Başla

YOLOv10 ve YOLO26

Gerçek zamanlı nesne algılama, karmaşık ve son işlem yükü ağır mimarilerden yalın, uçtan uca modellere doğru ilerledi. Bu teknik karşılaştırmada bu dönüşümün iki dönüm noktası inceleniyor: YOLO ailesine NMS'siz eğitimi kazandıran akademik model YOLOv10 ve üretime odaklanan çoklu görev modeli Ultralytics YOLO26. Geliştiriciler; mimarilerini, eğitim yöntemlerini ve gerçek dünyadaki dağıtım yeteneklerini inceleyerek bir sonraki görü yapay zekâ uygulamalarını geliştirirken bilinçli kararlar verebilir.

YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#

Mayıs 2024'te yayımlanan YOLOv10, gerçek zamanlı nesne algılamadaki en kalıcı darboğazlardan biri olan Maksimum Olmayanların Bastırılması (NMS) sorununu ele aldı. Geleneksel nesne algılayıcılar, yinelenen sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'ye dayanıyordu; bu da çıkarım sırasında değişken gecikme ekliyor ve uç dağıtımı karmaşıklaştırıyordu.

Tsinghua Üniversitesi ekibi, NMS'siz eğitim için tutarlı bir çift atama stratejisi geliştirdi. Bu strateji, modelin son işlemde bir filtreleme adımına ihtiyaç duymadan sınırlayıcı kutuları doğru tahmin etmesini sağladı; böylece çıkarım gecikmesi doğrudan iyileşti ve donanım hızlandırıcılarında dağıtımın önündeki engeller azaldı. Standart algılama için verimli olsa da model, sınırlayıcı kutu tahminine odaklanır ve örnek segmentasyonu veya poz tahmini gibi görevleri yerel olarak desteklemez.

YOLOv10 hakkında daha fazla bilgi edin

YOLO26: Uç ve Bulut Görüntüleme Yapay Zekâsı için Yeni Standart#

YOLOv10'un kullanıma sunduğu NMS'siz kavramları temel alan YOLO26, günümüzde önerilen Ultralytics model ailesidir. Hem araştırma hem de üretim dağıtımı için tasarlanan model, isteğe bağlı bir bire bir başlık (nms=False) sayesinde uçtan uca NMS'siz tasarım sunar; NMS son işlemini atlayarak desteklenen donanımlara dağıtımı basitleştirir.

YOLO26 ayrıca çeşitli mimari değişiklikler de sunar. Distribution Focal Loss'un (DFL) kaldırılması, modelin dışa aktarma sürecini basitleştirir ve düşük güç tüketimli uç yapay zekâ cihazlarıyla uyumluluğu artırır. Bu yapısal değişikliklerle YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapar. Böylece YOLO26, GPU hızlandırmasının bulunmadığı IoT ve robotik uygulamaları için güçlü bir seçenek hâline gelir.

Eğitim kararlılığı ve yakınsama hızı, SGD ile Muon'un LLM eğitim tekniklerinden esinlenen bir melezi olan MuSGD Optimizer ile de iyileşir. Küçük hedefleri dikkate alan etiket atamasını aşamalı bir kayıpla birleştiren ProgLoss + STAL ile YOLO26, küçük nesneleri tanıma becerisini geliştirir. Ayrıca segmentasyon için çok ölçekli prototipleme, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Box (OBB) algılamasındaki sınır sorunlarını çözmek için özel bir açı kaybı gibi göreve özgü iyileştirmeler de sunar.

Kurumsal Dağıtım

Bilgisayarlı görü iş akışlarını ölçeklendirmek isteyen ekipler için Ultralytics Platform, YOLO26'yı doğrudan destekler; kapsamlı MLOps altyapısı gerektirmeden veri etiketleme, bulutta eğitim ve tek tıkla dağıtım sunar.

