İçeriğe geç

YOLOv8 ve YOLO26'yı Karşılaştırma: Gerçek Zamanlı Görsel Yapay Zekanın Evrimi

Bilgisayar görüşü alanı hızla gelişti; You Only Look Once (YOLO) ailesinin her nesli hız ve doğruluk için yeni ölçütler belirledi. Bu soy ağacındaki iki kritik dönüm noktası Ultralytics YOLOv8 ve son teknoloji Ultralytics YOLO26'dır. YOLOv8, sektör liderlerinin güvendiği sağlam bir ekosistem ve çok görevli yetenekler oluştururken, YOLO26, uçtan uca çıkarım ve uç cihazlar için optimizasyon gibi çığır açan mimari değişiklikler sunmaktadır.

Bu kılavuz, araştırmacıların ve geliştiricilerin bulut tabanlı analizden kaynak kısıtlı IoT uygulamalarına kadar uzanan belirli dağıtım ihtiyaçları için doğru modeli seçmelerine yardımcı olmak amacıyla ayrıntılı bir teknik karşılaştırma sunar.

Model Genel Bakışları

Ultralytics YOLOv8

Ocak 2023'te piyasaya sürülen YOLOv8, nesne detect, örnek segment, poz tahmini, sınıflandırma ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerini destekleyen birleşik bir çerçeveye doğru önemli bir geçişi işaret etti. Anchor-free detect ve yeni bir kayıp fonksiyonu tanıttı, bu da onu çeşitli endüstriler için çok yönlü bir seçenek haline getirdi.

YOLOv8 hakkında daha fazla bilgi edinin.

Ultralytics YOLO26

Ocak 2026'da piyasaya sürülen YOLO26, verimlilik ve performansta bir sonraki sıçramayı temsil etmektedir. Çıkarım sırasında Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak yerel olarak uçtan uca (E2E) olacak şekilde tasarlanmıştır. Bu, özellikle CPU'larda ve uç donanımlarda daha yüksek hızlar sağlar. Distribution Focal Loss (DFL)'nin kaldırılması ve MuSGD optimize edicinin tanıtılmasıyla YOLO26, modern dağıtım kısıtlamaları için optimize edilmiştir.

YOLO26 hakkında daha fazla bilgi edinin

Mimari Farklılıklar

YOLOv8'den YOLO26'ya geçiş, gecikmeyi azaltmayı ve eğitim kararlılığını artırmayı amaçlayan temel yapısal değişiklikleri içerir.

Uçtan Uca NMS'siz Tasarım

YOLOv8 gibi geleneksel detect edicilerdeki en önemli darboğazlardan biri, çakışan sınırlayıcı kutuları filtreleyen NMS olarak bilinen işlem sonrası adımıdır.

  • YOLOv8: Yüksek düzeyde optimize edilmiş ancak gerekli bir NMS adımı kullanır. Bu durum, özellikle verimli NMS eklenti desteğinin değiştiği ONNX veya TensorRT gibi formatlara dışa aktarırken dağıtım hatlarını karmaşıklaştırabilir.
  • YOLO26: YOLOv10 tarafından öncülük edilen NMS içermeyen bir mimariyi benimser. Doğrudan ağdan bire bir tahminler üreterek dışa aktarım mantığını basitleştirir ve çıkarım gecikmesini azaltır, bu da onu Raspberry Pi veya mobil cihazlardaki gerçek zamanlı uygulamalar için ideal kılar.

Kayıp Fonksiyonları ve Optimizasyon

YOLO26, eğitim tarifine birkaç yeni bileşen sunar:

  • MuSGD Optimize Edici: Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenerek SGD ve Muon'un bir hibritidir. Bu optimize edici, eğitim momentumunu stabilize ederek önceki versiyonlarda kullanılan standart AdamW veya SGD'ye kıyasla daha hızlı yakınsamaya yol açar.
  • DFL Kaldırılması: Distribution Focal Loss'un kaldırılması, regresyon başlığını basitleştirir. Bu karmaşıklık azalması, YOLO26'nın CPU'larda %43'e kadar daha hızlı çalışabilmesinin anahtar faktörüdür.
  • ProgLoss + STAL: Aşamalı Kayıp Dengeleme ve Küçük Hedefe Duyarlı Etiket Ataması (STAL), küçük nesneler üzerindeki performansı önemli ölçüde artırır; bu da hava görüntüleri veya endüstriyel denetim için kullanılan genel amaçlı detect edicilerdeki yaygın bir zayıflığı giderir.

Uyarı: Uç Cihaz Dağıtımı

YOLO26'da NMS ve DFL'nin kaldırılması, onu 8 bitlik niceleme için son derece uygun hale getirir. TFLite veya CoreML kullanarak uç donanıma dağıtım yapıyorsanız, YOLO26, YOLOv8'e kıyasla daha düşük hassasiyette genellikle daha yüksek doğruluk korur.

