Ultralytics YOLO26#

Genel Bakış#

Ultralytics YOLO26, Ultralytics YOLO26 makalesinde açıklanan, gerçek zamanlı görme modellerinden oluşan birleşik bir ailedir. Yerel uçtan uca çıkarım, daha hafif bir algılama başlığı, güncellenmiş bir eğitim tarifi ve algılama, segmentasyon, poz tahmini, sınıflandırma ve yönelimli algılama için göreve özgü başlıklar sunar.

YOLO26, beş algılama ölçeğinde COCO'da 40.9-57.5 mAP değerlerine ve 1.7-11.8 ms T4 TensorRT gecikmesine ulaşır. Makalede ayrıca YOLO26n'nin, Intel Xeon CPU @ 2.00 GHz üzerinde YOLO11n'ye kıyasla CPU'da ONNX çıkarımını %43'e kadar daha hızlı gerçekleştirdiği bildiriliyor.

Planlanan mimari, görevler ve ilk kıyaslama sonuçları için yayımlanmamış YOLO27 önizlemesine bak.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # önceden eğitilmiş bir YOLO26n modeli yükle
results = model("path/to/bus.jpg")  # çıkarım çalıştır

YOLO26 model ailesi dört tasarım alanı temel alınarak oluşturulmuştur:

• Yerel uçtan uca çıkarım: İsteğe bağlı bire-bir algılama başlığı, maksimum olmayan bastırma (NMS) kullanmadan tahminler üreterek dağıtımı basitleştirir ve son işlem yükünü azaltır.
• Daha hafif kutu regresyonu: YOLO26, Dağılımsal Odak Kaybı'nı (DFL) kaldırarak kısıtlanmamış regresyon aralığını korurken algılama başlığının karmaşıklığını azaltır.
• Eğitim tarifi güncellemeleri: Eğitim işlem hattı, optimizasyonu iyileştirmek, denetimi çıkarım zamanındaki başlığa kaydırmak ve küçük nesneler için pozitif etiket kapsamını korumak üzere MuSGD (Muon + SGD hibrit iyileştiricisi), Aşamalı Kayıp ve STAL'ı (Küçük Nesne Farkındalıklı Etiket Ataması) bir araya getirir. Yayımlanan kontrol noktalarının tüm hiperparametreleri YOLO26 Eğitim Tarifi kılavuzunda belgelenmiştir.
• Göreve özgü başlıklar ve kayıplar: YOLO26, görevler arasında tek bir model işlem hattını korurken örnek segmentasyonu, anlamsal segmentasyon türleri, poz tahmini ve yönelimli algılama için özel tasarımlar sunar.

Bu güncellemeler bir araya gelerek farklı model ölçeklerinde ve dağıtım hedeflerinde doğruluk-gecikme dengesini iyileştirir.

Temel Özellikler#

• DFL'siz Regresyon YOLO26, Dağılımsal Odak Kaybı'nı (DFL) kaldırarak algılama başlığının karmaşıklığını azaltır ve dışa aktarmayı basitleştirir.

• Uçtan Uca, NMS Gerektirmeyen Çıkarım YOLO26, nms=False ile yerel uçtan uca çıkarımı destekleyerek ayrı bir NMS aşamasına gerek kalmadan tahminler üretir. Varsayılan bire-çok yolu, doğruluk için NMS kullanır.

• Aşamalı Kayıp + STAL Aşamalı Kayıp, eğitim odağını çıkarım zamanındaki başlığa kaydırırken STAL, küçük nesneler için pozitif etiket kapsamını iyileştirir.

• MuSGD Optimizatörü Büyük dil modeli eğitimindeki optimizasyon fikirlerini bilgisayarlı görüye uyarlayan, SGD ile Muon'u birleştiren hibrit bir optimizatör.

• Verimli Dağıtım Basitleştirilmiş başlık ve isteğe bağlı NMS'siz yol, YOLO26n'nin YOLO11n'ye kıyasla makalede bildirilen CPU ONNX hız artışı da dahil olmak üzere, dışa aktarma 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 bilgilerden yararlanan, geliştirilmiş bir proto modülü sunar. Makalede, COCO örnek segmentasyonunda YOLO11'e kıyasla kutu AP'de +2.5'e ve maske AP'de +3.7'ye varan artışlar bildiriliyor.