Teknik Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk, model boyutu ve çıkarım hızı arasındaki denge kritik önem taşır. Aşağıdaki tablo, her iki model ailesinin farklı ölçeklerde standart COCO veri kümesinde ölçülen performansını gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

YOLO26, karşılaştırılabilir T4 TensorRT hızlarını korurken her boyut kademesinde daha yüksek mAP (ortalama Ortalama Hassasiyet) elde eder. YOLO26'daki DFL'nin kaldırılması, CPU ONNX performansına da katkı sağlar; YOLOv10 CPU ONNX hızları tabloda raporlanmamıştır.

Eğitim Yöntemleri ve Ekosistem#

Bir model, onu destekleyen ekosistem kadar kullanışlıdır. YOLOv10, PyTorch ve Ultralytics paketi üzerine kurulu sağlam bir akademik uygulama sunsa da yalnızca nesne algılamayı destekler.

Buna karşılık YOLO26, aktif olarak sürdürülen Ultralytics ekosistemine tamamen entegredir. CNN tabanlı bir model olarak, eğitim sırasında RT-DETR gibi Transformer tabanlı modellere kıyasla daha az bellek gerektirir; bu nedenle tüketici sınıfı donanımlarda eğitilebilir. Birleşik API, veri artırma ve günlük kaydı işlemlerini otomatik olarak yönetir; hiperparametre ayarı model.tune() üzerinden kullanılabilir.

Kod Örneği: YOLO26 Eğitimi#

YOLO26'yı eğitmek ve dışa aktarmak için yalnızca birkaç satır Python kodu yeterlidir:

from ultralytics import YOLO

# Yüksek düzeyde optimize edilmiş YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
)

# NMS'siz bire bir eşleştirme başlığını TensorRT'ye aktar
model.export(format="engine", nms=False)

Gerçek Dünya Uygulamaları ve Kullanım Alanları#

Doğru mimariyi seçmek büyük ölçüde dağıtım kısıtlarına bağlıdır.

Yüksek Hızlı Uç Bilişim#

CPU'larda, robotik platformlarda veya eski mobil cihazlarda dağıtılan uygulamalarda YOLO26'nın daha hızlı CPU çıkarımı onu daha güçlü bir seçenek hâline getirir. DFL içermeyen mimarisi ve isteğe bağlı NMS'siz başlığı, akıllı şehir altyapısındaki gerçek zamanlı video analitiği için ideal olan OpenVINO ve TensorRT gibi biçimlere sorunsuzca dışa aktarılır.

Gelişmiş Çoklu Görev Görüntü İşleme#

YOLOv10 yalnızca sınırlayıcı kutu algılamayla sınırlıdır; bu nedenle başka görevlere ihtiyaç duyan projelerde YOLO26 kullanılmalıdır. YOLO26, algılamanın yanı sıra örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları destekler; tıbbi görüntülemeden spor analitiğine kadar çeşitli uygulamalar için göreve özgü başlıklar ve kayıplar sunar.

Alternatif Seçenekler

Projen açık söz varlıklı algılama gerektiriyorsa YOLOE veya YOLO-World seçeneklerini değerlendirebilirsin. Mevcut işlem hatları için YOLO11, Ultralytics çatısı içinde tamamen desteklenen bir alternatif olmaya devam ediyor.

Kullanım Alanları ve Öneriler#

YOLOv10 ile YOLO26 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

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

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Sonuç#

YOLOv10'dan YOLO26'ya geçiş, akademik bir kavram kanıtından üretime hazır modellere doğru bir değişimi yansıtır. YOLO26, YOLOv10'un sunduğu NMS'siz tasarımı benimseyip MuSGD optimizer'ı, ProgLoss'u ve daha basit uç dağıtımını ekleyerek her model boyutunda daha yüksek doğruluk sunar ve çok daha fazla görevi destekler. Hız, doğruluk ve kullanılabilirlik arasında en iyi dengeyi arayan geliştiriciler için önerilen seçenek YOLO26'dır.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.