YOLOv10 vs. YOLO26: Karşılaştırmalı Bir Analiz

Gerçek zamanlı nesne algılamanın hızla gelişen ortamında, geliştiriciler ve araştırmacılar çıkarım hızı, doğruluk ve dağıtım esnekliği arasında optimum dengeyi sürekli olarak aramaktadır. Bu yolculuktaki iki önemli kilometre taşı, Tsinghua Üniversitesi tarafından geliştirilen YOLOv10 ve Ultralytics'in en yeni amiral gemisi modeli olan YOLO26'dır.

Her iki model de uçtan uca mimarilere geçişi savunsa da, uygulamaları, ekosistem desteği ve hedef uygulamaları açısından önemli ölçüde farklılık gösterirler. Bu analiz, bu iki güçlü yapay zeka aracı arasında seçim yapmaya yönelik mimari değişimleri, performans metriklerini ve pratik hususları detaylandırmaktadır.

Modele Genel Bakış

YOLOv10: Uçtan Uca Öncü

Tsinghua Üniversitesi araştırmacıları tarafından Mayıs 2024'te piyasaya sürülen YOLOv10, NMS içermeyen eğitim için tutarlı bir ikili atama stratejisi sunarak dikkat çekti. Bu mimari, önceki YOLO sürümlerinde tarihsel olarak bir gecikme darboğazı olan maksimum olmayan bastırma (NMS) sonrası işleme adımını ortadan kaldırmayı hedefledi.

Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
Kuruluş:Tsinghua Üniversitesi
Tarih: 23 Mayıs 2024
Temel Yenilik: NMS içermeyen eğitim için tutarlı ikili atama ve bütünsel verimlilik-doğruluk odaklı model tasarımı.

YOLOv10 hakkında daha fazla bilgi edinin.

YOLO26: Uç Yapay Zeka için Yeni Standart

Ultralytics tarafından Ocak 2026'da piyasaya sürülen YOLO26, YOLOv10 tarafından öncülük edilen uçtan uca konsepti geliştirir, ancak çerçeveyi uç dağıtım, eğitim kararlılığı ve donanım uyumluluğuna odaklanarak yeniden inşa eder. Dışa aktarılabilirliği kolaylaştırmak için Distribution Focal Loss (DFL) gibi eski bileşenleri kaldırır ve LLM'den ilham alan optimizasyon teknikleri sunar.

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 14 Ocak 2026
Temel Yenilik: DFL'nin kaldırılması, MuSGD optimize edici (hibrit SGD/Muon) ve beş bilgisayar görüşü görevinde yerel uçtan uca destek.

YOLO26 hakkında daha fazla bilgi edinin

Mimari Farklılıklar

YOLOv10'dan YOLO26'ya geçiş, akademik yenilikten üretim sınıfı sağlamlığa doğru bir değişimi temsil eder.

Uçtan Uca Tasarım ve NMS

Her iki model de NMS'yi kaldırma hedefini paylaşır. YOLOv10, eğitim sırasında zengin denetim için çoktan bire atama ve çıkarım için bire bir atama kullanarak ikili etiket atama kavramını tanıttı.

YOLO26, bu yerel uçtan uca NMS içermeyen tasarımı benimser, ancak Ultralytics ekosistemiyle sorunsuz entegrasyon sağlamak için uygulamayı optimize eder. Doğrudan, son işlem yapmadan tahminler üreterek, her iki model de otonom araçlar ve robotik gibi gerçek zamanlı uygulamalar için kritik olan gecikme değişkenliğini azaltır.

Kayıp Fonksiyonları ve Optimizasyon

Önemli bir farklılaştırıcı, modellerin nasıl eğitildiğinde yatmaktadır.

YOLOv10, hesaplama yükünü azaltmak için belirli bileşenleri optimize ederek mimari verimlilik-doğruluk odaklı tasarıma odaklanır.
YOLO26, SGD ve Muon optimize edicinin (Moonshot AI'nin Kimi K2'sinden esinlenilmiştir) bir hibriti olan MuSGD optimize ediciyi sunar. Bu, Büyük Dil Modeli (LLM) eğitimindeki optimizasyon tekniklerini bilgisayar görüşüne taşıyarak daha hızlı yakınsama ve daha fazla kararlılık sağlar. Ek olarak, YOLO26 ProgLoss ve STAL (Küçük Hedef Farkındalıklı Etiket Ataması) kullanır ve özellikle küçük nesne tanıma alanındaki iyileştirmeleri hedefler.

Basitlik ve Dışa Aktarılabilirlik

YOLO26, Distribution Focal Loss (DFL)'u kaldırarak radikal bir adım atar. DFL, önceki nesillerde kutu hassasiyetine yardımcı olsa da, ONNX veya TensorRT gibi formatlara dışa aktarma sürecini, özellikle uç cihazlar için sıklıkla karmaşık hale getiriyordu. YOLO26'da kaldırılması, model grafiğini basitleştirerek öncüllerine kıyasla CPU çıkarımında %43'e kadar daha hızlı hale getirir, bu da onu uç bilişim için son derece etkili kılar.

