YOLOv8 ve YOLO26#

Bilgisayarlı görü alanı son birkaç yılda kayda değer ilerlemelere tanık oldu. Gerçek zamanlı uygulamalar için en popüler mimariler arasında Ultralytics tarafından geliştirilen modeller yer alıyor. Bu kapsamlı kılavuz, çığır açan Ultralytics YOLOv8 ile en yeni ve en gelişmiş Ultralytics YOLO26 modellerini ayrıntılı teknik açıdan karşılaştırıyor. Dağıtımın için doğru modeli seçmene yardımcı olmak amacıyla mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını inceleyeceğiz.

Modellere Genel Bakış#

Hem YOLOv8 hem de YOLO26, YOLO model ailesinde önemli dönüm noktalarını temsil eder. Hızlı, doğru ve birleşik bir Python ortamı ile API üzerinden kullanımı son derece kolay modeller sunma biçimindeki temel Ultralytics felsefesini paylaşırlar.

YOLOv8: Çok Yönlü Standart#

2023'ün başlarında yayımlanan YOLOv8, YOLO çerçevesinde kapsamlı bir yenilik getirerek bağlantı noktası kullanmayan bir tasarım ve birden fazla bilgisayarlı görü görevine güçlü destek sundu.

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

YOLOv8, üstün performans dengesi ve Ultralytics ekosistemiyle derin entegrasyonu sayesinde kısa sürede sektör standardı hâline geldi. Yerel olarak nesne algılamayı, örnek segmentasyonunu, poz tahminini ve görüntü sınıflandırmasını destekler. Ancak son işleme aşamasında standart Maksimum Olmayan Bastırma (NMS) yöntemine dayanır; bu da kaynakları ciddi ölçüde kısıtlı uç ortamlarda gecikme darboğazlarına yol açabilir.

YOLO26: Yeni Nesil Uç Biliş Gücü#

Ocak 2026'da yayımlanan YOLO26, önceki sürümlerin temelini alıp özellikle uç yapay zekâ ve düşük güç tüketen cihazlar olmak üzere modern dağıtım senaryoları için kapsamlı biçimde optimize ediyor.

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

YOLO26, paradigma değiştiren çeşitli teknik iyileştirmeler sunuyor. En dikkat çekeni, Uçtan Uca NMS'siz Tasarım özelliği. İlk olarak YOLOv10 ile öncülüğü yapılan bu mimari, NMS son işlemesine olan ihtiyacı ortadan kaldırarak dışa aktarma işlem hatlarını önemli ölçüde basitleştiriyor ve gecikme değişkenliğini azaltıyor. Ayrıca Dağılımsal Odak Kaybı'nın (DFL) kaldırılması algılama başlığını sadeleştirerek uç yapay zekâ donanımına dağıtımı son derece kolay hâle getiriyor.

Mimari ve Eğitim Yenilikleri#

YOLO26, YOLOv8'in temel performansını önemli ölçüde iyileştiren çeşitli arka plan geliştirmeleri sunuyor.

MuSGD ile Optimize Edilmiş Eğitim#

Eğitim verimliliği, genellikle RT-DETR gibi büyük Transformer tabanlı mimarilere kıyasla çok daha az bellek gerektiren Ultralytics modellerinin ayırt edici özelliklerinden biridir. YOLO26, MuSGD Optimize Edicisi ile bu verimliliği daha da artırıyor. Büyük Dil Modeli (LLM) eğitim tekniklerinden (özellikle Moonshot AI'ın Kimi K2 modelinden) ilham alan bu Stokastik Gradyan İnişi (SGD) ve Muon hibriti, karmaşık veri kümelerinde daha hızlı yakınsama ve son derece kararlı eğitim dinamikleri sağlıyor.

Gelişmiş Kayıp Fonksiyonları#

Drone görüntüleri veya IoT sensörleri gibi yüksek hassasiyet gerektiren görevler için YOLO26, ProgLoss + STAL sunuyor. Bu geliştirilmiş kayıp fonksiyonları, küçük nesne tanımada kayda değer iyileştirmeler sağlıyor. Ayrıca YOLO26, tüm görevlerde göreve özgü iyileştirmeler getiriyor: segmentasyonda daha üstün maske oluşturma için çok ölçekli proto, daha hassas poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasındaki sınır sorunlarını çözmek için özel açı kaybı.

Performans Analizi ve Karşılaştırma#

Aşağıdaki tablo, iki modelin performans farklarını COCO veri kümesini kullanarak gösteriyor. Her boyut kategorisinde en iyi performansı gösteren değerler kalın yazılmıştır.

