Link to this sectionYOLOv8 ve YOLO26#

Bilgisayarlı görü alanı son birkaç yılda dikkate değer gelişmelere sahne oldu. Gerçek zamanlı uygulamalar için en popüler mimariler arasında Ultralytics tarafından geliştirilen modeller yer alıyor. Bu kapsamlı rehber, çığır açan Ultralytics YOLOv8 ile en güncel Ultralytics YOLO26 arasında ayrıntılı bir teknik karşılaştırma sunuyor. Dağıtımınız için doğru modeli seçmenize yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal kullanım durumlarını analiz edeceğiz.

Link to this sectionModel Genel Bakışları#

Hem YOLOv8 hem de YOLO26, YOLO model ailesinde önemli kilometre taşlarını temsil eder. Ortak Ultralytics felsefesini paylaşırlar: birleşik bir Python ortamı ve API aracılığıyla hızlı, doğru ve kullanımı inanılmaz derecede kolay modeller sağlamak.

Link to this sectionYOLOv8: Çok Yönlü Standart#

2023'ün başlarında piyasaya sürülen YOLOv8, YOLO çerçevesinde büyük bir revizyon yaparak çapasız (anchor-free) bir tasarım getirdi ve çoklu bilgisayarlı görü görevleri için güçlü destek sağladı.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: Ultralytics Deposu
• Dokümanlar: YOLOv8 Dokümantasyonu

YOLOv8, mükemmel performans dengesi ve Ultralytics ekosistemine derin entegrasyonu sayesinde hızla endüstri standardı haline geldi. Nesne algılama, örnek bölümleme, poz tahmini ve görüntü sınıflandırmayı yerel olarak destekler. Ancak, post-processing için standart Non-Maximum Suppression (NMS) yöntemine güvenir; bu da yüksek kısıtlamalı uç (edge) ortamlarında gecikme darboğazlarına neden olabilir.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionYOLO26: Yeni Nesil Uç (Edge) Güç Merkezi#

Ocak 2026'da piyasaya sürülen YOLO26, öncüllerinin inşa ettiği temeli alır ve modern dağıtım senaryoları, özellikle de uç yapay zeka ve düşük güç tüketen cihazlar için agresif bir şekilde optimize eder.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO26 Dokümantasyonu

YOLO26, paradigma değiştiren birkaç teknik iyileştirme sunuyor. En önemlisi, NMS gerektirmeyen uçtan uca (End-to-End) bir tasarıma sahip olmasıdır. İlk olarak YOLOv10 tarafından öncülük edilen bu mimari, NMS sonrası işlem ihtiyacını ortadan kaldırarak dışa aktarma hatlarını önemli ölçüde basitleştirir ve gecikme varyansını azaltır. Ayrıca, Distribution Focal Loss (DFL) yönteminin kaldırılması, algılama başlığını sadeleştirerek uç yapay zeka donanımlarında dağıtım için inanılmaz derecede uygun hale getirir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionMimari ve Eğitim Yenilikleri#

YOLO26, YOLOv8'in temelini önemli ölçüde geliştiren birkaç kaput altı iyileştirme getiriyor.

Link to this sectionMuSGD ile Optimize Edilmiş Eğitim#

Eğitim verimliliği, RT-DETR gibi hantal transformer tabanlı mimarilere kıyasla genellikle çok daha düşük bellek gereksinimlerine sahip olan Ultralytics modellerinin bir işaretidir. YOLO26, MuSGD Optimizer'ın tanıtımıyla bunu daha da geliştirir. Büyük Dil Modeli (LLM) eğitim tekniklerinden (özellikle Moonshot AI'nın Kimi K2'sinden) esinlenen bu Stochastic Gradient Descent (SGD) ve Muon hibriti, karmaşık veri setlerinde daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlar.

Link to this sectionGelişmiş Kayıp Fonksiyonları#

İHA görüntüleri veya IoT sensörleri gibi yüksek hassasiyet gerektiren görevler için YOLO26, ProgLoss + STAL'ı sunar. Bu geliştirilmiş kayıp fonksiyonları, küçük nesne tanımada kayda değer iyileştirmeler sağlar. Ek olarak YOLO26, genel olarak görev bazlı iyileştirmeler getirir: segmentasyonda üstün maske üretimi için çok ölçekli proto, daha hassas poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasındaki sınır sorunlarını çözmek için özel açı kaybı (angle loss).