• Hassas Poz Tahmini Daha doğru anahtar nokta konumlandırması için Artık Log-Olabilirlik Tahmini (RLE) kullanır ve çıkarım hızını artırmak için kod çözme sürecini optimize eder. Makalede, COCO poz tahmininde YOLO11'e kıyasla +7.2 AP'ye varan artış bildiriliyor.

• Geliştirilmiş OBB Kod Çözme Kare biçimli nesnelerin algılama doğruluğunu iyileştirmek için özel bir açı kaybı sunar ve sınır süreksizliği sorunlarını çözmek için OBB kod çözmeyi optimize eder. Makalede, DOTA-v1.0 yönelimli algılamada YOLO11'e kıyasla +3.4 mAP'ye varan artış bildiriliyor.

Desteklenen Görevler ve Modlar#

YOLO26, beş model ölçeğinde standart Ultralytics görev kümesini destekler:

Bu birleşik çerçeve; eğitim, doğrulama, çıkarım ve dışa aktarma desteğiyle gerçek zamanlı algılama, örnek segmentasyonu, anlamsal segmentasyon, tek görüntülü derinlik tahmini, sınıflandırma, poz tahmini ve yönelimli nesne algılamayı kapsar.

Performans Metrikleri#

Parametre ve FLOPs değerleri, Conv/BatchNorm katmanlarının birleştirilmesi ve kullanılmayan algılama dalının kaldırılmasının ardından birleştirilmiş model için verilmiştir. Hız ölçümlerinde nms=False içeren NMS'siz başlık kullanılır. Önceden eğitilmiş kontrol noktaları tam eğitim mimarisini korur ve daha yüksek sayılar gösterebilir.

Kullanım Örnekleri#

Bu bölümde basit YOLO26 eğitim ve çıkarım örnekleri sunulmaktadır. Bunlar ve diğer modlar hakkında eksiksiz belgeler için Predict, Train, Val ve Export belge sayfalarına bak.

Aşağıdaki örneğin nesne algılama için YOLO26 Detect modellerine yönelik olduğunu unutma. Desteklenen diğer görevler için Segment, Semantic Segmentation, Depth, Classify, Pose ve OBB belgelerine bak.

from ultralytics import YOLO

# COCO üzerinde önceden eğitilmiş bir YOLO26n modelini yükle
model = YOLO("yolo26n.pt")

# 'bus.jpg' görüntüsünde YOLO26n modeliyle çıkarım yap
results = model("path/to/bus.jpg")

# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Bire çok başlığı kullan (varsayılan; Ultralytics NMS uygular)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# NMS'siz bire bir başlığı etkinleştir
results = model.predict("image.jpg", nms=False)  # inference
metrics = model.val(data="coco.yaml", nms=False)  # validation
model.export(format="onnx", nms=False)  # export

YOLOE-26: Açık Kelime Dağarcıklı Algılama ve Segmentasyon#

YOLO26, sabit bir sınıf listesi yerine metin istemlerinden, görsel istemlerden veya istemsiz moddan nesne kategorilerini algılayan ve segmentlere ayıran açık kelime dağarcıklı bir varyant olan YOLOE-26 modeline de güç verir. YOLOE-26, YOLO26'nın isteğe bağlı NMS'siz uçtan uca (e2e) başlığını korur; böylece hedef kategorilerin zaman içinde değiştiği dinamik ortamlarda açık kelime dağarcıklı çıkarım yeterince hızlı kalır. YOLOE-26x, metin istemiyle LVIS minival üzerinde 40.6 AP, görsel istemle 38.5 AP ve istemsiz olarak 31.1 AP değerlerine ulaşır; bunlar makaledeki Uçtan Uca Olmayan (Non-E2E) sonuçlardır ve uçtan uca başlığın sonuçları sırasıyla 1.1, 2.3 ve 1.2 AP daha düşüktür.

Ölçek bazında performans tabloları, istemsiz varyantlar ve kapsamlı kullanım örnekleri için YOLOE belgelerine bak.

Atıflar ve Teşekkürler#

YOLO26 mimarisi, eğitim tarifi, görev başlıkları ve YOLOE-26 açık kelime dağarcığı uzantısının eksiksiz teknik açıklaması için Ultralytics YOLO26: Birleşik Gerçek Zamanlı Uçtan Uca Görüntü Modelleri makalesini oku. Araştırmanda YOLO26 kullanıyorsan lütfen şu kaynağa 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 belgeleri AGPL-3.0 ve Kurumsal lisansları kapsamında Ultralytics GitHub deposunda ve Ultralytics Docs üzerinde bulunur.

Sık Sorulan Sorular#