Performans Karşılaştırması

Aşağıdaki tablo, her iki modelin performans metriklerini vurgulamaktadır. YOLOv10 güçlü performans sunsa da, YOLO26 özellikle CPU ortamlarında üstün hız ve daha büyük modellerde geliştirilmiş doğruluk sergiler.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

Temel Çıkarımlar

CPU Verimliliği: YOLO26, Raspberry Pi'ler veya standart dizüstü bilgisayarlar gibi özel GPU'ları olmayan cihazlar için kritik öneme sahip, doğrulanmış, yüksek düzeyde optimize edilmiş CPU çıkarım hızları sunar.
Doğruluk Kazançları: Genel olarak, YOLO26 orta (m), büyük (l) ve ekstra büyük (x) varyantlarda önemli sıçramalarla daha yüksek mAP skorları elde eder.
Parametre Verimliliği: YOLOv10 düşük parametreleri hedeflese de, YOLO26 gerçek dünya senaryolarında hesaplama birimi başına daha iyi mAP sunmak için FLOP'ları ve mimariyi optimize eder.

Ekosistem ve Kullanım Kolaylığı

Üretim için bir model seçerken, çevreleyen ekosistem mimarinin kendisi kadar önemlidir.

Ultralytics'in Avantajı

YOLO26, olgun Ultralytics ekosisteminden faydalanır. Bu şunları içerir:

Birleşik API: Eğitim, doğrulama ve dağıtım için tutarlı bir Python ve CLI arayüzü.
Dokümantasyon: Weights & Biases, Comet ve Roboflow gibi araçlarla entegrasyonlar hakkında kapsamlı kılavuzlar.
Çok Yönlülük: Temel olarak detect odaklı YOLOv10'un aksine, YOLO26 aynı çerçeve içinde doğal olarak Örnek Segmentasyon, Poz Tahmini, Yönlendirilmiş Sınırlayıcı Kutular (OBB) ve Sınıflandırmayı destekler.
Destek: GitHub, Discord ve Ultralytics Topluluk Forumu aracılığıyla aktif topluluk desteği.

Görev Esnekliği

Projeniz yalnızca sınırlayıcı kutulardan fazlasını gerektiriyorsa—örneğin vücut duruşunu anlama (Poz) veya düzensiz nesneleri segment (Segmentasyon) etme gibi—YOLO26, bu yetenekleri aynı basit API ile kullanıma hazır olarak sunar.

Eğitim Verimliliği

YOLO26 modelleri, transformatör ağırlıklı mimarilere kıyasla eğitim sırasında genellikle daha az bellek gerektirir. MuSGD optimize edicinin tanıtılması, eğitim süreçlerini daha da stabilize ederek deneysel modelleri etkileyebilecek ayrışan kayıpların veya "NaN" hatalarının olasılığını azaltır. Kullanıcılar tek bir komutla kolayca eğitime başlayabilir:

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train on a custom dataset
results = model.train(data="custom_dataset.yaml", epochs=100, imgsz=640)

Kullanım Alanları

YOLOv10 Ne Zaman Tercih Edilmeli?

YOLOv10, özellikle verimlilik-doğruluk odaklı tasarımın teorik sınırlarını araştıran akademik araştırmacılar veya orijinal çift atama araştırmasına dayanarak geliştirmek isteyenler için güçlü bir seçenek olmaya devam etmektedir. 'nano' sürümündeki düşük parametre sayısı, oldukça kısıtlı teorik karşılaştırmalar için etkileyicidir.

YOLO26 Ne Zaman Seçilmeli

YOLO26, gerçek dünya uygulamaları geliştiren geliştiriciler, mühendisler ve işletmeler için önerilen seçimdir.

Uç Dağıtım: DFL'nin kaldırılması ve CPU çıkarımı için optimizasyon, onu mobil uygulamalar ve IoT cihazları için ideal kılar.
Karmaşık Senaryolar: ProgLoss fonksiyonu ve STAL, drone görüntüleri veya uydu analizi gibi küçük nesneleri içeren senaryolarda somut bir avantaj sağlar.
Çoklu Görev Gereksinimleri: Nihayetinde segmentasyon veya poz tahmini gerektirebilecek projeler, kütüphaneleri değiştirmeden aynı kod tabanında kalabilir.
Üretim Kararlılığı: ONNX, TensorRT, CoreML ve OpenVINO için sağlam dışa aktarma desteği, eğittiğiniz modelin dağıtabileceğiniz model olmasını sağlar.

Sonuç

YOLOv10, NMS içermeyen detect olasılığını kitlelere sunarken, YOLO26 bu teknolojiyi geliştirir ve operasyonel hale getirir. Uçtan uca tasarımı gelişmiş LLM'den ilham alan optimize ediciler, görev çok yönlülüğü ve Ultralytics platformunun sağlam desteğiyle birleştirerek, YOLO26 2026'da pratik, yüksek performanslı bilgisayar görüşü geliştirmeleri için üstün bir seçenek olarak öne çıkmaktadır.

Benzer son teknoloji seçenekleri keşfetmek isteyen geliştiriciler için, YOLO11 modeli de mükemmel performans sunar ve eski iş akışları için tam olarak desteklenmeye devam eder.