Link to this sectionPerformans Analizi ve Karşılaştırma#

Aşağıdaki tablo, COCO veri setini kullanarak iki model arasındaki performans farklarını vurgular. Her boyut kategorisindeki en iyi performans gösteren değerler kalın olarak vurgulanmıştır.

Link to this sectionMetrikleri Analiz Etme#

Veriler nesiller arası bir sıçramayı ortaya koyuyor. YOLO26, tüm metriklerde YOLOv8'den önemli ölçüde daha iyi performans gösteriyor. YOLO26 Nano (YOLO26n) modeli, daha az parametre ve FLOP kullanarak YOLOv8n'in 37.3'lük değerinden önemli ölçüde yüksek, 40.9 mAP değerine ulaşıyor.

En dikkat çekici iyileştirmelerden biri CPU çıkarım hızıdır. Optimize edilmiş mimarisi ve DFL'nin kaldırılması sayesinde YOLO26, ONNX aracılığıyla %43'e kadar daha hızlı CPU çıkarımı sağlar. Bu, YOLO26'yı Raspberry Pi ve diğer düşük kaynaklı uç cihazlar için eşsiz kılar. TensorRT kullanan GPU hızları her iki modelde de rekabetçi olsa da, YOLO26'nın genel parametre verimliliği, hem eğitim hem de çıkarım sırasında daha düşük bellek kullanımı anlamına gelir.

Link to this sectionKullanım Kolaylığı ve Ekosistem#

Her iki model de iyi yönetilen Ultralytics ekosisteminden büyük ölçüde yararlanır. Geliştiriciler, model adı dizisini değiştirerek YOLOv8 ve YOLO26 arasında geçiş yapmayı sağlayan birleşik API'nin sunduğu kullanım kolaylığını övüyorlar.

Hiperparametre ayarlama yaparken, deney takibi yürütürken veya yeni veri setleri keşfederken, Ultralytics dokümantasyonu kapsamlı kaynaklar sağlar. Ayrıca, Ultralytics Platformu bu modelleri bulutta veya yerel olarak sorunsuz bir şekilde açıklama ekleme, eğitme ve dağıtma için modern bir yol sunar.

Link to this sectionKod Örneği#

Eğitime ve çıkarıma başlamak inanılmaz derecede basittir. Aşağıda, Ultralytics Python API'sini kullanan eksiksiz ve çalıştırılabilir bir örnek bulunmaktadır:

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
results[0].show()

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")

Link to this sectionİdeal Kullanım Senaryoları#

Doğru modeli seçmek projenin başarısını belirler.

YOLO26 ne zaman seçilmeli:

• Uç Hesaplama ve Robotik: %43 daha hızlı CPU hızı ve NMS eksikliği, onu gömülü sistemler, mobil cihazlar ve otonom robotlar için kesinlikle en iyi seçenek haline getirir.
• Hava ve Uydu Görüntüleri: ProgLoss + STAL uygulaması, YOLO26'ya karmaşık ve yüksek çözünürlüklü manzaralardaki küçük nesneleri algılamada belirgin bir avantaj sağlar.
• Yeni Projeler: En son kararlı sürüm olarak YOLO26, tüm görevlerde üstün çok yönlülük sunarak herhangi bir yeni makine öğrenimi hattı için önerilen modeldir.

YOLOv8 ne zaman korunmalı:

• Eski Altyapı: Mevcut üretim hattın, YOLOv8'in özel çıktı tensörlerine ve çapa mekanizmalarına yoğun bir şekilde bağlıysa, geçiş küçük bir uyarlama gerektirebilir.
• Akademik Temeller: YOLOv8, daha eski mimarileri karşılaştıran akademik bilgisayarlı görü araştırmaları için yüksek oranda atıf yapılan ve kararlı bir temel olmaya devam ediyor.

Sonuç olarak, YOLOv8 gerçek zamanlı görü görevleri için olağanüstü bir standart belirlemiş olsa da, YOLO26 mümkün olanı yeniden tanımlıyor. CPU'lardaki büyük verimlilik kazanımlarını yenilikçi LLM esintili eğitim optimize edicileriyle birleştiren YOLO26, geliştiricilerin neredeyse her donanım ortamında yüksek doğruluklu yapay zeka dağıtabilmelerini sağlar.