YOLO26 ve YOLOX#

Bilgisayarlı görü alanındaki gelişmeler, önemli mimari atılımlarla şekillendi. 2021'de YOLOX, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu kapatan, büyük etki yaratan çapasız bir yaklaşım sundu. 2026'ya gelindiğinde ise özellikle YOLO26'nın piyasaya sürülmesiyle Ultralytics YOLO bu alana yeniden yön verdi. Bu kapsamlı karşılaştırma, YOLO26'nın geçmişteki yenilikleri temel alarak benzersiz performans, çok yönlülük ve kullanım kolaylığı sunduğunu inceliyor.

Modellere Genel Bakış#

Bu modellerin kökenlerini ve temel yaklaşımlarını anlamak, bilinçli dağıtım kararları vermek için çok önemlidir.

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, isteğe bağlı uçtan uca ve NMS içermeyen bir başlık (nms=False) sunarak modern AI mühendisliğinin zirvesini temsil eder. Hem bulut hem de uç dağıtımlar için kapsamlı biçimde optimize edilmiştir ve farklı görevleri sorunsuzca destekleyen bir ekosisteme sahiptir.

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 çapasız bir mimarinin yanı sıra SimOTA etiket atama stratejisini de sunarak önemli bir ilerleme kaydetti. Piyasaya sürüldüğü dönemde hız ve doğruluk arasında mükemmel bir denge sunması, onu birçok eski sistem için popüler bir seçenek hâline getirdi.

Mimari Yenilikler#

YOLO26 ile YOLOX arasındaki farklar, derin öğrenme tasarımında beş yıl boyunca süren kesintisiz yeniliği gözler önüne seriyor.

YOLOX çapasız yaklaşımı benimsemiş olsa da yinelenen sınırlayıcı kutuları filtrelemek için hâlâ büyük ölçüde geleneksel Maksimum Olmayan Bastırma (NMS) yöntemine dayanıyordu. YOLO26, isteğe bağlı Uçtan Uca, NMS İçermeyen bir başlık (nms=False) sunar. İlk olarak YOLOv10 ile öncülük edilen bu yenilik, NMS son işlemesini ortadan kaldırarak gecikme değişkenliğini önemli ölçüde düşüren, daha hızlı ve basit dağıtım iş akışları sağlar.

Bunun yanı sıra YOLO26, DFL'nin Kaldırılması özelliğine sahiptir. Dağılım Odaklı Kayıp fonksiyonunun kaldırılması, modelin dışa aktarma sürecini büyük ölçüde basitleştirerek uç cihazlar ve düşük güçlü donanımlarla olağanüstü uyumluluk sağlar. Modelin mimari optimizasyonlarıyla birlikte YOLO26, önceki modellerine kıyasla CPU çıkarımını %43'e kadar hızlandırır ve böylece özel GPU bulunmayan ortamlarda yüksek performans sunar.

Eğitim kararlılığı da bir diğer önemli farktır. YOLO26, Moonshot AI kaynaklı LLM eğitimi yeniliklerinden esinlenen, SGD ve Muon'un hibritinden oluşan yeni MuSGD Optimize Edicisini kullanır. Bu optimize edici, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır ve daha hızlı yakınsamayı kolaylaştırır.

Performans ve Kıyaslamalar#

Bu modeller COCO veri kümesi üzerinde doğrudan karşılaştırıldığında, YOLO26'nın hem doğruluk hem de verimlilik açısından üstünlüğü belirginleşir. Ultralytics modelleri, eğitim sırasında sürekli olarak daha az bellek gerektirir ve daha hızlı çıkarım yapar.

Not: YOLO26x modeli, YOLOXx modeline (99.1M) kıyasla önemli ölçüde daha az parametre (55.7M) gerektirirken etkileyici bir 57.5 mAP değerine ulaşarak Ultralytics mimarisinin olağanüstü parametre verimliliğini ortaya koyar.

Ekosistem ve Kullanım Kolaylığı#

YOLO26'yı seçmenin en önemli avantajlarından biri, Ultralytics'in sunduğu bakımlı ekosistemdir. YOLOX karmaşık araştırma kod tabanlarında gezinmeyi ve ortamı elle kurmayı gerektirirken Ultralytics, geliştiricilere "sıfırdan uzmana" uzanan, kolaylaştırılmış bir deneyim sunar.

