Link to this sectionUltralytics YOLO26#

Link to this sectionGenel Bakış#

Ultralytics YOLO26, Ultralytics YOLO26 makalesinde açıklanan birleşik bir gerçek zamanlı vizyon modelleri ailesidir. Yerel uçtan uca çıkarım, daha hafif bir tespit başlığı, güncellenmiş bir eğitim tarifi ve tespit, segmentasyon, poz kestirimi, sınıflandırma ve yönelimli tespit için görev spesifik başlıklar sunar.

Beş tespit ölçeği boyunca YOLO26, 1.7-11.8 ms T4 TensorRT gecikme süresinde COCO üzerinde 40.9-57.5 mAP değerine ulaşır. Makale ayrıca, bir Intel Xeon CPU @ 2.00 GHz üzerinde YOLO11n'e kıyasla YOLO26n için %43'e varan daha hızlı CPU ONNX çıkarımı bildirmektedir.

YOLO26 model ailesi dört tasarım alanı etrafında inşa edilmiştir:

• Yerel uçtan uca çıkarım: Varsayılan birebir tespit başlığı, NMS olmadan tahminler üretir, dağıtımı basitleştirir ve işlem sonrasını azaltır.
• Daha hafif kutu regresyonu: YOLO26, Distribution Focal Loss (DFL) özelliğini kaldırarak, kısıtlanmamış bir regresyon aralığını korurken tespit başlığı karmaşıklığını azaltır.
• Eğitim tarifi güncellemeleri: Eğitim hattı; optimizasyonu iyileştirmek, denetimi çıkarım anındaki başlığa kaydırmak ve küçük nesneler için pozitif etiket kapsamını korumak amacıyla MuSGD, Progressive Loss ve STAL'ı birleştirir.
• Görev spesifik başlıklar ve kayıplar: YOLO26, görevler arasında tek bir model hattını korurken örnek segmentasyonu, anlamsal segmentasyon varyantları, poz kestirimi ve yönelimli tespit için hedeflenmiş tasarımlar ekler.

Bu güncellemeler birlikte, model ölçekleri ve dağıtım hedefleri genelinde doğruluk-gecikme dengesini iyileştirir.

Link to this sectionTemel Özellikler#

• DFL-Free Regresyonu YOLO26, Distribution Focal Loss (DFL) özelliğini kaldırarak tespit başlığı karmaşıklığını azaltır ve dışa aktarımı basitleştirir.

• Uçtan Uca NMS-Free Çıkarım NMS'ye ayrı bir işlem sonrası adımı olarak güvenen geleneksel dedektörlerin aksine, YOLO26 varsayılan olarak yerel olarak uçtan uca çalışır. Tahminler doğrudan üretilir, bu da gecikmeyi azaltır ve üretim entegrasyonunu daha basit hale getirir.

• Progressive Loss + STAL Progressive Loss, eğitim odağını çıkarım anındaki başlığa kaydırırken, STAL küçük nesneler için pozitif etiket kapsamını iyileştirir.

• MuSGD Optimize Edici SGD ile Muon'u birleştiren hibrit bir optimize edicidir ve büyük dil modeli eğitimindeki optimizasyon fikirlerini bilgisayarlı görüye uyarlar.

• Verimli Dağıtım Basitleştirilmiş başlık ve NMS'siz varsayılan yol, makalenin YOLO26n ve YOLO11n için bildirdiği CPU ONNX hızlanması da dahil olmak üzere, tüm dışa aktarım hedefleri ve donanım profilleri genelinde çıkarım yükünü azaltır.

• Örnek Segmentasyonu İyileştirmeleri Model yakınsamasını iyileştirmek için anlamsal segmentasyon kaybı ve üstün maske kalitesi için çok ölçekli bilgiden yararlanan yükseltilmiş bir proto modülü sunar. Makale, COCO örnek segmentasyonunda YOLO11'e göre +2.5 kutu AP ve +3.7 maske AP değerine kadar kazanımlar bildirmektedir.

• Hassas Poz Kestirimi Daha doğru anahtar nokta yerelleştirmesi için Residual Log-Likelihood Estimation (RLE) entegre eder ve artan çıkarım hızı için kod çözme sürecini optimize eder. Makale, COCO poz kestiriminde YOLO11'e göre +7.2 AP'ye kadar iyileşme bildirmektedir.

• Geliştirilmiş OBB Kod Çözme Kare şeklindeki nesneler için tespit doğruluğunu iyileştirmek amacıyla özel bir açı kaybı sunar ve sınır süreksizliği sorunlarını çözmek için OBB kod çözmeyi optimize eder. Makale, DOTA-v1.0 yönelimli tespitte YOLO11'e göre +3.4 mAP'ye kadar iyileşme bildirmektedir.

Link to this sectionDesteklenen Görevler ve Modlar#

YOLO26, beş model ölçeği genelinde standart Ultralytics görev setini destekler:

Bu birleşik çerçeve; eğitim, doğrulama, çıkarım ve dışa aktarım desteği ile gerçek zamanlı tespit, örnek segmentasyonu, anlamsal segmentasyon, sınıflandırma, poz kestirimi ve yönelimli nesne tespitini kapsar.

