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 reçetesi ve algılama, segmentasyon, poz tahmini, sınıflandırma ve yönelimli algılama için göreve özgü başlıklar sunar.

YOLO26, beş algılama ölçeğinde COCO üzerinde 40.9-57.5 mAP değerine ve 1.7-11.8 ms T4 TensorRT gecikmesine ulaşır. Makalede ayrıca, Intel Xeon CPU @ 2.00 GHz üzerinde YOLO11n ile karşılaştırıldığında YOLO26n için %43'e kadar daha hızlı CPU ONNX çıkarımı bildirilmektedir.

Planlanan mimari, görevler ve ön değerlendirmeler için yayınlanmamış YOLO27 önizlemesine göz at.

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 oluşturulmuştur:

• Yerel uçtan uca çıkarım: İsteğe bağlı bire bir algılama kafası, non-maximum suppression (NMS) olmadan tahminler üreterek dağıtımı basitleştirir ve son işlem yükünü azaltır.
• Daha hafif kutu regresyonu: YOLO26, Dağılım Odaklı Kayıp (DFL) bileşenini kaldırarak, kısıtlanmamış bir regresyon aralığını korurken algılama başlığının karmaşıklığını azaltır.
• Eğitim reçetesi güncellemeleri: Eğitim işlem hattı, optimizasyonu iyileştirmek, denetimi çıkarım zamanındaki başlığa kaydırmak ve küçük nesneler için pozitif etiket kapsamını korumak üzere MuSGD (hibrit Muon + SGD optimizer), Progressive Loss ve STAL (Küçük Nesne Farkındalıklı Etiket Atama) bileşenlerini birleştirir. Yayınlanan checkpoint'lerin arkasındaki tüm hiperparametreler YOLO26 Eğitim Reçetesi kılavuzunda belgelenmiştir.
• Göreve özgü başlıklar ve kayıplar: YOLO26, tüm görevlerde tek bir model işlem hattını korurken örnek segmentasyonu, anlamsal segmentasyon varyantları, poz tahmini ve yönelimli algılama için hedefe yönelik tasarımlar ekler.

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

Temel Özellikler#

• DFL Olmadan Regresyon YOLO26, Dağılım Odaklı Kayıp (DFL) bileşenini kaldırarak algılama başlığının karmaşıklığını azaltır ve dışa aktarmayı basitleştirir.

• Uçtan Uca NMS'siz Çıkarım YOLO26, nms=False ile yerel uçtan uca çıkarımı destekler ve ayrı bir NMS geçişi olmadan tahminler üretir. Varsayılan çoktan çoğa yol, doğruluk için NMS kullanır.

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

• MuSGD Optimizer SGD ile Muon bileşenlerini birleştiren ve büyük dil modeli eğitimindeki optimizasyon fikirlerini bilgisayarlı görmeye uyarlayan hibrit bir optimizer.

• Verimli Dağıtım Basitleştirilmiş kafa ve isteğe bağlı NMS'siz yol, makalenin YOLO26n ile YOLO11n için bildirdiği CPU ONNX hızlanması dahil olmak üzere dışa aktarma hedefleri ve donanım profilleri genelinde çıkarım ek 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 kıyasla kutu AP'de +2.5'e ve maske AP'sinde +3.7'ye kadar kazanım bildirir.

• Hassas Poz Tahmini Daha doğru anahtar nokta konumlandırması için Residual Log-Likelihood Estimation (RLE) bileşenini entegre eder ve çıkarım hızını artırmak üzere kod çözme sürecini optimize eder. Makale, COCO poz tahmininde YOLO11'e kıyasla +7.2 AP'ye kadar kazanım bildirir.

• İyileştirilmiş OBB Kod Çözme Kare biçimli nesnelerde algılama doğruluğunu iyileştirmek için özelleştirilmiş bir açı kaybı sunar ve sınır süreksizliği sorunlarını çözmek üzere OBB kod çözmeyi optimize eder. Makale, DOTA-v1.0 yönelimli algılamada YOLO11'e kıyasla +3.4 mAP'ye kadar kazanım bildirir.

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, monoküler derinlik tahmini, sınıflandırma, poz tahmini ve yönelimli nesne algılama görevlerini kapsar.

Performans Metrikleri#

Parametreler ve FLOP değerleri, Conv/BatchNorm katlama ve kullanılmayan algılama dalının kaldırılmasından sonraki birleştirilmiş model içindir. Hız ölçümleri, nms=False ile NMS'siz kafayı seçer. 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 tam dokümantasyon için Predict, Train, Val ve Export dokümantasyon sayfalarına bak.

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

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-many head (default, Ultralytics applies NMS)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Opt into the NMS-free one-to-one head
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, eğitim sırasında öğrenilen sabit bir sınıf listesi yerine metin ipuçları, görsel ipuçları veya ipucu içermeyen mod aracılığıyla nesne kategorilerini tespit eden ve segmentlere ayıran açık kelime dağarcığına sahip bir varyant olan YOLOE-26 modeline de güç verir. YOLOE-26, YOLO26'nın isteğe bağlı NMS'siz uçtan uca (e2e) kafasını korur; bu sayede açık kelime dağarcığıyla 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 içermezken 31.1 AP değerine ulaşır; bu değerler, uçtan uca kafasının 1.1, 2.3 ve 1.2 AP gerisinde kaldığı makalenin E2E olmayan (Non-E2E) verileridir.

Ölçek başına performans tabloları, istemsiz varyantlar ve tüm kullanım örnekleri için YOLOE belgelerine bak.

Atıflar ve Teşekkürler#

YOLO26 mimarisi, eğitim reçetesi, görev başlıkları ve YOLOE-26 açık kelime dağarcığı uzantısının eksiksiz teknik açıklaması için Ultralytics YOLO26: Birleşik Gerçek Zamanlı Uçtan Uca Görme Modelleri makalesini oku. YOLO26'yı araştırmanda kullanırsan lütfen şu kaynağı belirt:

@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 deposunda ve Ultralytics Belgelerinde AGPL-3.0 ve Enterprise lisansları altında mevcuttur.

SSS#