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

Eğitim Örneği#

Ultralytics ile özel bir veri kümesinde model eğitmek son derece verimlidir. Eğitim iş akışı CUDA bellek kullanımını en aza indirerek tüketici donanımında bile daha büyük toplu iş boyutlarına olanak tanır; bu, eski mimarilerden veya ağır Transformer modellerinden belirgin biçimde farklıdır.

from ultralytics import YOLO

# Son teknoloji YOLO26 small modelini başlat
model = YOLO("yolo26s.pt")

# Modeli COCO8 veri kümesinde zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")

Ultralytics Platformu, bulut eğitimi, otomatik veri kümesi etiketleme ve tek tıklamayla dağıtım seçenekleri sunarak bu iş akışını daha da iyileştirir. Prototip aşamasından hızla üretime geçmeyi hedefleyen ekipler için vazgeçilmez bir araçtır.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Doğru modeli seçmek, gerçek dünya dağıtımının başarısını belirler.

Uç AI ve IoT#

Akıllı güvenlik alarm sistemleri veya uzaktaki çevresel sensörler gibi sınırlı donanımda yerel işlem gerektiren uygulamalar için YOLO26 kesin tercihtir. NMS içermeyen mimarisi ve %43 daha hızlı CPU çalıştırma süresi, karmaşık nicemleme çözümlerine gerek kalmadan Raspberry Pi gibi cihazlarda sorunsuz çalışmasını sağlar.

Otonom Robotik#

Robotik uygulamalarda yüksek hassasiyet ve düşük gecikme gerekir. YOLO26'nın poz tahmini yetenekleri, Artık Log-Olabilirlik Tahmini (RLE) ile güçlendirilerek robotların insan kinematiğini gerçek zamanlı olarak anlamasını sağlar. YOLOX'in yerel anahtar nokta tespiti özelliğinin bulunmaması, onu bu tür gelişmiş insan-robot etkileşimi görevleri için uygunsuz kılar.

Yüksek İrtifa ve Hava Denetimi#

Altyapı dronlarla denetlenirken çok küçük kusurları tespit etmek büyük önem taşır. YOLO26'daki ProgLoss ve STAL fonksiyonları, küçük nesnelerde duyarlılığı büyük ölçüde artırır. Ayrıca YOLO26, sınır sorunlarını çözmeye yönelik özel bir açı kaybı da içeren Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler; bu özelliği, nesnelerin gelişigüzel döndürüldüğü uydu ve hava görüntüleri için ideal kılar.

Eski Sistem Dağıtımları#

YOLOX, mevcut C++ dağıtım iş akışlarının 2021'de özellikle YOLOX'in ayrıştırılmış başlık çıktılarına göre oluşturulduğu eski ortamlarda kullanılmaya devam edebilir. Ancak yeni projelerde modern performans kazanımlarından ve topluluğun sürekli desteğinden yararlanmak için Ultralytics ekosistemine geçiş önemle tavsiye edilir.

Diğer Modelleri Keşfet#

YOLO26 bugün son teknoloji düzeyini temsil etse de Ultralytics ekosistemi, belirli ihtiyaçlara göre uyarlanmış çeşitli modeller sunar. Transformer tabanlı mimarilerle ilgilenen geliştiriciler için RT-DETR, uçtan uca tespit için alternatif bir yaklaşım sunar. Ayrıca kapsamlı geçmiş kıyaslamaları gerektiren üretim ortamlarında YOLO11 sağlam ve kapsamlı biçimde test edilmiş bir seçenek olmaya devam eder.

Özetle, YOLOX'ten YOLO26'ya geçiş alanın hızla ilerlediğini gösteriyor. Sezgisel bir API'yi çok yönlü özelliklerle ve benzersiz verimlilikle bir araya getiren YOLO26, dünyanın dört bir yanındaki araştırmacılar ve geliştiriciler için önde gelen seçenek olarak öne çıkıyor.