT-DETR gibi) kıyasla olağanüstü derecede daha düşük CUDA belleği gerektirir. Bu, tüketici donanımında daha büyük parti boyutlarının kullanılmasına izin vererek yapay zeka araştırmalarını demokratikleştirir.
3. İyi Bakımı Yapılan Ekosistem: Sürekli güncellemeler, titiz CI/CD boru hatları ve Weights & Biases ile TensorRT gibi araçlarla derin entegrasyonlar sayesinde desteklenen Ultralytics deposu güçlü 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.

Gerçek Dünya Uygulamaları#

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

Uç Bilişim ve IoT Ağları#

Raspberry Pi deployments veya yerelleştirilmiş fabrika katı sensörleri gibi uç ortamlar için YOLO26 tartışmasız liderdir. Yerel olarak optimize edilmiş CPU hızı ve NMS içermeyen yapısı, akıllı kameraların son işlem darboğazları nedeniyle kare düşürmeden parking management için yüksek kare hızlı videoyu işleyebileceği anlamına gelir.

Yüksek İrtifa ve Hava Görüntüleri#

agricultural monitoring veya dronlar aracılığıyla altyapı denetiminde küçük nesne tespiti son derece önemlidir. YOLO26 içindeki ProgLoss + STAL uygulaması, YOLOv8 gibi eski mimarilerin kaçırabileceği boru hatlarındaki minik zararlıları veya mikro çatlakları sürekli olarak tespit etmesini sağlayarak VisDrone gibi veri setlerinde üstün geri çağırma ve doğruluk sunar.

Eski 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.

Kullanım Durumları ve Öneriler#

YOLO26 ve YOLOv8 arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.

Ne 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

YOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren 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.

Kod 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()

Dikkate Alınacak Diğer Modeller#

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

• YOLO11: YOLO26'nın doğrudan öncülü olup, YOLOv8'e göre olağanüstü iyileştirmeler sunar ve son teknoloji üretim sistemlerinde hala yoğun bir şekilde kullanılmaktadır.
• RT-DETR: Baidu'nun Gerçek Zamanlı Algılama Transformatörü. Görüş görevlerindeki dikkat mekanizmasını keşfeden araştırmacılar için mükemmel bir seçimdir, ancak standart Ultralytics YOLO modellerine kıyasla eğitmek için önemli ölçüde daha fazla CUDA belleği gerektirir.

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