Link to this sectionYOLOv10 ile YOLO26 karşılaştırması#
Bilgisayarlı görü dünyası, son yıllarda karmaşık ve işleme sonrası yoğun mimarilerden sadeleştirilmiş, uçtan uca modellere geçerek dikkat çekici ilerlemelere tanık oldu. Bu teknik karşılaştırma, bu yolculuktaki iki önemli kilometre taşını derinlemesine inceliyor: YOLOv10'un akademik başarısı ve sektörün öncüsü, kurumsal kullanıma hazır YOLO26. Geliştiriciler; mimarilerini, eğitim metodolojilerini ve gerçek dünya dağıtım yeteneklerini inceleyerek bir sonraki yapay zeka uygulamalarını oluştururken bilinçli kararlar verebilirler.
Link to this sectionYOLOv10: Uçtan Uca Nesne Algılamada Öncü#
Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.\nKuruluş: Tsinghua Üniversitesi\nTarih: 2024-05-23\nBağlantılar: arXiv Makalesi | GitHub Deposu
2024 ortalarında yayınlanan YOLOv10, gerçek zamanlı nesne algılamadaki en kalıcı darboğazlardan biri olan Non-Maximum Suppression (NMS) sorununu ele alarak akademik bilgisayarlı görü araştırmalarında önemli bir sıçramayı temsil etti. Geleneksel nesne algılayıcılar, gereksiz sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'ye güvenir, bu da çıkarım sırasında değişken gecikmelere neden olur ve uç cihazlarda dağıtımı zorlaştırırdı.
Tsinghua Üniversitesi ekibi, NMS içermeyen eğitim için tutarlı bir ikili atama stratejisi tanıttı. Bu, modelin bir işleme sonrası filtreleme adımına ihtiyaç duymadan sınırlayıcı kutuları doğru bir şekilde tahmin etmesini sağlayarak, çıkarım gecikmesini doğrudan iyileştirdi ve donanım hızlandırıcılarında dağıtımın önündeki engelleri azalttı. Standart algılama görevleri için oldukça verimli olsa da model, temel olarak sınırlayıcı kutu tahminine odaklandı ve örnek bölümleme veya poz tahmini gibi daha karmaşık görevler için yerel desteğe sahip değildi.
YOLOv10 hakkında daha fazla bilgi edin
Link to this sectionYOLO26: Uç ve Bulut Bilgisayarlı Görü Yapay Zekası için Yeni Standart#
Yazarlar: Glenn Jocher ve Jing Qiu\nKuruluş: Ultralytics\nTarih: 2026-01-14\nBağlantılar: GitHub Deposu | Ultralytics Platformu
Daha önce öncülük edilen NMS'siz kavramların üzerine inşa edilen yeni yayınlanan YOLO26, performans ve çok yönlülüğün zirvesini temsil ediyor. Hem akademik araştırmalar hem de kurumsal düzeyde dağıtım için tasarlanan bu model, yerel olarak uçtan uca NMS içermeyen bir tasarım içerir ve tüm desteklenen donanımlarda daha hızlı, daha basit bir dağıtım için NMS sonrası işlemeyi tamamen ortadan kaldırır.
YOLO26, çeşitli çığır açan mimari iyileştirmeler sunar. Distribution Focal Loss (DFL) özelliğinin kaldırılması, modelin dışa aktarma sürecini önemli ölçüde basitleştirir ve düşük güç tüketen uç cihazlarla uyumluluğunu artırır. Bu yapısal değişikliklerle birlikte YOLO26, %43'e varan daha hızlı CPU çıkarımı elde ederek GPU hızlandırmanın bulunmadığı IoT ve robotik uygulamaları için olağanüstü bir seçenek haline gelir.
Dahası, LLM eğitim tekniklerinden esinlenen SGD ve Muon karışımı olan MuSGD Optimizer kullanımı sayesinde eğitim kararlılığı ve yakınsama hızı kökten değişti. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleştirilen YOLO26, küçük nesne tanımada kayda değer iyileştirmeler sağlar. Ayrıca bölümleme için çok ölçekli prototipleme, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasında sınır sorunlarını çözmek için özel bir açı kaybı dahil olmak üzere göreve özel geliştirmeler sunar.
YOLO26 hakkında daha fazla bilgi edin
Bilgisayarlı görü iş akışlarını ölçeklendirmek isteyen ekipler için Ultralytics Platformu, YOLO26 ile sorunsuz entegrasyon sağlar; kapsamlı MLOps altyapısına ihtiyaç duymadan sezgisel veri etiketleme, otomatik bulut eğitimi ve tek tıkla dağıtım seçenekleri sunar.
