YOLOv8 vs YOLO26: Gerçek Zamanlı Yapay Zeka Görüşü için Teknik Bir Evrim

Bilgisayar görüşünün hızla gelişen dünyasında, YOLOv8'den YOLO26'ya evrim, verimlilik, hız ve mimari incelik açısından önemli bir ilerlemeyi temsil etmektedir. YOLOv8, 2023'teki piyasaya sürülmesiyle çok yönlülük ve kullanım kolaylığı için endüstri standardını belirlerken, YOLO26'nın 2026'daki sürümü, uçtan uca NMS-free algılama ve LLM'den ilham alan optimizasyon gibi çığır açan değişiklikler sunmaktadır.

Bu kılavuz, geliştiricilerin, araştırmacıların ve mühendislerin belirli dağıtım ihtiyaçları için doğru modeli seçmelerine yardımcı olmak amacıyla derinlemesine bir teknik karşılaştırma sunmaktadır.

Model Genel Bakışları

Ultralytics YOLOv8

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics/ultralytics
Belgeler:YOLOv8 Dokümantasyonu

2023'ün başlarında piyasaya sürülen YOLOv8, yapay zeka görüşü için kullanıcı deneyimini yeniden tanımladı. Nesne algılama, örnek segmentasyon, poz tahmini ve sınıflandırma için birleşik bir çerçeve sundu. Bir PyTorch arka ucu üzerine inşa edilen bu model, dengeli hız ve doğruluk için bir referans noktası haline gelen çapa içermeyen bir algılama başlığına ve mozaik veri artırma hattına sahiptir.

YOLOv8 hakkında daha fazla bilgi edinin.

Ultralytics YOLO26

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 2026-01-14
GitHub:ultralytics/ultralytics
Belgeler:YOLO26 Dokümantasyonu

YOLO26, Ultralytics'in en son yinelemesidir ve kenar optimizasyonlu performans için artan talebi karşılamak üzere tasarlanmıştır. Çıkarımı sıklıkla darboğaza sokan son işlem adımlarına olan ihtiyacı ortadan kaldıran yerel uçtan uca NMS-free bir mimariye öncülük etmiştir. MuSGD optimize edici ve Distribution Focal Loss (DFL) kaldırılması gibi optimizasyonlarla YOLO26, önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunar.

YOLO26 hakkında daha fazla bilgi edinin

Mimari Farklılıklar

YOLOv8'den YOLO26'ya geçiş, ağın görüntüleri işleme ve verilerden öğrenme biçiminde temel değişiklikler içerir.

1. Uçtan Uca NMS-Serbest Tasarım

En kritik farklardan biri, yinelenen sınırlayıcı kutuların işlenmesidir.

YOLOv8: Üst üste binen kutuları filtrelemek için son işlem sırasında Non-Maximum Suppression (NMS)'a güvenir. Etkili olmasına rağmen, NMS özellikle standart dışı donanımlarda gecikme değişkenliği ve dağıtım karmaşıklığına neden olur.
YOLO26: YOLOv10'a benzer yerel uçtan uca bir yaklaşım benimser. Modeli nesne başına tam olarak bir kutu çıkaracak şekilde eğiterek, NMS adımını tamamen ortadan kaldırır. Bu, deterministik gecikme ve TensorRT ve CoreML gibi formatlara daha basit dışa aktarım hatları sağlar.

Neden NMS'siz Olması Önemli

NMS'nin kaldırılması, kenar dağıtımı için ezber bozan bir yeniliktir. CPU'lardaki hesaplama yükünü azaltır ve modelin çıkarım süresinin sahnede algılanan nesne sayısından bağımsız olarak tutarlı olmasını sağlar.

2. Kayıp Fonksiyonları ve Optimizasyon

YOLO26, kararlılığı ve yakınsamayı iyileştirmek için Büyük Dil Modeli (LLM) eğitiminden alınan dersleri bünyesinde barındırır.

ProgLoss + STAL: YOLO26, özellikle küçük nesne algılama için daha pürüzsüz gradyanlar ve zorlu örneklerin daha iyi işlenmesini sağlayan ProgLoss ve STAL (Soft Target Assignment Loss) kullanır.
MuSGD Optimizer: Moonshot AI'nin Kimi K2'sinden ilham alan MuSGD optimize edici, SGD'nin faydalarını Muon optimize ediciye benzer momentum güncellemeleriyle birleştirir. Bu yenilik, daha yüksek öğrenme oranlarında eğitimi stabilize ederek toplam eğitim süresini azaltır.
DFL Kaldırılması: YOLOv8, kutu sınırlarını iyileştirmek için Distribution Focal Loss (DFL) kullanıyordu. YOLO26, kenar cihazları için mimariyi basitleştirmek amacıyla DFL'yi kaldırarak, hassasiyetten ödün vermeden çıktı kanalı sayısını ve bellek ayak izini azaltır.

