Ultralytics YOLO26

Genel Bakış

Ultralytics YOLO26, uç ve düşük güç tüketen cihazlar için sıfırdan tasarlanmış, gerçek zamanlı nesne tespiti yapan YOLO serisinin en son evrimidir. Daha hızlı, daha hafif ve daha erişilebilir dağıtım sağlamak amacıyla gereksiz karmaşıklığı ortadan kaldıran ve hedeflenmiş yenilikleri entegre eden modern bir tasarım sunar.

YOLO26'nın mimarisi üç temel prensibe dayanır:

• Basitlik: YOLO26, doğal bir uçtan uca modeldir ve non-maximum suppression (NMS) işlemine ihtiyaç duymadan doğrudan tahminler üretir. Bu sonradan işleme adımını ortadan kaldırarak, çıkarımı hızlandırır, hafifletir ve gerçek dünya sistemlerinde dağıtımı kolaylaştırır. Bu çığır açıcı yaklaşım, ilk olarak Tsinghua Üniversitesi'nden Ao Wang tarafından YOLOv10 içinde öncülük edilmiş ve YOLO26 ile daha da ileri taşınmıştır.
• Dağıtım Verimliliği: Uçtan uca tasarım, iş akışının tüm bir aşamasını ortadan kaldırarak entegrasyonu ciddi oranda basitleştirir, gecikmeyi azaltır ve farklı ortamlarda dağıtımı çok daha sağlam hale getirir.
• Eğitim İnovasyonu: YOLO26, SGD ve Muon hibriti olan MuSGD optimize edicisini tanıtır; bu, Moonshot AI'nın LLM eğitimindeki Kimi K2 başarılarından esinlenmiştir. Bu optimize edici, dil modellerindeki optimizasyon gelişmelerini bilgisayarlı görüye aktararak daha fazla kararlılık ve daha hızlı yakınsama sağlar.
• Göreve Özel Optimizasyonlar: YOLO26, Segmentasyon için anlamsal segmentasyon kaybı ve çok ölçekli proto modülleri, yüksek hassasiyetli Poz tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB içindeki sınır sorunlarını çözmek için açı kaybı ile optimize edilmiş kod çözme dahil olmak üzere özel görevler için hedeflenmiş iyileştirmeler sunar.

Bu yenilikler bir araya geldiğinde, küçük nesnelerde daha yüksek doğruluk elde eden, sorunsuz dağıtım sağlayan ve CPU üzerinde %43'e kadar daha hızlı çalışan bir model ailesi sunar; bu da YOLO26'yı kaynak kısıtlı ortamlar için bugüne kadarki en pratik ve dağıtılabilir YOLO modellerinden biri yapar.

Temel Özellikler

• DFL Kaldırıldı
  Distribution Focal Loss (DFL) modülü etkili olsa da, genellikle dışa aktarmayı zorlaştırıyor ve donanım uyumluluğunu sınırlıyordu. YOLO26, DFL'yi tamamen kaldırarak çıkarımı basitleştirir ve uç ve düşük güç tüketen cihazlar için desteği genişletir.

• Uçtan Uca NMS-İçermeyen Çıkarım
  NMS'yi ayrı bir son işlem adımı olarak kullanan geleneksel dedektörlerin aksine, YOLO26 doğal olarak uçtan ucadır. Tahminler doğrudan üretilir, bu da gecikmeyi azaltır ve üretim sistemlerine entegrasyonu daha hızlı, hafif ve güvenilir kılar.

• ProgLoss + STAL
  İyileştirilmiş kayıp fonksiyonları, IoT, robotik, hava görüntüleme ve diğer uç uygulamalar için kritik bir gereksinim olan küçük nesne tanıma konusunda belirgin gelişmelerle tespit doğruluğunu artırır.

• MuSGD Optimize Edici
  SGD ile Muon yöntemini birleştiren yeni bir hibrit optimize edici. Moonshot AI'nın Kimi K2 çalışmasından esinlenen MuSGD, LLM eğitimindeki gelişmiş optimizasyon yöntemlerini bilgisayarlı görüye taşıyarak daha kararlı eğitim ve daha hızlı yakınsama sağlar.

• CPU Üzerinde %43'e Kadar Daha Hızlı Çıkarım
  Uç bilişim için özel olarak optimize edilen YOLO26, GPU olmayan cihazlarda bile gerçek zamanlı performans sağlayarak çok daha hızlı CPU çıkarımı sunar.

• Örnek Segmentasyon İyileştirmeleri
  Model yakınsamasını iyileştirmek için anlamsal segmentasyon kaybı ve üstün maske kalitesi için çok ölçekli bilgiden yararlanan yükseltilmiş bir proto modülü sunar.