Link to this sectionTeknik Performans Karşılaştırması#
Bu modelleri değerlendirirken doğruluk, model boyutu ve çıkarım hızı arasındaki denge çok kritiktir. Aşağıdaki tablo, her iki model ailesinin standart COCO veri seti üzerinde değerlendirilen çeşitli ölçeklerdeki performansını vurgulamaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
Veriler, yeni mimarinin evrimsel avantajını açıkça ortaya koyuyor. YOLO26, yüksek rekabetçi çıkarım hızlarını korurken tüm boyut kategorilerinde daha yüksek mAP (ortalama Hassasiyet) değerine ulaşır. YOLO26'daki DFL'nin kaldırılması, özellikle önceki nesillerin genellikle zorlandığı bir metrik olan olağanüstü CPU ONNX performansına katkıda bulunur.
Link to this sectionEğitim Metodolojileri ve Ekosistem#
Bir model ancak onu destekleyen ekosistem kadar kullanışlıdır. YOLOv10, PyTorch tabanlı mükemmel bir akademik uygulama sağlasa da temel algılama dışındaki görevler için genellikle manuel yapılandırma gerektirir.
Buna karşılık YOLO26, bakımı iyi yapılan Ultralytics ekosistemine tamamen entegre edilmiştir. Bu, RT-DETR gibi transformer tabanlı modellere kıyasla eğitim sırasında bellek gereksinimlerinin önemli ölçüde daha düşük olmasını sağlar ve araştırmacıların tüketici sınıfı donanımlarda son teknoloji ağları eğitmesine olanak tanır. Kullanım kolaylığı benzersizdir; veri artırma, hiperparametre ayarlama ve günlüğe kaydetme işlemlerini otomatik olarak yöneten birleşik bir API sunar.
Link to this sectionKod Örneği: YOLO26 Eğitimi#
Çok yönlü, yüksek doğruluklu bir modeli eğitmek sadece birkaç satır Python kodu gerektirir:
from ultralytics import YOLO
# Load the highly optimized YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model efficiently with automatic memory management
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
)
# Export natively to TensorRT without NMS complexities
model.export(format="engine")Link to this sectionGerçek Dünya Uygulamaları ve Kullanım Durumları#
Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına bağlıdır.
Link to this sectionYüksek Hızlı Uç Bilişim#
Mikrodenetleyicilerde, robotik sistemlerde veya eski mobil cihazlarda hızlı dağıtım gerektiren uygulamalar için YOLO26'nın %43 daha hızlı CPU çıkarımı onu kesin tercih haline getirir. NMS içermeyen ve DFL içermeyen mimarisi, akıllı şehir altyapısındaki gerçek zamanlı video analitiği için ideal olan OpenVINO ve TensorRT gibi formatlara sorunsuz bir şekilde dönüştürülür.
Link to this sectionGelişmiş Çok Görevli Görü#
YOLOv10 saf sınırlayıcı kutu algılamasında mükemmel olsa da zengin görsel anlama gerektiren projeler YOLO26'ya güvenmelidir. Tıbbi görüntülemedeki örnek bölümlemeden spor analitiği için hassas poz tahminine kadar YOLO26, çeşitli alanlarda üstün doğruluk sağlayan göreve özel kayıp fonksiyonları sunar.
Projeniz sağlam bir açık kelime dağarcığı algılaması gerektiriyorsa YOLO-World modelini keşfetmeyi düşün. Eski işlem hatlarını koruyan kullanıcılar için YOLO11, Ultralytics çerçevesi içinde tamamen desteklenen ve güçlü bir alternatif olmaya devam ediyor.
Link to this sectionKullanım Durumları ve Öneriler#
YOLOv10 ile YOLO26 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionNe Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için güçlü bir seçimdir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Link to this sectionNe Zaman YOLO26 Seçilmeli#
YOLO26 şunlar için önerilir:
- 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 sectionSonuç#
YOLOv10'dan YOLO26'ya geçiş, akademik kavram kanıtından üretime hazır kurumsal çözümlere yönelik kritik bir değişimi vurguluyor. Öncü NMS'siz tasarımı benimseyerek ve bunu MuSGD iyileştiricisi, ProgLoss ve sadeleştirilmiş uç uyumluluğu ile geliştirerek YOLO26, gerçek zamanlı bilgisayarlı görüde mümkün olanlar için yeni bir standart belirliyor. Hız, doğruluk ve kullanılabilirlik dengesini en iyi şekilde yakalamayı hedefleyen geliştiriciler için YOLO26, nihai öneri olarak öne çıkıyor.