Performans Metrikleri

Aşağıdaki tablo, YOLOv8 ve YOLO26 modellerinin COCO veri kümesindeki performansını karşılaştırmaktadır. YOLO26, tüm model ölçeklerinde üstün hız ve doğruluk sergiler, özellikle mimari optimizasyonlarının öne çıktığı CPU ortamlarında.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOP'lar
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

Not: Kalın yazı, daha iyi performans metriklerini (daha yüksek mAP, daha düşük hız/parametre/FLOPs) gösterir.

Eğitim Verimliliği ve Kullanım Kolaylığı

Her iki model de, "sıfırdan kahramana" basitliğiyle bilinen olgun Ultralytics ekosisteminden faydalanır.

Akıcı API

İster YOLOv8 ister YOLO26 kullanılsın, Python API tutarlı kalır. Bu, geliştiricilerin tek bir kod satırı değişikliğiyle mimariler arasında geçiş yapmasına olanak tanıyarak kolay kıyaslama ve A/B testi yapmayı kolaylaştırır.

from ultralytics import YOLO

# Load a YOLOv8 model
model_v8 = YOLO("yolov8n.pt")

# Load a YOLO26 model
model_26 = YOLO("yolo26n.pt")

# Train YOLO26 on your custom dataset
results = model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

Bellek ve Kaynaklar

YOLO26, eğitim sırasında RT-DETR gibi transformatör tabanlı modellere veya eski YOLO sürümlerine kıyasla önemli ölçüde daha bellek verimlidir. Basitleştirilmiş kayıp alanı ve MuSGD optimize edicisi, aynı GPU donanımında daha büyük yığın boyutlarına olanak tanıyarak eğitim altyapısının toplam sahip olma maliyetini düşürür. Sınırlı VRAM'e sahip kullanıcılar rahatlıkla ince ayar yapabilir yolo26s veya yolo26m modelleri standart tüketici GPU'larında.

İdeal Kullanım Senaryoları

YOLOv8 ve YOLO26 arasında seçim yapmak, özel kısıtlamalarınıza ve dağıtım ortamınıza bağlıdır.

YOLOv8 Ne Zaman Tercih Edilmeli?

  • Eski Sistem Uyumluluğu: Mevcut işlem hatlarınız, kolayca güncellenemeyen YOLOv8'e özgü son işleme mantığıyla yoğun bir şekilde entegre ise.
  • Belirli Topluluk Eklentileri: Bazı eski üçüncü taraf araçlar veya derinlemesine gömülü sistemler, Ultralytics dışa aktarma modülü çoğu dönüşümü sorunsuz bir şekilde halletse de, hala YOLOv8 dışa aktarma formatlarına katı bağımlılıklara sahip olabilir.

YOLO26 Ne Zaman Seçilmeli

  • Uç Bilişim: Gecikmenin her milisaniyesinin önemli olduğu NVIDIA Jetson, cep telefonları veya gömülü CPU'lar üzerindeki uygulamalar için. %43'lük CPU hız artışı, pille çalışan cihazlar için ezber bozan bir yeniliktir.
  • Küçük Nesne Algılama: ProgLoss ve STAL iyileştirmeleri, hedeflerin genellikle uzak ve küçük olduğu drone izleme veya tarımsal denetim için YOLO26'yı üstün bir seçenek haline getirir.
  • Basitleştirilmiş Dağıtım: Standart olmayan ortamlarda (örn. özel FPGA'lar veya özel AI hızlandırıcılar) NMS uygulamasının zorluğundan kaçınmak istiyorsanız, YOLO26'nın uçtan uca yapısı idealdir.
  • Yüksek Performanslı Görevler: Tıbbi görüntüleme veya güvenli kritik otonom sürüş bileşenleri gibi mümkün olan en yüksek doğruluğu gerektiren görevler için.

Sonuç

YOLOv8, bilgisayar görüşü cephaneliğinde güçlü ve güvenilir bir araç olmaya devam etse de, YOLO26 verimli, yüksek performanslı algılamanın geleceğini temsil etmektedir. Mimari yenilikleri, NMS gibi uzun süredir devam eden dağıtım sürtünme noktalarını çözerken, en son teknoloji doğruluğu sunar.

En son teknolojiyi takip etmek isteyen geliştiriciler için, YOLO26'ya yükseltme, Ultralytics deneyimini tanımlayan kullanım kolaylığından ödün vermeden hız ve model boyutunda anında faydalar sunar. Bu ilerlemelerden tam olarak yararlanmak için yeni projelere YOLO26 ile başlamanızı öneririz.

Keşfedilecek Diğer Modeller

  • YOLO11: Eski sürümlerden geçiş yapanlar için performans ve özellik dengesi sunan, YOLO26'nın doğrudan öncülü.
  • YOLOv10: NMS içermeyen yaklaşımın öncülüğünü yapan, mimari geçişin akademik çalışması için faydalı olan model.
  • YOLO-World: Özel veri kümelerinde eğitim yapmadan nesneleri tanımlamak için mükemmel olan, algılama için metin istemlerini kullanan açık kelime dağarcığına sahip bir dedektör.

Yorumlar