Ultralytics YOLO26#

Genel Bakış#

Ultralytics YOLO26, Ultralytics YOLO26 bildirisinde açıklanan gerçek zamanlı birleştirilmiş bir vizyon modelleri ailesidir. Yerel uçtan uca (end-to-end) çıkarım, daha hafif bir algılama kafası, güncellenmiş bir eğitim tarifi ve algılama, bölütleme, poz tahmini, sınıflandırma ve yönelimli algılama için göreve özel kafalar 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.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n model
results = model("path/to/bus.jpg")  # run inference

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 zamanı kafasına kaydırmak ve küçük nesneler için pozitif etiket kapsamını korumak amacıyla MuSGD (hibrit bir Muon + SGD iyileştiricisi), Progressive Loss ve STAL (Small-Target-Aware Label Assignment) yöntemlerini birleştirir. Yayınlanan denetim noktalarının arkasındaki tüm hiper parametreler YOLO26 Eğitim Tarifi kılavuzunda belgelenmiştir.
• 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.

Temel 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 İyileştirici Büyük dil modeli eğitimindeki optimizasyon fikirlerini bilgisayarlı görüye uyarlayarak SGD ile Muonu birleştiren hibrit bir iyileştirici.

• 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 Tahmini Daha doğru anahtar nokta yerelleştirmesi için Residual Log-Likelihood Estimation (RLE) entegre eder ve artırılmış çıkarım hızı için kod çözme sürecini optimize eder. Bildiri, COCO poz tahmininde YOLO11'e kıyasla +7.2 AP'ye kadar artış 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.

Desteklenen Görevler ve Modlar#

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

Bu birleşik çerçeve; eğitim, doğrulama, çıkarım ve dışa aktarma desteğiyle gerçek zamanlı tespit, örnek segmentasyonu, anlamsal segmentasyon, monoküler derinlik tahmini, sınıflandırma, poz tahmini ve yönelimli nesne tespiti konularını kapsar.

Performans Metrikleri#

Parametreler ve FLOP değerleri, Conv ve BatchNorm katmanlarını birleştiren ve yardımcı bire çok algılama kafasını kaldıran model.fuse() sonrasındaki birleştirilmiş model içindir. Önceden eğitilmiş denetim noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Kullanım Örnekleri#

Bu bölüm, basit YOLO26 eğitim ve çıkarım örnekleri sağlar. Bunlar ve diğer modlar hakkındaki eksiksiz belgeler için Predict, Train, Val ve Export belgelendirme sayfalarına bak.

Aşağıdaki örneğin nesne tespiti için YOLO26 Detect modellerine ait olduğunu unutma. Desteklenen diğer görevler için Segment, Semantic Segmentation, Depth, Classify, Pose ve OBB belgelerine göz at.

from ultralytics import YOLO

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

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

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

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

YOLOE-26: Açık Sözcüklü Tespit ve Segmentasyon#

YOLO26 ayrıca, eğitim zamanında öğrenilen sabit bir sınıf listesi yerine metin ipuçları, görsel ipuçları veya ipucu içermeyen mod üzerinden nesne kategorilerini algılayan ve bölütleyen açık sözlük dağarcığına sahip bir varyant olan YOLOE-26 modeline de güç verir. YOLOE-26, YOLO26'nın NMS gerektirmeyen, uçtan uca (e2e) tasarımını korur; böylece açık sözlüklü çıkarım, hedef kategorilerin zamanla değiştiği dinamik ortamlar için yeterince hızlı kalır. YOLOE-26x, metin ipucu altında LVIS minival üzerinde 40.6 AP, görsel ipucu altında 38.5 AP ve ipucu içermeyen Non-E2E ayarında 31.1 AP değerine ulaşır.

Ölçek başına performans tabloları, ipucu içermeyen varyantlar ve tam kullanım örnekleri için **YOLOE belgeleri**ne göz at.

Alıntılar ve Teşekkür#

YOLO26 mimarisinin, eğitim tarifinin, görev kafalarının ve YOLOE-26 açık sözlüklü uzantısının eksiksiz bir teknik açıklaması için Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models makalesini oku. YOLO26'yı araştırmanda kullanıyorsan lütfen alıntı yap:

@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 belgeleri Ultralytics GitHub deposu ve Ultralytics Docs üzerinde AGPL-3.0 ve Enterprise lisansları altında mevcuttur.

SSS#