YOLO26 ve YOLOX#

Bilgisayarlı görü alanının gelişimi, önemli mimari sıçramalarla şekillenmiştir. 2021'de YOLOX, akademik araştırmalar ile endüstriyel uygulama arasındaki boşluğu kapatan, son derece etkili anchorsız bir paradigma ortaya koydu. 2026'ya gelindiğinde ise özellikle YOLO26'nın piyasaya sürülmesiyle Ultralytics YOLO bu alanı yeniden tanımladı. Bu kapsamlı karşılaştırma, YOLO26'nın benzersiz performans, çok yönlülük ve kullanım kolaylığı sunmak için geçmişteki yenilikleri nasıl geliştirdiğini inceler.

Model Genel Bakışları#

Bilinçli dağıtım kararları verebilmek için bu modellerin kökenlerini ve temel felsefelerini anlamak gerekir.

YOLO26 Ayrıntıları#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics GitHub Deposu
• Belgeler: YOLO26 Resmî Belgeleri

YOLO26, karmaşık son işleme darboğazlarını ortadan kaldıran, yerel olarak uçtan uca bir tasarım sunarak modern yapay zekâ mühendisliğinin zirvesini temsil eder. Hem bulut hem de uç dağıtımlar için yoğun biçimde optimize edilmiştir ve çeşitli görevleri sorunsuzca destekleyen bir ekosistem sunar.

YOLOX Ayrıntıları#

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: YOLOX Teknik Raporu
• GitHub: YOLOX GitHub Deposu
• Belgeler: YOLOX Belgeleri

YOLOX hakkında daha fazla bilgi edin

YOLOX, ayrıştırılmış bir başlık ve anchorsız bir mimarinin yanı sıra SimOTA etiket atama stratejisini kullanıma sunarak önemli bir ilerleme kaydetti. Yayımlandığı dönemde hız ve doğruluk arasında mükemmel bir denge sundu ve birçok eski sistem için popüler bir tercih hâline geldi.

Mimari Yenilikler#

YOLO26 ile YOLOX arasındaki farklar, derin öğrenme tasarımındaki beş yıllık kesintisiz yeniliği gözler önüne serer.

YOLOX anchorsız yaklaşımı savunsa da gereksiz sınırlayıcı kutuları filtrelemek için geleneksel Maksimum Olmayan Bastırma (NMS) yöntemine hâlâ büyük ölçüde dayanıyordu. YOLO26 ise Uçtan Uca NMS'siz Tasarım sunar. İlk olarak YOLOv10 ile öncülüğü yapılan bu yenilik, NMS son işlemesini tamamen ortadan kaldırarak çok daha düşük gecikme değişkenliğiyle daha hızlı ve basit dağıtım işlem hatları sağlar.

Ayrıca YOLO26, DFL Kaldırma özelliğine sahiptir. Dağılımsal Odak Kayıbı'nın kaldırılması, modelin dışa aktarma sürecini büyük ölçüde basitleştirerek uç cihazlar ve düşük güç tüketimli donanımlarla olağanüstü uyumluluk sağlar. Modelin mimari optimizasyonlarıyla birleştiğinde YOLO26, önceki modellerine kıyasla %43'e kadar daha hızlı CPU çıkarımı gerçekleştirir ve bu da onu özel GPU'su olmayan ortamlar için güçlü bir seçenek hâline getirir.

Eğitim kararlılığı da bir diğer önemli ayırt edici özelliktir. YOLO26, Moonshot AI tarafından sunulan LLM eğitim yeniliklerinden ilham alan, SGD ve Muon'un bir birleşimi olan yeni MuSGD Optimize Edicisini kullanır. Bu optimize edici, büyük dil modeli eğitiminin kararlılığını bilgisayarlı görüye taşıyarak daha hızlı yakınsamayı kolaylaştırır.

Performans ve Karşılaştırmalı Testler#

Bu modelleri COCO veri kümesi üzerinde doğrudan karşılaştırdığında YOLO26'nın hem doğruluk hem de verimlilik açısından üstünlüğü açıkça görülür. Ultralytics modelleri, eğitim sırasında sürekli olarak daha düşük bellek gereksinimleri ve daha yüksek çıkarım hızları sunar.

Not: YOLO26x modeli, YOLOXx modelinin 99.1M parametresine kıyasla önemli ölçüde daha az parametre (55.7M) gerektirirken etkileyici bir 57.5 mAP değerine ulaşır; bu da Ultralytics mimarisinin olağanüstü parametre verimliliğini ortaya koyar.

