YOLOv10 YOLO26: Uçtan Uca Nesne Algılamada Yeni Bir Dönem
Gerçek zamanlı nesne algılamanın evrimi, hız, doğruluk ve dağıtım kolaylığı arasında denge kurmaya odaklanarak son yıllarda hızlı bir ilerleme kaydetmiştir. Bu karşılaştırma, bu yolculuktaki iki önemli dönüm noktasını incelemektedir: YOLOv10, NMS algılamayı popüler hale getiren akademik bir atılım ve YOLO26, Ultralytics kurumsal düzeydeki uygulamalar için bu kavramları Ultralytics üretime hazır en yeni güçlü ürünü.
Modele Genel Bakış
YOLOv10: Akademik Öncü
Tsinghua Üniversitesi araştırmacıları tarafından Mayıs 2024'te piyasaya sürülen YOLOv10 , çıkarım sırasında Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak bir paradigma değişikliği YOLOv10 . Bu "uçtan uca" yaklaşım, sahne yoğunluğuna bağlı olarak son işlem gecikmesinin genellikle öngörülemez şekilde değiştiği dağıtım boru hatlarındaki uzun süredir devam eden bir darboğazı çözdü.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
- Kuruluş:Tsinghua Üniversitesi
- Tarih: 2024-05-23
- Arxiv:arXiv:2405.14458
- GitHub:THU-MIG/yolov10
YOLOv10 hakkında daha fazla bilgi edinin.
YOLO26: Endüstri Standardı
Öncüllerinin temelleri üzerine inşa edilen YOLO26 (Ocak 2026'da piyasaya sürüldü), Ultralytics gerçek dünyada etki yaratmak için tasarlanmış son teknoloji ürünü çözümüdür. YOLOv10 tarafından başlatılan Uçtan Uca NMS Tasarımı benimser, YOLOv10 daha basit kayıp fonksiyonları, yeni bir optimize edici ve uç donanımda büyük hız iyileştirmeleri ile geliştirir.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2026-01-14
- GitHub:ultralytics/ultralytics
YOLO26 hakkında daha fazla bilgi edinin
Teknik Karşılaştırma
Her iki model de NMS neden olduğu gecikme sorunlarını çözmeyi amaçlamaktadır, ancak optimizasyon için farklı yollar izlemektedir. YOLOv10 , mimari arama ve eğitim için çift atamalara yoğun bir şekilde YOLOv10 , YOLO26 dağıtım basitliği, CPU ve eğitim istikrarını önceliklendirir.
Mimari ve Tasarım
YOLOv10 , NMS eğitim için Tutarlı Çift Atamalar'ı tanıttı. Bu yöntem, birden çok başlığı (eğitim sırasında zengin denetim için) bir başlıkla (çıkarım için) eşleştirerek, modelin nesne başına tek bir en iyi kutu çıkışı yapmayı öğrenmesini sağlar. Ayrıca, hafif sınıflandırma başlıkları ve uzamsal kanal ayrıştırılmış aşağı örnekleme dahil olmak üzere, bütünsel verimlilik-doğruluk odaklı model tasarımı kullanmıştır.
YOLO26, Dağıtım Odak Kaybını (DFL) tamamen kaldırarak bunu daha da iyileştirir. DFL, önceki sürümlerde kutu hassasiyetine yardımcı olsa da, kaldırılması dışa aktarım grafiğini önemli ölçüde basitleştirerek YOLO26 modellerinin kısıtlı kenar cihazlarında ve düşük güçlü mikrodenetleyicilerde daha kolay çalışmasını sağlar. Ayrıca, YOLO26, SGD Muon optimizer'ın (LLM eğitiminden esinlenerek) bir karışımı olan MuSGD Optimizer'ı içerir ve bu, bilgisayar görme görevlerine ilk kez büyük parti eğitiminin istikrarını sağlar.
Performans Metrikleri
Aşağıdaki tablo performans farklılıklarını göstermektedir. YOLO26, CPU'larda üstün hız ve tüm model ölçeklerinde, özellikle daha büyük varyantlarda daha yüksek doğruluk sergilemektedir.
| Model | boyut (piksel) | mAPval 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 |
CPU Çığır Açan Gelişme
YOLO26, özel GPU'ların bulunmadığı ortamlar için özel olarak optimize edilmiştir. Önceki nesillere kıyasla %43'e varan daha hızlı CPU ulaşarak Raspberry Pi ve mobil uygulamalar için çığır açan bir yenilik sunar.
Kullanım Durumları ve Gerçek Dünya Uygulamaları
YOLOv10 Ne Zaman Tercih Edilmeli?