Ölçütlerin Analizi#

Veriler, nesiller arasında büyük bir sıçrama olduğunu gösteriyor. YOLO26, neredeyse tüm ölçütlerde YOLOv8'den daha iyi performans gösteriyor. YOLO26 Nano (YOLO26n) modeli, YOLOv8n'nin 37.3 değerinden çok daha yüksek olan 40.9 mAP değerine ulaşırken daha az parametre ve FLOP kullanıyor.

En çarpıcı iyileştirmelerden biri CPU çıkarım hızıdır. Optimize edilmiş mimarisi ve DFL'nin kaldırılması sayesinde YOLO26, ONNX üzerinden %43'e kadar daha hızlı CPU çıkarımı sağlıyor. Bu özellik, YOLO26'yı Raspberry Pi ve kaynakları kısıtlı diğer uç cihazlar için benzersiz kılıyor. TensorRT kullanan GPU hızları her iki modelde de rekabetçi olsa da YOLO26'nın genel parametre verimliliği, hem eğitim hem de çıkarım sırasında daha az bellek kullanılmasını sağlıyor.

Kullanım Kolaylığı ve Ekosistem#

Her iki model de bakımı düzenli olarak sürdürülen Ultralytics ekosisteminden büyük ölçüde yararlanıyor. Geliştiriciler, yalnızca model adı dizesini değiştirerek YOLOv8 ile YOLO26 arasında geçiş yapmayı sağlayan birleşik API'nin kullanım kolaylığını takdir ediyor.

İster hiperparametre ayarı yapıyor, ister deney takibi yürütüyor, ister yeni veri kümelerini keşfediyor ol, Ultralytics belgeleri kapsamlı kaynaklar sunuyor. Ayrıca Ultralytics Platformu, bu modelleri buluta veya yerel ortama sorunsuzca açıklama eklemek, eğitmek ve dağıtmak için kolaylaştırılmış bir yol sağlıyor.

Kod Örneği#

Eğitim ve çıkarıma başlamak son derece kolay. Aşağıda Ultralytics Python API'sini kullanan, çalıştırmaya hazır eksiksiz bir örnek bulabilirsin:

from ultralytics import YOLO

# En yeni, son teknoloji YOLO26 Nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde 50 epoch boyunca eğit
# optimizer="auto", uzun çalıştırmalarda (>10k iterasyon) MuSGD'yi, bunun gibi kısa çalıştırmalarda ise AdamW'yi seçer
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # GPU eğitimi için '0' kullan
)

# Örnek bir görüntü üzerinde çıkarım yap
# NMS'siz tasarım, temiz ve hızlı tahminler sağlar
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Tahminleri görüntüle
results[0].show()

# CPU dağıtımı için ONNX biçiminde sorunsuzca dışa aktar
export_path = model.export(format="onnx")

İdeal Kullanım Alanları#

Doğru modeli seçmek projenin başarısını belirler.

YOLO26'yı ne zaman seçmeli:

• Uç Bilişim ve Robotik: CPU'da %43 daha hızlı olması ve NMS gerektirmemesi, onu gömülü sistemler, mobil cihazlar ve otonom robotlar için açık ara en iyi seçenek hâline getiriyor.
• Hava ve Uydu Görüntüleri: ProgLoss + STAL uygulaması, YOLO26'ya karmaşık, yüksek çözünürlüklü arazilerdeki küçük nesneleri algılamada belirgin bir avantaj sağlıyor.
• Yeni Projeler: En yeni kararlı sürüm olan YOLO26, tüm görevlerde üstün çok yönlülük sunarak her yeni makine öğrenimi işlem hattı için önerilen modeldir.

YOLOv8'i ne zaman kullanmaya devam etmeli:

• Eski Altyapı: Mevcut üretim işlem hattın YOLOv8'in belirli çıktı tensörlerine ve NMS son işlemesine sıkı biçimde bağlıysa geçiş için küçük uyarlamalar gerekebilir.
• Akademik Temel Modeller: YOLOv8, eski mimarileri karşılaştıran akademik bilgisayarlı görü araştırmaları için çokça atıf alan ve kararlı bir temel model olmaya devam ediyor.

Sonuç olarak YOLOv8, gerçek zamanlı görü görevleri için olağanüstü bir standart oluşturmuş olsa da YOLO26 mümkün olanın sınırlarını yeniden belirliyor. CPU'larda büyük verimlilik kazanımlarını LLM'den ilham alan yenilikçi eğitim optimize edicileriyle birleştiren YOLO26, geliştiricilerin neredeyse her türlü donanım ortamında yüksek doğruluklu yapay zekâ dağıtabilmesini sağlıyor.