YOLOv10 ve YOLO26#

Bilgisayarlı görü alanı, son yıllarda karmaşık ve işlem sonrası adımlara dayalı mimarilerden yalın, uçtan uca modellere geçişle dikkat çekici ilerlemelere tanık oldu. Bu teknik karşılaştırma, bu yolculuktaki iki önemli dönüm noktasını ele alıyor: akademik atılım YOLOv10 ve en yeni, kurumsal kullanıma hazır YOLO26. Geliştiriciler, mimarilerini, eğitim yöntemlerini ve gerçek dünya dağıtım yeteneklerini inceleyerek bir sonraki görüntü yapay zekâ uygulamalarını geliştirirken bilinçli kararlar verebilir.

YOLOv10: Uçtan Uca Nesne Tespitinde Öncü#

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Bağlantılar: arXiv Makalesi | GitHub Deposu

2024'ün ortalarında yayımlanan YOLOv10, gerçek zamanlı nesne tespitindeki en kalıcı darboğazlardan birini, Maksimum Olmayan Bastırmayı (NMS), ele alarak akademik bilgisayarlı görü araştırmalarında önemli bir ilerlemeyi temsil etti. Geleneksel nesne tespit modelleri, yinelenen sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'ye dayanıyor, çıkarım sırasında değişken gecikmeye yol açıyor ve uç cihazlara dağıtımı zorlaştırıyordu.

Tsinghua University ekibi, NMS'siz eğitim için tutarlı bir çiftli atama stratejisi geliştirdi. Bu sayede model, işlem sonrası filtreleme adımına ihtiyaç duymadan sınırlayıcı kutuları doğru biçimde tahmin edebildi; bu da çıkarım gecikmesini doğrudan iyileştirdi ve donanım hızlandırıcılarına dağıtımın önündeki engelleri azalttı. Standart tespit görevlerinde oldukça verimli olsa da model, öncelikle sınırlayıcı kutu tahminine odaklandı ve örnek segmentasyonu veya poz tahmini gibi daha karmaşık görevlere yönelik yerel destek sunmadı.

YOLOv10 hakkında daha fazla bilgi edin

YOLO26: Uç ve Bulut Görüntü Yapay Zekâsında Yeni Standart#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• Bağlantılar: GitHub Deposu | Ultralytics Platformu

Daha önce öncülük edilen NMS'siz kavramlar üzerine inşa edilen yeni YOLO26, performans ve çok yönlülük açısından zirveyi temsil ediyor. Hem akademik araştırma hem de kurumsal düzeyde dağıtım için tasarlanan model, uçtan uca NMS'siz tasarımı yerel olarak içeriyor ve desteklenen tüm donanımlarda daha hızlı, daha basit dağıtım için NMS işlem sonrası adımını tamamen ortadan kaldırıyor.

YOLO26, birçok çığır açıcı mimari iyileştirme sunuyor. Distribution Focal Loss'un (DFL) kaldırılması, modelin dışa aktarma sürecini önemli ölçüde basitleştiriyor ve düşük güçlü uç cihazlarla uyumluluğu artırıyor. Bu yapısal değişikliklerle birlikte YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlıyor ve GPU hızlandırmasının kullanılamayabileceği IoT ve robotik uygulamaları için olağanüstü bir seçenek hâline geliyor.

Ayrıca eğitim kararlılığı ve yakınsama hızı, LLM eğitim tekniklerinden esinlenen SGD ve Muon'un bir bileşimi olan MuSGD Optimizer kullanılarak dönüştürülüyor. ProgLoss + STAL gibi gelişmiş kayıp işlevleriyle bir araya geldiğinde YOLO26, küçük nesne tanımada dikkate değer iyileştirmeler sunuyor. Ayrıca segmentasyon için çok ölçekli prototipleme, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Box (OBB) tespitindeki sınır sorunlarını çözmek için özel bir açı kaybı gibi göreve özgü iyileştirmeler getiriyor.

Teknik Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk, model boyutu ve çıkarım hızı arasındaki denge kritik önem taşır. Aşağıdaki tablo, standart COCO veri kümesi üzerinde değerlendirilen her iki model ailesinin farklı ölçeklerdeki performansını gösteriyor.

Veriler, yeni mimarinin evrimsel avantajını açıkça ortaya koyuyor. YOLO26, tüm boyut sınıflarında yüksek mAP (ortalama Kesinlik) değerlerine ulaşırken son derece rekabetçi çıkarım hızlarını koruyor. YOLO26'da DFL'un kaldırılması, özellikle CPU ONNX performansına katkı sağlıyor; bu, önceki nesillerin çoğu zaman zorlandığı bir ölçüttü.

Eğitim Yöntemleri ve Ekosistem#

Bir model, onu destekleyen ekosistem kadar kullanışlıdır. YOLOv10, PyTorch tabanlı mükemmel bir akademik uygulama sunsa da temel tespitin ötesindeki görevler için çoğu zaman manuel yapılandırma gerektirir.

Buna karşılık YOLO26, bakımı iyi yapılan Ultralytics ekosistemine tamamen entegre edilmiştir. Bu, RT-DETR gibi Transformer tabanlı modellere kıyasla eğitim sırasında çok daha düşük bellek gereksinimi sağlar ve araştırmacıların son teknoloji ağları tüketici sınıfı donanımlarda eğitmesine olanak tanır. Kullanım kolaylığı benzersizdir; veri artırma, hiperparametre ayarlama ve günlük kaydını otomatik olarak yöneten birleşik bir API sunar.

Kod Örneği: YOLO26 Eğitimi#

Çok yönlü ve yüksek doğruluklu bir modeli eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

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")

Gerçek Dünya Uygulamaları ve Kullanım Alanları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlarına bağlıdır.

Yüksek Hızlı Uç Bilişim#

Mikrodenetleyicilerde, robotikte veya eski mobil cihazlarda hızlı dağıtım gerektiren uygulamalar için YOLO26'nın %43 daha hızlı CPU çıkarımı onu kesin tercih hâline getiriyor. NMS'siz ve DFL'siz mimarisi, OpenVINO ve TensorRT gibi formatlara sorunsuz biçimde dönüştürülebiliyor ve akıllı şehir altyapısında gerçek zamanlı video analitiği için ideal bir seçenek sunuyor.

Gelişmiş Çok Görevli Görüntüleme#

YOLOv10 saf sınırlayıcı kutu tespitinde başarılı olsa da zengin görsel anlayış gerektiren projelerin YOLO26'ya güvenmesi gerekir. Tıbbi görüntülemede örnek segmentasyonundan spor analitiği için hassas poz tahminine kadar YOLO26, çeşitli alanlarda üstün doğruluk sağlayan göreve özgü kayıp işlevleri sunar.

Kullanım Alanları ve Öneriler#

YOLOv10 ve YOLO26 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için önerilir:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

YOLOv10'dan YOLO26'ya geçiş, akademik kavram kanıtından üretime hazır kurumsal çözümlere doğru kritik bir değişimi vurguluyor. Öncü NMS'siz tasarımı benimseyip MuSGD optimizer, ProgLoss ve yalınlaştırılmış uç uyumluluğuyla geliştiren YOLO26, gerçek zamanlı bilgisayarlı görüde mümkün olanlar için yeni bir ölçüt belirliyor. Hız, doğruluk ve kullanılabilirlik arasında en iyi dengeyi hedefleyen geliştiriciler için YOLO26 öne çıkan nihai öneridir.