YOLOv10 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.
YOLOv10: Uçtan Uca Nesne Algılamada Öncü#
Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
Kurum: Tsinghua University
Tarih: 2024-05-23
Bağlantılar: arXiv Paper | GitHub Repository
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
YOLO26: Uç ve Bulut Bilgisayarlı Görü Yapay Zekası için Yeni Standart#
Yazarlar: Glenn Jocher ve Jing Qiu
Kurum: Ultralytics
Tarih: 2026-01-14
Bağlantılar: GitHub Repository | Ultralytics Platform
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 takımlar için Ultralytics Platform, YOLO26 ile kusursuz entegrasyon sağlar; kapsamlı MLOps altyapısına ihtiyaç duymadan sezgisel veri etiketleme, otomatik bulut tabanlı eğitim ve tek tıkla dağıtım seçenekleri sunar.
Teknik Performans Karşılaştırması#
Bu modelleri değerlendirirken doğruluk, model boyutu ve çıkarım hızı arasındaki denge çok önemlidir. Aşağıdaki tablo, standart COCO dataset üzerinde değerlendirilen her iki model ailesinin 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, daha yeni mimarinin evrimsel avantajını açıkça göstermektedir. YOLO26, son derece rekabetçi çıkarım hızlarını korurken tüm boyut kademelerinde daha yüksek mAP (mean Average Precision) elde eder. YOLO26'daki DFL'nin kaldırılması, özellikle önceki nesillerin genellikle zorlandığı bir metrik olan olağanüstü CPU ONNX performansına katkıda bulunur.
Eğitim Metodolojileri ve Ekosistem#
Bir model ancak onu destekleyen ekosistem kadar kullanışlıdır. YOLOv10, PyTorch tabanlı mükemmel bir akademik uygulama sağlarken, temel algılama dışındaki görevler için genellikle manuel yapılandırma gerektirir.
Buna karşılık YOLO26, bakımı düzenli yapılan Ultralytics ekosistemine tamamen entegre edilmiştir. Bu, RT-DETR gibi transformatör tabanlı modellere kıyasla eğitim sırasında önemli ölçüde daha düşük bellek gereksinimleri sağlayarak araştırmacıların tüketici sınıfı donanımlarda son teknoloji ağlar eğitmesine olanak tanır. Veri artırma, hiperparametre ayarlama ve günlüğe kaydetmeyi otomatik olarak yöneten birleşik bir API sunarak kullanım kolaylığı benzersizdir.
Kod 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")Gerçek Dünya Uygulamaları ve Kullanım Durumları#
Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına bağlıdır.
Yüksek Hızlı Uç Bilişim#
Mikro denetleyicilerde, robotikte veya eski mobil cihazlarda hızlı dağıtım gerektiren uygulamalar için YOLO26'nın %43 daha hızlı CPU çıkarımı onu kesin seçim haline getirir. NMS'siz, DFL'siz mimarisi, akıllı şehir altyapısındaki gerçek zamanlı video analitiği için ideal olan OpenVINO ve TensorRT gibi formatlara sorunsuz bir şekilde dönüştürülür.
Gelişmiş Çok Görevli Görü#
YOLOv10 saf sınırlayıcı kutu tespitinde üstünlük sağlarken, zengin görsel anlayış gerektiren projelerin YOLO26'ya güvenmesi gerekir. Tıbbi görüntülemede instance segmentation işlemlerinden spor analitiği için hassas pose estimation çalışmalarına kadar YOLO26, farklı alanlarda üstün doğruluk garanti eden görev odaklı kayıp fonksiyonları sağlar.
Projeniz sağlam açık kelime dağarcığı tabanlı tespit gerektiriyorsa YOLO-World keşfetmeyi düşünün. Eski işlem hatlarını koruyan kullanıcılar için YOLO11, Ultralytics çerçevesi içinde tam olarak desteklenen ve güçlü bir alternatif olmaya devam etmektedir.
Kullanım Durumları ve Öneriler#
YOLOv10 ile YOLO26 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne 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 Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ne 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki 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 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.