YOLOv8 ve YOLO26
Bilgisayarlı görü alanı son birkaç yılda hızla ilerledi. Gerçek zamanlı uygulamalar için en popüler mimariler arasında Ultralytics tarafından geliştirilen modeller bulunuyor. Bu kılavuz, Ultralytics YOLOv8 ile en yeni Ultralytics YOLO26 modellerini teknik açıdan karşılaştırıyor; mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını ele alarak dağıtımın için doğru modeli seçmene yardımcı oluyor.
Modellere Genel Bakış#
Hem YOLOv8 hem de YOLO26, YOLO model ailesi için önemli kilometre taşlarıdır. Birleşik bir Python API'si aracılığıyla hızlı, doğru ve kullanımı kolay modeller sunan temel Ultralytics felsefesini paylaşırlar.
YOLOv8: Çok Yönlü Standart#
2023'ün başlarında yayımlanan YOLOv8, YOLO çerçevesinde büyük bir yenilik getirerek çapasız 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, performans ve kullanım dengesi ve Ultralytics ekosistemiyle derin entegrasyonu sayesinde hızla yaygınlaştı. Yerel olarak nesne algılamayı, örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler. Ancak son işleme için standart Maksimum Olmayan Bastırma (NMS) yöntemine dayanır; bu da kaynakların çok kısıtlı olduğu uç ortamlarda gecikme darboğazlarına yol açabilir.
YOLO26: Yeni Nesil Uç Yapay Zekâ#
Ocak 2026'da yayımlanan YOLO26, önceki modellerinin üzerine inşa edilir ve onları modern dağıtım senaryoları, özellikle uç yapay zekâ ve düşük güç tüketen cihazlar için optimize eder.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: Ultralytics Deposu
- Belgeler: YOLO26 Belgeleri
YOLO26 çeşitli teknik iyileştirmeler sunar. En önemlisi, YOLO modellerine YOLOv10 tarafından kazandırılan Uçtan Uca NMS İçermeyen Tasarımı içerir. Bu mimari, NMS son işleme ihtiyacını ortadan kaldırarak dışa aktarma işlem hatlarını basitleştirir ve gecikme değişkenliğini azaltır. Dağılımsal Odak Kaybı'nın (DFL) kaldırılması da tespit başlığını sadeleştirerek uç yapay zekâ donanımına dağıtımı kolaylaştırır.
Mimari ve Eğitim Yenilikleri#
YOLO26, YOLOv8'in temel modelini geliştiren birçok arka plan iyileştirmesi sunar.
MuSGD ile Optimize Edilmiş Eğitim#
Ultralytics modelleri verimli eğitimleriyle bilinir ve genellikle RT-DETR gibi Transformer tabanlı mimarilere kıyasla daha az bellek gerektirir. YOLO26, MuSGD Optimize Edici ile bunu daha da ileri taşır. 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 daha istikrarlı eğitim sağlar.
Kayıp ve Etiket Ataması#
Drone görüntüleri veya IoT sensörleri gibi yüksek doğruluk gerektiren görevlerde YOLO26, ProgLoss + STAL özelliklerini sunar. Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), küçük nesne algılamayı iyileştirir. Ayrıca YOLO26, görev odaklı iyileştirmeler de sunar: segmentasyonda üstün maske üretimi için çok ölçekli bir proto, daha hassas poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasında sınır sorunlarını çözmek için özel bir açı kaybı.
Performans Analizi ve Karşılaştırma#
Aşağıdaki tablo, COCO veri kümesini kullanarak iki model arasındaki performans farklarını gösterir. Her boyut kategorisinde en iyi performans gösteren değerler kalın olarak vurgulanmıştır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Ölçütlerin Analizi#
Veriler nesiller arası bir iyileşme olduğunu gösteriyor: YOLO26, neredeyse tüm ölçütlerde YOLOv8'den daha iyi performans gösteriyor. YOLO26 Nano (YOLO26n) modeli, daha az parametre ve FLOP kullanırken YOLOv8n'in 37,3 değerini aşarak 40,9 mAP elde ediyor.
En büyük iyileşmelerden biri CPU çıkarım hızıdır. Sadeleştirilmiş mimarisi ve DFL'nin kaldırılması sayesinde YOLO26n, CPU üzerinde ONNX çıkarımında YOLOv8n'in 80,4 ms süresine karşılık 38,9 ms'de çalışır; YOLO26 makalesi ayrıca YOLO11n'e kıyasla %43'e kadar daha hızlı CPU çıkarımı bildirmektedir. Bu özellik YOLO26'yı Raspberry Pi ve diğer düşük kaynaklı uç cihazlar için uygun kılar. TensorRT kullanan GPU hızları her iki modelde de rekabetçi olsa da YOLO26'nın parametre verimliliği, eğitim ve çıkarım sırasında bellek kullanımını da azaltabilir.
Kullanım Kolaylığı ve Ekosistem#
Her iki model de iyi bakımı yapılan Ultralytics ekosisteminden yararlanır. Birleşik API, geliştiricilerin model adı dizgesini değiştirerek YOLOv8 ve YOLO26 arasında geçiş yapmasına olanak tanır.
İster hiperparametre ayarlaması yapıyor, ister deneyleri takip ediyor, ister yeni veri kümelerini keşfediyor ol, Ultralytics belgeleri kapsamlı kaynaklar sunar. Ayrıca Ultralytics Platform, verileri etiketlemek, modelleri eğitmek ve bulutta ya da yerel ortamda dağıtmak için kolaylaştırılmış bir yöntem sunar.
Kod Örneği#
Aşağıda Ultralytics Python API'sini kullanarak eğitim, çıkarım ve dışa aktarma işlemlerini gerçekleştiren, eksiksiz ve çalıştırılabilir bir örnek yer alıyor:
from ultralytics import YOLO
# En yeni 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'e dışa aktar
export_path = model.export(format="onnx")İdeal Kullanım Alanları#
Doğru seçim, dağıtım hedefin ve mevcut altyapına bağlıdır.
YOLO26'yı ne zaman seçmeli:
- Uç Bilişim ve Robotik: Daha hızlı CPU çıkarımı ve NMS'siz tasarımı, onu gömülü sistemler, mobil cihazlar ve otonom robotlar için güçlü bir seçenek hâline getirir.
- Hava ve Uydu Görüntüleri: ProgLoss + STAL, YOLO26'ya karmaşık ve yüksek çözünürlüklü sahnelerdeki küçük nesneleri algılamada avantaj sağlar.
- Yeni Projeler: En yeni kararlı sürüm olan YOLO26, anlamsal segmentasyon ve derinlik tahmini ekleyerek daha geniş görev kapsamı sunmasıyla, tüm yeni makine öğrenimi işlem hatları 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 güçlü bir standart belirledi ve YOLO26 bu standardı ileri taşıyor. CPU verimliliğindeki büyük kazanımlar, NMS'siz dağıtım ve LLM'den ilham alan eğitim optimizasyonuyla YOLO26, farklı donanımlarda doğru modeller dağıtmayı pratik hâle getiriyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.