YOLOv8 ve YOLO26#

Bilgisayarlı görü alanı son birkaç yılda dikkate değer gelişmeler kaydetti. Gerçek zamanlı uygulamalar için en popüler mimariler arasında Ultralytics tarafından geliştirilen modeller yer almaktadır. Bu kapsamlı kılavuz, çığır açan Ultralytics YOLOv8 ile en son son teknoloji Ultralytics YOLO26 arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Dağıtımınız için doğru modeli seçmenize yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal kullanım durumlarını analiz edeceğiz.

Model Genel Bakışları#

Hem YOLOv8 hem de YOLO26, YOLO family of models içinde önemli dönüm noktalarını temsil eder. Birleşik bir Python environment ve API aracılığıyla hızlı, doğru ve inanılmaz derecede kullanımı kolay modeller sağlama konusundaki temel Ultralytics felsefesini paylaşırlar.

YOLOv8: 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 Repository
• Dokümantasyon: YOLOv8 Documentation

YOLOv8, mükemmel performans dengesi ve Ultralytics ecosystem içine derin entegrasyonu sayesinde hızla endüstri standardı haline geldi. object detection, instance segmentation, pose estimation ve image classification işlemlerini yerel olarak destekler. Bununla birlikte, son işlem için yüksek düzeyde kısıtlanmış uç ortamlarda gecikme darboğazları oluşturabilen standart Non-Maximum Suppression (NMS) yöntemine dayanır.

YOLOv8 hakkında daha fazla bilgi edinin

YOLO26: 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 Repository
• Dokümanlar: YOLO26 Documentation

YOLO26, paradigma değiştiren çeşitli teknik iyileştirmeler sunar. En dikkat çekici olanı, End-to-End NMS-Free Design özelliğine sahip olmasıdır. İlk olarak YOLOv10 tarafından öncülük edilen bu mimari, NMS son işleme ihtiyacını ortadan kaldırarak dışa aktarma hatlarını önemli ölçüde basitleştirir ve gecikme varyansını azaltır. Dahası, Distribution Focal Loss (DFL) kaldırılması tespit başlığını kolaylaştırarak uç yapay zeka donanımında dağıtım için son derece uygun hale getirir.

YOLO26 hakkında daha fazla bilgi edin

Mimari ve Eğitim Yenilikleri#

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

MuSGD ile Optimize Edilmiş Eğitim#

Eğitim verimliliği, RT-DETR gibi hantal transformatör tabanlı mimirilere kıyasla genellikle çok daha düşük bellek gereksinimlerine sahip olan Ultralytics modellerinin bir özelliğidir. YOLO26, MuSGD Optimizer tanıtımıyla bunu daha da geliştirir. Büyük Dil Modeli (LLM) eğitim tekniklerinden (özellikle Moonshot AI'ın Kimi K2'si) ilham alan bu Stochastic Gradient Descent (SGD) ve Muon melezi, daha hızlı yakınsama ve karmaşık veri kümeleri arasında son derece kararlı eğitim dinamikleri sağlar.

Gelişmiş Kayıp Fonksiyonları#

drone imagery veya IoT sensörleri gibi yüksek hassasiyet gerektiren görevler için YOLO26, ProgLoss + STAL sunar. Bu geliştirilmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlar. Ek olarak YOLO26, segmentasyonda üstün maske oluşturma için çok ölçekli bir proto, daha hassas poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Box (OBB) tespitindeki sınır sorunlarını çözmek için özel açı kaybı gibi genel anlamda görev odaklı iyileştirmeler getirir.

Performans Analizi ve Karşılaştırma#

COCO dataset kullanılarak iki model arasındaki performans farklarını gösteren tablo aşağıdadır. Her boyut kategorisinde en iyi performans gösteren değerler kalın olarak vurgulanmıştır.

Metrikleri 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 çarpıcı iyileştirmelerden biri CPU çıkarım hızıdır. Optimize edilmiş mimarisi ve DFL'nin kaldırılması nedeniyle YOLO26, ONNX aracılığıyla %43'e kadar daha hızlı CPU çıkarımı sunar. Bu, YOLO26'yı Raspberry Pi ve diğer düşük kaynaklı uç cihazlar için benzersiz 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 ayak izleri anlamına gelir.

Kullanım Kolaylığı ve Ekosistem#

Her iki model de bakımlı Ultralytics ecosystem sayesinde büyük ölçüde fayda sağlar. Geliştiriciler, yalnızca model adı dizesini değiştirerek YOLOv8 ve YOLOv8 arasında geçiş yapılmasına olanak tanıyan birleşik API tarafından sağlanan kullanım kolaylığını övmektedir.

İster hyperparameter tuning gerçekleştiriyor, ister experiment tracking yürütüyor, ister yeni datasets keşfediyor olun, Ultralytics belgeleri kapsamlı kaynaklar sunar. Ayrıca Ultralytics Platform bu modelleri buluta veya yerel olarak sorunsuz bir şekilde etiketlemek, eğitmek ve dağıtmak için kolaylaştırılmış bir yol sunar.

Kod 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")

İdeal 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 sunan, herhangi bir yeni machine learning boru 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.