YOLOv10 ve YOLO26#

Bilgisayarlı görü alanı son yıllarda dikkate değer gelişmelere tanık oldu; karmaşık, son işlem ağırlıklı mimarilerden yalın, uçtan uca modellere geçiş yaşandı. Bu teknik karşılaştırma, bu yolculuktaki iki önemli dönüm noktasını inceliyor: YOLOv10'un akademik atılımı ve son teknoloji ürünü, kurumsal kullanıma hazır YOLO26. Geliştiriciler; mimarilerini, eğitim yöntemlerini ve gerçek dünyadaki dağıtım yeteneklerini inceleyerek bir sonraki görüntü işleme yapay zekâ uygulamalarını oluştururken bilinçli kararlar verebilir.

YOLOv10: Uçtan Uca Nesne Algılamanın Öncüsü#

• 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 algılamanın en kalıcı darboğazlarından biri olan Maksimum Olmayan Bastırma'yı (NMS) ele alarak akademik bilgisayarlı görü araştırmalarında önemli bir ilerleme kaydetti. Geleneksel nesne algılayıcıları, yinelenen sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'ye dayanıyordu; bu da çıkarım sırasında değişken gecikmeye yol açıyor ve uç dağıtımı karmaşıklaştırıyordu.

Tsinghua Üniversitesi ekibi, NMS'siz eğitim için tutarlı bir ikili atama stratejisi geliştirdi. Bu strateji, modelin son işlem filtreleme adımına gerek kalmadan sınırlayıcı kutuları doğru tahmin etmesini sağladı; böylece çıkarım gecikmesi doğrudan iyileşti ve donanım hızlandırıcılarında dağıtımın önündeki engeller azaldı. Standart algılama görevlerinde son derece verimli olmasına karşın model öncelikle sınırlayıcı kutu tahminine odaklanıyordu ve örnek segmentasyonu veya poz tahmini gibi daha karmaşık görevleri yerel olarak desteklemiyordu.

YOLOv10 hakkında daha fazla bilgi edin

YOLO26: Uç ve Bulut Görüntüleme Yapay Zekâsı için 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 kavramları temel alan yeni YOLO26, performans ve çok yönlülüğün zirvesini temsil ediyor. Hem akademik araştırmalar hem de kurumsal ölçekte dağıtım için tasarlanan model, tüm desteklenen donanımlarda daha hızlı ve basit dağıtım sağlamak üzere NMS son işlemesini atlayan isteğe bağlı, bire bir eşleştirme yapan bir başlık (nms=False) aracılığıyla uçtan uca NMS'siz tasarım sunuyor.

YOLO26, çığır açan çeşitli mimari iyileştirmeler getiriyor. Dağılım Odaklı Kayıp'ın (DFL) kaldırılması, modelin dışa aktarma sürecini önemli ölçüde basitleştiriyor ve düşük güçlü uç cihazlarla uyumluluğu artırıyor. Bu yapısal değişikliklerle birlikte YOLO26, CPU çıkarımını %43'e kadar hızlandırarak GPU hızlandırmasının bulunmayabileceği IoT ve robotik uygulamaları için olağanüstü bir seçenek hâline geliyor.

Eğitim kararlılığı ve yakınsama hızı da LLM eğitim tekniklerinden esinlenen, SGD ile Muon'un melezi olan MuSGD Optimize Edici sayesinde köklü biçimde iyileştirildi. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla bir araya geldiğinde YOLO26, küçük nesneleri tanımada dikkate değer iyileştirmeler sunuyor. Ayrıca segmentasyon için çok ölçekli prototipleme, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamadaki sınır sorunlarını gidermeye yönelik özel bir açı kaybı gibi göreve özgü iyileştirmeler de getiriyor.

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.

Veriler, yeni mimarinin evrimsel avantajını açıkça ortaya koyuyor. YOLO26, tüm boyut kategorilerinde daha yüksek mAP (ortalama hassasiyet) değerlerine ulaşırken çıkarım hızları açısından da son derece rekabetçi performansını koruyor. YOLO26'da DFL'nin kaldırılması, önceki nesillerin çoğu zaman zorlandığı bir ölçüt olan CPU ONNX performansına özellikle katkıda bulunuyor.

Eğitim Yöntemleri ve Ekosistem#

Bir model, ancak onu destekleyen ekosistem kadar kullanışlıdır. YOLOv10 PyTorch tabanlı mükemmel bir akademik uygulama sunsa da temel algılama dışındaki görevler için çoğu zaman elle yapılandırma gerektirir.

Buna karşılık YOLO26, bakımı iyi yapılan Ultralytics ekosistemine tamamen entegredir. Bu sayede RT-DETR gibi Transformer tabanlı modellere kıyasla eğitim sırasında bellek gereksinimleri önemli ölçüde azalır ve araştırmacılar son teknoloji ağları tüketici sınıfı donanımlarda eğitebilir. 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

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

# Otomatik bellek yönetimiyle modeli verimli biçimde 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 tamamen dağıtım kısıtlarına bağlıdır.

Yüksek Hızlı Uç Bilişim#

Mikrodenetleyicilerde, robotikte veya eski mobil cihazlarda hızlı dağıtım gerektiren uygulamalar için YOLO26'nın CPU çıkarımında sunduğu %43'e varan hız artışı, onu kesin tercih hâline getirir. NMS içermeyen ve DFL içermeyen mimarisi, OpenVINO ve TensorRT gibi biçimlere sorunsuzca dönüştürülebilir; bu özellik, akıllı şehir altyapısında gerçek zamanlı video analitiği için idealdir.

Gelişmiş Çoklu Görev Görüntü İşleme#

YOLOv10 yalnızca sınırlayıcı kutu tespitinde öne çıkarken zengin görsel anlayış gerektiren projelerde YOLO26 kullanılmalıdır. Tıbbi görüntülemede örnek segmentasyonundan spor analitiği için hassas poz tahminine kadar YOLO26, farklı alanlarda üstün doğruluğu garanti eden göreve özel kayıp işlevleri sunar.

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 öngörülebilir çıkarım sürelerinin 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

YOLOv10'dan YOLO26'ya geçiş, akademik kavram kanıtından üretime hazır kurumsal çözümlere doğru önemli bir değişimi gözler önüne seriyor. Öncü NMS içermeyen tasarımı benimseyip MuSGD iyileştiricisi, ProgLoss ve sadeleştirilmiş uç uyumluluğuyla geliştiren YOLO26, gerçek zamanlı bilgisayarlı görüde mümkün olanların çıtasını yükseltiyor. Hız, doğruluk ve kullanılabilirlik arasında en iyi dengeyi hedefleyen geliştiriciler için YOLO26, öne çıkan nihai öneridir.