Link to this sectionPerformans Metrikleri#

Params ve FLOPs değerleri, model.fuse() ile Conv ve BatchNorm katmanlarını birleştiren ve yardımcı bire-çok tespit başlığını kaldıran fuse edilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Link to this sectionKullanım Örnekleri#

Bu bölüm basit YOLO26 eğitim ve çıkarım örnekleri sunar. Bunlar ve diğer modlar hakkında tam dokümantasyon için Predict, Train, Val ve Export doküman sayfalarına bakabilirsin.

Note that the example below is for YOLO26 Detect models for object detection. For additional supported tasks, see the Segment, Semantic Segmentation, Classify, OBB, and Pose docs.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

Link to this sectionYOLOE-26: Açık Sözcüklü Tespit ve Segmentasyon#

YOLOE-26, YOLOE serisinin açık sözcüklü (open-vocabulary) yeteneklerini YOLO26 ile genişletir. Metin istemleri (text prompts), görsel istemler (visual prompts) veya istemsiz mod (prompt-free mode) kullanarak açık set nesne kategorilerinin gerçek zamanlı tespitini ve segmentasyonunu sağlar.

YOLO26'nın NMS içermeyen, uçtan uca tasarımı sayesinde YOLOE-26, hedef kategorilerin zamanla değişebildiği dinamik ortamlar için açık sözcüklü çıkarımı yeterince hızlı tutar. YOLOE-26x, metin istemi altında LVIS minival üzerinde 40.6 AP, görsel istem altında 38.5 AP ve istem içermeyen Non-E2E ayarında 31.1 AP değerine ulaşır.

Link to this sectionKullanım Örneği#

YOLOE-26, hem metin tabanlı hem de görsel istemleri destekler. İstemleri kullanmak oldukça kolaydır; sadece aşağıda gösterildiği gibi predict yöntemi üzerinden iletmen yeterli:

from ultralytics import YOLO

# Initialize model
model = YOLO("yoloe-26l-seg.pt")  # or select yoloe-26s/m-seg.pt for different sizes

# Set text prompt to detect person and bus. You only need to do this once after you load the model.
model.set_classes(["person", "bus"])

# Run detection on the given image
results = model.predict("path/to/image.jpg")

# Show results
results[0].show()

İstem teknikleri ve tam kullanım örnekleri için YOLOE Dokümantasyonunu ziyaret et.

Link to this sectionAlıntılar ve Teşekkür#

YOLO26 mimarisi, eğitim tarifi, görev başlıkları ve YOLOE-26 açık kelime dağarcığı genişletmesi hakkında eksiksiz bir teknik açıklama için Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models makalesini oku. Eğer YOLO26'yı araştırmanda kullanırsan lütfen şu şekilde atıfta bulun:

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

YOLO26 kodu, modelleri ve dokümantasyonu Ultralytics GitHub deposunda ve Ultralytics Dokümanlarında, AGPL-3.0 ve Enterprise lisansları altında mevcuttur.

Link to this sectionSSS#

Link to this sectionYOLO26'daki temel iyileştirmeler nelerdir?#

• DFL-free regresyon: Tespit başlığını ve dışa aktarma yolunu basitleştirir
• Uçtan uca NMS-free çıkarım: Varsayılan çıkarım yolundan NMS'i kaldırır
• Progressive Loss + STAL: Eğitim hizalamasını ve küçük nesne etiketi kapsamını iyileştirir
• MuSGD optimize edici: Kararlı eğitim için SGD'yi Muon tabanlı optimizasyon ile birleştirir
• Göreve özel başlıklar ve kayıplar: Segmentasyon, poz ve yönelimli tespit desteğini iyileştirir

Link to this sectionYOLO26 hangi görevleri destekler?#

YOLO26, birden fazla bilgisayarlı görü görevi için uçtan uca destek sağlayan birleşik bir model ailesidir:

• Nesne Tespiti
• Örnek Segmentasyonu
• Anlamsal Segmentasyon
• Görüntü Sınıflandırma
• Poz Tahmini
• Yönelimli Nesne Tespiti (OBB)

Her boyut varyantı (n, s, m, l, x) tüm görevleri ve ayrıca YOLOE-26 aracılığıyla açık kelime dağarcıklı sürümleri destekler.

Link to this sectionYOLO26 dağıtım için neden verimlidir?#

YOLO26 dağıtım verimliliğini şunlarla artırır:

• Varsayılan olarak NMS içermeyen yerel uçtan uca çıkarım
• DFL içermeyen regresyon ve daha hafif bir tespit başlığı
• Yalnızca eğitime özgü yardımcı bileşenleri kaldıran birleştirilmiş model dışa aktarımı
• 2.00 GHz Intel Xeon CPU üzerinde YOLO11n'e kıyasla YOLO26n için %43'e kadar daha hızlı CPU ONNX çıkarımı
• TensorRT, ONNX, CoreML, TFLite ve OpenVINO dahil olmak üzere esnek dışa aktarma formatları

Link to this sectionYOLO26 ile nasıl çalışmaya başlayabilirim?#

YOLO26 modelleri ultralytics paketi aracılığıyla indirilebilir. Paketi kur veya güncelle ve bir model yükle:

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

Eğitim, doğrulama ve dışa aktarma talimatları için Kullanım Örnekleri bölümüne bak.