• Hassas Poz Tahmini
  Daha doğru anahtar nokta yerelleştirmesi için Residual Log-Likelihood Estimation (RLE) entegre eder ve daha yüksek çıkarım hızı için kod çözme sürecini optimize eder.

• İyileştirilmiş OBB Kod Çözme
  Kare şeklindeki nesneler için tespit doğruluğunu artırmak amacıyla özel bir açı kaybı tanıtır ve sınır süreksizliği sorunlarını çözmek için OBB kod çözmeyi optimize eder.

Desteklenen Görevler ve Modlar

YOLO26, önceki Ultralytics YOLO sürümleri tarafından oluşturulan çok yönlü model yelpazesini temel alarak çeşitli bilgisayarlı görü görevlerinde gelişmiş destek sunar:

Bu birleşik çerçeve, YOLO26'nın gerçek zamanlı tespit, örnek segmentasyonu, anlamsal segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş nesne tespiti boyunca uygulanabilir olmasını sağlar; üstelik tüm bunlar eğitim, doğrulama, çıkarım ve dışa aktarma desteğiyle gelir.

Performans Metrikleri

Params ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve yardımcı çoktan çoğa tespit başlığını kaldıran model.fuse() sonrası birleştirilmiş model içindir. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Kullanım Örnekleri

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

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

YOLOE-26: Açık Kelime Dağarcıklı Örnek Bölümleme

YOLOE-26, yüksek performanslı YOLO26 mimarisini YOLOE serisinin açık kelime dağarcıklı yetenekleriyle birleştirir. Sabit kategorili eğitimin kısıtlamalarını etkin bir şekilde kaldırarak metin istemleri, görsel istemler veya sıfır örnekli (zero-shot) çıkarım için istem içermeyen mod kullanarak herhangi bir nesne sınıfının gerçek zamanlı tespitini ve bölümlemesini sağlar.

YOLO26'nın NMS içermeyen, uçtan uca tasarımı sayesinde YOLOE-26, hızlı açık dünya çıkarımı sunar. Bu, ilgi çekici nesnelerin geniş ve evrimleşen bir kelime dağarcığını temsil ettiği dinamik ortamlardaki uç uygulamalar için onu güçlü bir çözüm haline getirir.

Kullanım Örneği

YOLOE-26, hem metin tabanlı hem de görsel istemleri destekler. İstemleri kullanmak basittir; aşağıda gösterildiği gibi bunları predict metodu 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, sıfırdan eğitim ve tam kullanım örnekleri hakkında derinlemesine bilgi almak için YOLOE Dokümantasyonu sayfasını ziyaret et.

Alıntılar ve Teşekkür

Çalışmanda YOLO26 veya diğer Ultralytics yazılımlarını kullanıyorsan, lütfen şu şekilde atıfta bulun:

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2026},
  url = {https://github.com/ultralytics/ultralytics},
  orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
  license = {AGPL-3.0}
}

DOI bekleniyor. YOLO26, AGPL-3.0 ve Kurumsal lisansları altında mevcuttur.

SSS

YOLO26'nın YOLO11'e kıyasla temel iyileştirmeleri nelerdir?

• DFL Kaldırma: Dışa aktarmayı basitleştirir ve uç cihaz uyumluluğunu genişletir
• Uçtan Uca NMS'siz Çıkarım: Daha hızlı ve daha basit bir dağıtım için NMS'yi ortadan kaldırır
• ProgLoss + STAL: Özellikle küçük nesnelerde doğruluğu artırır
• MuSGD Optimize Edici: Daha kararlı ve verimli eğitim için SGD ve Muon'u (Moonshot'un Kimi K2'sinden esinlenilmiştir) birleştirir
• %43'e kadar daha hızlı CPU çıkarımı: Sadece CPU kullanan cihazlar için büyük performans kazanımları

YOLO26 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), YOLOE-26 aracılığıyla açık sözlüklü sürümler dahil olmak üzere tüm görevleri destekler.

YOLO26 neden uç cihaz dağıtımı için optimize edilmiştir?

YOLO26, şunlarla en gelişmiş uç cihaz performansını sunar:

• %43'e kadar daha hızlı CPU çıkarımı
• Daha küçük model boyutu ve bellek kullanımı
• Uyumluluk için basitleştirilmiş mimari (DFL yok, NMS yok)
• TensorRT, ONNX, CoreML, TFLite ve OpenVINO dahil olmak üzere esnek dışa aktarma formatları

YOLO26 ile nasıl çalışmaya başlayabilirim?

YOLO26 modelleri 14 Ocak 2026'da yayınlandı ve indirilebilir durumda. ultralytics paketini 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 Usage Examples bölümüne göz at.