YOLOv8 ve YOLO26#

Bilgisayarlı görü alanı son birkaç yılda dikkate 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 son teknoloji Ultralytics YOLO26 arasında ayrıntılı bir teknik karşılaştırma sunuyor. Dağıtımın için doğru modeli seçmene yardımcı olmak amacıyla mimarilerini, performans metriklerini ve ideal kullanım alanlarını analiz edeceğiz.

Model Genel Bakışları#

Hem YOLOv8 hem de YOLO26, YOLO model ailesinde önemli kilometre taşlarını temsil ediyor. Bu modeller, birleşik bir Python ortamı ve API aracılığıyla hızlı, doğru ve kullanımı son derece kolay modeller sunan temel Ultralytics felsefesini paylaşıyor.

YOLOv8: Çok Yönlü Standart#

2023'ün başlarında yayımlanan YOLOv8, YOLO çerçevesinde büyük bir yenilik sunarak anchorsız bir tasarım ve birden fazla bilgisayarlı görü görevine güçlü destek getirdi.

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

YOLOv8, mükemmel performans dengesi ve Ultralytics ekosistemine derin entegrasyonu sayesinde kısa sürede sektör standardı hâline geldi. Doğal olarak nesne algılama, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırmayı destekliyor. Ancak son işleme için standart Maksimum Olmayan Bastırma'ya (NMS) dayanıyor; bu da kaynakları son derece kısıtlı uç ortamlarda gecikme darboğazlarına yol açabiliyor.

YOLO26: Yeni Nesil Uç Sistem Gücü#

Ocak 2026'da yayımlanan YOLO26, önceki modellerinin temelini alıp özellikle uç yapay zekâ ve düşük güç tüketimli cihazlar olmak üzere modern dağıtım senaryoları için agresif 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 önemlisi, Uçtan Uca NMS'siz Tasarım özelliğine sahip olması. İlk olarak YOLOv10 tarafından öncülük edilen bu mimari, NMS son işlemesine duyulan ihtiyacı ortadan kaldırarak dışa aktarma işlem hatlarını önemli ölçüde basitleştiriyor ve gecikme değişkenliğini azaltıyor. Ayrıca Dağılımsal Odak Kayıbının (DFL) kaldırılması algılama başlığını sadeleştirerek uç yapay zekâ donanımında dağıtımı son derece kolaylaştırıyor.

Mimari ve Eğitim Yenilikleri#

YOLO26, YOLOv8'in temel performansını büyük ölçüde iyileştiren birçok arka plan geliştirmesi sunuyor.

MuSGD ile Optimize Edilmiş Eğitim#

Eğitim verimliliği, genellikle RT-DETR gibi hantal Transformer tabanlı mimarilere kıyasla çok daha düşük bellek gereksinimleriyle öne çıkan Ultralytics modellerinin ayırt edici özelliklerinden biri. YOLO26, MuSGD Optimize Edicisini kullanıma sunarak bunu daha da geliştiriyor. Büyük Dil Modeli (LLM) eğitim tekniklerinden, özellikle Moonshot AI'ın Kimi K2 modelinden esinlenen bu Stokastik Gradyan İnişi (SGD) ve Muon birleşimi, 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 özelliğini sunuyor. Bu geliştirilmiş kayıp işlevleri, küçük nesne tanımada kayda değer iyileştirmeler sağlıyor. Ayrıca YOLO26 genelinde göreve özgü iyileştirmeler getiriyor: segmentasyonda üstün maske üretimi için çok ölçekli proto, daha hassas poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamasında sınır sorunlarını çözmek için özelleştirilmiş açı kaybı.

Performans Analizi ve Karşılaştırması#

Aşağıdaki tablo, COCO veri kümesini kullanarak iki model arasındaki performans farklarını vurguluyor. Her boyut kategorisindeki en iyi performans gösteren değerler kalın olarak belirtilmiştir.

Metriklerin Analizi#

Veriler, nesiller arası büyük bir sıçramayı ortaya koyuyor. YOLO26, tüm metriklerde YOLOv8'den önemli ölçüde daha iyi performans gösteriyor. YOLO26 Nano (YOLO26n) modeli, daha az parametre ve FLOP kullanırken YOLOv8n'in 37,3 değerine kıyasla dikkat çekici bir 40,9 mAP elde ediyor.

En çarpıcı iyileştirmelerden biri CPU çıkarım hızı. Optimize edilmiş mimarisi ve DFL'nin kaldırılması sayesinde YOLO26, ONNX üzerinden %43'e kadar daha hızlı CPU çıkarımı sunuyor. Bu, YOLO26'yı Raspberry Pi ve kaynakları kısıtlı diğer uç cihazlar için eşsiz bir seçenek hâline getiriyor. 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 sağlıyor.

Kullanım Kolaylığı ve Ekosistem#

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

İster hiperparametre ayarlaması yapıyor, ister [deney takibi](https://ultralytics-translation-1.invalid yürütüyor), ister yeni veri kümelerini keşfediyor ol; Ultralytics belgeleri kapsamlı kaynaklar sunuyor. Ayrıca Ultralytics Platformu, bu modelleri sorunsuz bir şekilde bulutta veya yerel olarak açıklamak, eğitmek ve dağıtmak için kolaylaştırılmış bir yöntem sağlıyor.

Kod Örneği#

Eğitim ve çıkarıma başlamak son derece kolay. Aşağıda, Ultralytics Python API'sini kullanan, eksiksiz ve çalıştırılabilir bir örnek yer alıyor:

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 Alanları#

Doğru modeli seçmek projenin başarısını belirler.

YOLO26'yı ne zaman seçmelisin:

• Uç Bilişim ve Robotik: %43 daha hızlı CPU performansı ve NMS içermemesi, onu gömülü sistemler, mobil cihazlar ve otonom robotlar için kesinlikle en iyi seçenek hâline getiriyor.
• Hava ve Uydu Görüntüleri: ProgLoss + STAL uygulaması, YOLO26'ya karmaşık ve yüksek çözünürlüklü arazilerde 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 korumalısın:

• Eski Sistem Altyapısı: Mevcut üretim işlem hattın YOLOv8'in belirli çıktı tensörleri ve anchor mekanizmalarıyla sıkı biçimde bağlıysa geçiş küçük uyarlamalar gerektirebilir.
• Akademik Temel Modeller: YOLOv8, eski mimarileri karşılaştıran akademik bilgisayarlı görü araştırmaları için sıkça 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 olanları yeniden tanımlıyor. CPU'larda büyük verimlilik kazanımlarını LLM'den esinlenen yenilikçi eğitim optimize edicileriyle birleştiren YOLO26, geliştiricilerin neredeyse her donanım ortamında yüksek doğruluklu yapay zekâ dağıtabilmesini sağlıyor.