3. Göreve Özel İyileştirmeler

YOLOv8 birden fazla görevi genel olarak desteklerken, YOLO26 özel iyileştirmeler ekler:

Segmentasyon: Daha keskin maske sınırları için anlamsal segmentasyon kaybı ve çok ölçekli proto modülleri sunar.
Poz: Anahtar nokta lokalizasyonundaki belirsizliği daha iyi yakalamak için Kalıntı Log-Olasılık Tahmini (RLE) kullanır.
obb: Yönlendirilmiş Sınırlayıcı Kutu görevlerindeki sınır süreksizliklerini özel bir açı kaybı ile ele alır.

Performans Karşılaştırması

Aşağıda COCO veri kümesi üzerindeki performans metriklerinin ayrıntılı bir karşılaştırması bulunmaktadır. YOLO26, tüm model ölçeklerinde üstün hız ve verimlilik sergilemektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

Not: YOLO26n, YOLOv8n'e kıyasla CPU gecikmesinde %43'lük kayda değer bir azalma sağlarken, aynı anda doğruluğu 3.6 mAP artırmaktadır.

Eğitim ve Kullanılabilirlik

Her iki model de "sıfırdan kahramana" basitliğiyle bilinen sağlam Ultralytics ekosisteminden faydalanmaktadır.

Kullanım Kolaylığı ve Ekosistem

YOLOv8'i veya YOLO26'yı seçseniz de, aynı birleşik API'ye erişim sağlarsınız. Modeller arasında geçiş yapmak, kodunuzdaki bir dizeyi değiştirmek kadar basittir.

from ultralytics import YOLO

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

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

# Training is identical
model_26.train(data="coco8.yaml", epochs=100)

Her iki model de Ultralytics Platformu (eski adıyla HUB) ile tam entegredir; bu da sorunsuz veri kümesi yönetimi, bulut eğitimi ve tek tıklamayla dağıtım imkanı sunar.

Eğitim Verimliliği

YOLOv8 oldukça verimlidir ancak genellikle standart SGD veya AdamW optimize edicileri gerektirir. YOLO26, MuSGD optimize edicisi ile genellikle daha hızlı yakınsar ve değerli GPU saatlerinden tasarruf sağlar. Ek olarak, YOLO26, RT-DETR gibi transformatör ağırlıklı mimarilere kıyasla eğitim sırasında genellikle daha az CUDA belleği gerektirir, bu da kullanıcıların NVIDIA RTX 3060 veya 4090 gibi tüketici sınıfı GPU'larda daha büyük yığınları eğitmesine olanak tanır.

İdeal Kullanım Senaryoları

YOLOv8'de Ne Zaman Kalmalı

Eski Projeler: Halihazırda YOLOv8 etrafında kurulmuş sağlam bir üretim hattınız varsa ve yükseltme için doğrulama süresini karşılayamıyorsanız.
Araştırma Temelleri: YOLOv8, yaygın olarak benimsenmesi ve atıfları nedeniyle karşılaştırma için standart bir akademik temel olmaya devam etmektedir.

YOLO26'ya Ne Zaman Yükseltmeli

Uç Nokta Dağıtımı: Raspberry Pi, mobil cihazlar veya gömülü sistemler üzerinde çalışan uygulamalar için %43 CPU hız artışı kritiktir.
Gerçek Zamanlı Gecikme: Uygulamanız (örn. otonom sürüş veya robotik) deterministik gecikme gerektiriyorsa, NMS içermeyen tasarım, kalabalık sahnelerde işlem sonrası kaynaklanan titreşimi ortadan kaldırır.
Yüksek Doğruluk Gereksinimleri: YOLO26, tüm ölçeklerde mAP açısından YOLOv8'i sürekli olarak geride bırakarak, tıbbi görüntüleme veya kusur tespiti gibi hassasiyet açısından kritik görevler için daha iyi bir seçenek haline gelmektedir.

Sonuç

YOLOv8 güçlü ve çok yönlü bir araç olmaya devam etse de, YOLO26 verimli bilgisayar görüşünün geleceğini temsil etmektedir. Ultralytics ekosisteminin kullanım kolaylığını NMS içermeyen detect ve LLM'den ilham alan optimizasyon gibi son teknoloji mimari yeniliklerle birleştirerek, YOLO26 cazip bir yükseltme yolu sunmaktadır.

Bugün yeni projelere başlayan geliştiriciler için, YOLO26 önerilen seçimdir; 2026'da mevcut olan hız, doğruluk ve kaynak verimliliğinin en iyi dengesini sunar.

Daha Fazla Okuma

Karşılaştırma için YOLO11 gibi diğer modelleri keşfedin.
Modelleri ONNX veya TensorRT'ye dışa aktarma hakkında bilgi edinin.
En son eğitimler ve vaka çalışmaları için Ultralytics Blogu'nu inceleyin.