Ekosistem ve Kullanım Kolaylığı#

YOLO26'yı seçmenin en önemli avantajlarından biri, Ultralytics tarafından sağlanan ve bakımı iyi yapılan ekosistemdir. YOLOX karmaşık araştırma kod tabanlarında gezinmeyi ve ortamları manuel olarak kurmayı gerektirirken Ultralytics, geliştiricilere sadeleştirilmiş bir "sıfırdan kahramana" deneyimi sunar.

Birleşik Python API'sini kullanan geliştiriciler nesne algılama, örnek bölümleme, görüntü sınıflandırma ve poz tahmini gibi görevler arasında kolayca geçiş yapabilir. Buna karşılık YOLOX, yalnızca sınırlayıcı kutu algılamayla sınırlıdır.

Eğitim Örneği#

Ultralytics ile özel bir veri kümesi üzerinde model eğitmek son derece verimlidir. Eğitim işlem hattı CUDA bellek kullanımını en aza indirerek tüketici donanımında bile daha büyük toplu işlem boyutlarına olanak tanır; bu, eski mimariler veya ağır Transformer modelleriyle tam bir tezat oluşturur.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

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

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Ultralytics Platformu bu iş akışını daha da geliştirerek bulut eğitimi, otomatik veri kümesi açıklaması ve tek tıklamayla dağıtım seçenekleri sunar. Prototip oluşturmadan üretime hızla geçmeyi hedefleyen ekipler için vazgeçilmez bir araçtır.

İdeal Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Doğru modeli seçmek, gerçek dünyadaki dağıtımının başarısını belirler.

Uç Yapay Zekâ ve IoT#

Akıllı güvenlik alarm sistemleri veya uzak çevre sensörleri gibi sınırlı donanım üzerinde yerel işleme gerektiren uygulamalarda YOLO26 kesin tercihtir. NMS'siz mimarisi ve %43 daha hızlı CPU çalıştırması sayesinde karmaşık niceleme geçici çözümlerine gerek kalmadan Raspberry Pi gibi cihazlarda sorunsuz çalışır.

Otonom Robotik#

Robotik uygulamalar yüksek hassasiyet ve düşük gecikme gerektirir. YOLO26'nın Residüel Log-Olasılık Tahmini (RLE) ile güçlendirilmiş poz tahmini yetenekleri, robotların insan kinematiğini gerçek zamanlı olarak anlamasını sağlar. YOLOX'in yerel anahtar nokta algılama desteğinin bulunmaması, onu bu tür gelişmiş insan-robot etkileşimi görevleri için uygunsuz kılar.

Yüksek İrtifa ve Hava Denetimi#

Altyapıyı dronlar aracılığıyla denetlerken küçük kusurları algılamak büyük önem taşır. YOLO26'daki ProgLoss ve STAL fonksiyonları, küçük nesnelerde geri çağırmayı büyük ölçüde iyileştirir. Ayrıca YOLO26, sınır sorunlarını çözmek için özel bir açı kaybıyla birlikte Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler; bu da onu nesnelerin rastgele döndüğü uydu ve hava görüntüleri için ideal hâle getirir.

Eski Sistem Dağıtımları#

YOLOX, 2021'de özellikle kendi ayrıştırılmış başlık çıktıları temel alınarak oluşturulmuş mevcut C++ dağıtım işlem hatlarının bulunduğu eski ortamlarda hâlâ kullanılabilir. Ancak her yeni proje için modern performans kazanımlarından ve devam eden topluluk desteğinden yararlanmak üzere Ultralytics ekosistemine geçiş şiddetle önerilir.

Diğer Modelleri Keşfetme#

YOLO26 günümüzde son teknoloji düzeyini temsil etse de Ultralytics ekosistemi, özel ihtiyaçlara göre uyarlanmış çeşitli modeller sunar. Transformer tabanlı mimarilerle ilgilenen geliştiriciler için RT-DETR, uçtan uca algılamaya alternatif bir yaklaşım sağlar. Ayrıca YOLO11, kapsamlı geçmiş karşılaştırmalı testleri gerektiren üretim ortamları için güçlü ve kapsamlı biçimde test edilmiş bir seçenek olmaya devam eder.

Özetle YOLOX'ten YOLO26'ya geçiş, alanın hızlı ilerlemesini gösterir. Sezgisel bir API'yi çok yönlü bir özellik seti ve benzersiz verimlilikle birleştiren YOLO26, dünya genelindeki araştırmacılar ve geliştiriciler için öncelikli tercih olarak öne çıkar.