YOLOv10 , araştırmacılar ve yalnızca algılama amaçlı belirli senaryolar için mükemmel bir seçim YOLOv10 .
- Akademik Araştırma: Çift atama stratejisi, kayıp fonksiyonu tasarımında daha ileri araştırmalar için ilgi çekici bir konudur.
- Eski NMS Boru Hatları: Bir proje YOLOv10 ONNX etrafında zaten oluşturulmuşsa, güvenilir, düşük gecikmeli algılama sağlamaya devam eder.
YOLO26'nın Üretim için En İyi Seçim Olmasının Nedenleri
Çoğu geliştirici için YOLO26 daha sağlam ve çok yönlü bir çözüm sunar.
- Edge Computing & IoT: Basitleştirilmiş kayıp fonksiyonları ve DFL'nin kaldırılması, YOLO26'yı bellek ve hesaplama kapasitesinin sınırlı olduğu uç cihazlarda kullanım için ideal hale getirir.
- Küçük Nesne Algılama: ProgLoss + STAL (Soft-Target Anchor Loss) sayesinde YOLO26, hava görüntüleri ve drone denetimleri için kritik bir gereklilik olan küçük nesneleri algılamada mükemmeldir.
- Karmaşık Çoklu Görev: Öncelikle bir algılama modeli olan YOLOv10 farklı olarak, YOLO26 aynı çerçeve içinde örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerini doğal olarak destekler.
Ultralytics'in Avantajı
YOLO26 gibi bir Ultralytics seçmek, ham metriklerin çok ötesinde faydalar sağlar. Entegre ekosistem, projenizin veri toplama aşamasından nihai uygulamaya kadar desteklenmesini sağlar.
Kolaylaştırılmış Kullanıcı Deneyimi
Ultralytics Python sunduğu kullanım kolaylığı eşsizdir. Diğer depolar karmaşık kurulum komut dosyaları gerektirebilirken, Ultralytics minimum kodla yüklenebilir, eğitilebilir ve dağıtılabilir.
from ultralytics import YOLO
# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")
# Train on a custom dataset with MuSGD optimizer
model.train(data="coco8.yaml", epochs=100, optimizer="MuSGD")
# Run inference without NMS post-processing
results = model("https://ultralytics.com/images/bus.jpg")
Kapsamlı Ekosistem Desteği
YOLO26, Ultralytics tamamen entegre edilmiştir ve sorunsuz veri kümesi yönetimi, uzaktan eğitim ve TensorRT, CoreML ve OpenVINO gibi formatlara tek tıklamayla dışa aktarma imkanı sunar. Bu iyi bakımlı ekosistem, sık güncellemelere, canlı bir topluluk forumuna ve sorunları gidermek için kapsamlı belgelere erişiminizi sağlar.
Eğitim Verimliliği ve Bellek
Ultralytics , eğitim verimlilikleriyle tanınır. YOLO26'nın MuSGD optimizasyon aracını kullanması, RT-DETR gibi transformatör tabanlı modellere kıyasla daha düşük bellek gereksinimleri ile istikrarlı bir eğitim sağlar. RT-DETR. Bu, VRAM'ı tüketmeden tüketici sınıfı GPU'larda yüksek doğrulukta modeller eğitebileceğiniz ve böylece üst düzey AI yeteneklerine erişimi demokratikleştirebileceğiniz anlamına gelir.
Sonuç
Her iki mimari de bilgisayar görüşünde önemli başarılara imza atmıştır. YOLOv10 , NMS yaklaşımı yaygınlaştırarak uçtan uca algılamanın gerçek zamanlı uygulamalar için uygun olduğunu kanıtlamış ve bu konuda büyük bir başarıya imza atmıştır.
Ancak YOLO26, bu konsepti 2026 yılının pratik ihtiyaçlarına göre geliştirmiştir. Üstün CPU , ProgLoss aracılığıyla küçük nesneler için özel destek ve Ultralytics desteği ile YOLO26, ölçeklenebilir, geleceğe dönük AI çözümleri oluşturmak isteyen geliştiriciler için önerilen seçimdir. Akıllı perakende analitiği, otonom robotik veya yüksek hızlı üretim üzerinde çalışıyor olun, YOLO26 başarı için gerekli performans dengesini sağlar.
Keşfedilecek Diğer Modeller
- YOLO11: YOLO26'nın sağlam öncülü, hala üretimde yaygın olarak kullanılmaktadır.
- RT-DETR: GPU bol olduğu senaryolar için yüksek doğruluk sunan, transformatör tabanlı bir alternatif.
- YOLO: Sınıfların metin komutlarıyla tanımlandığı açık sözlük algılama görevleri için ideal olarak uygundur.