Ultralytics YOLO26

Genel Bakış

Ultralytics YOLO26, uç ve düşük güçlü cihazlar için sıfırdan tasarlanmış, gerçek zamanlı nesne dedektörlerinin YOLO serisindeki en son evrimdir. Daha hızlı, daha hafif ve daha erişilebilir dağıtım sağlamak için hedeflenen yenilikleri entegre ederken gereksiz karmaşıklığı ortadan kaldıran, aerodinamik bir tasarım sunar.

YOLO26'nın mimarisine üç temel ilke rehberlik etmektedir:

• Sadelik: YOLO26, maksimum olmayan bastırmaya (NMS) ihtiyaç duymadan doğrudan tahminler üreten bir yerel uçtan uca modeldir. Bu işlem sonrası adımı ortadan kaldırarak, çıkarım daha hızlı, daha hafif ve gerçek dünya sistemlerinde dağıtılması daha kolay hale gelir. Bu çığır açan yaklaşım ilk olarak Tsinghua Üniversitesi'nden Ao Wang tarafından YOLOv10'da öncülük edilmiş ve YOLO26'da daha da geliştirilmiştir.
• Dağıtım Verimliliği: Uçtan uca tasarım, ardışık düzenin tüm bir aşamasını ortadan kaldırarak entegrasyonu önemli ölçüde basitleştirir, gecikmeyi azaltır ve çeşitli ortamlarda dağıtımı daha sağlam hale getirir.
• Eğitimde İnovasyon: YOLO26, SGD ve Muon'un bir melezi olan MuSGD optimize edicisini sunar — Moonshot AI'nın LLM eğitimindeki Kimi K2 atılımlarından ilham almıştır. Bu optimize edici, gelişmiş kararlılık ve daha hızlı yakınsama sağlayarak dil modellerinden elde edilen optimizasyon gelişmelerini bilgisayarlı görüye aktarır.

Birlikte, bu yenilikler küçük nesnelerde daha yüksek doğruluk sağlayan, kusursuz dağıtım sağlayan ve CPU'larda %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 Kaldırma
  Dağıtım Odaklı Kayıp (DFL) modülü, etkili olmasına rağmen, genellikle dışarı aktarmayı karmaşıklaştırdı ve donanım uyumluluğunu sınırladı. YOLO26, DFL'yi tamamen kaldırarak çıkarımı basitleştirir ve kenar ve düşük güçlü cihazlar için desteği genişletir.

• Uçtan Uca NMS'siz Çıkarım
  NMS'ye ayrı bir işlem sonrası adımı olarak dayanan geleneksel dedektörlerin aksine, YOLO26 doğal olarak uçtan ucadır. Tahminler doğrudan oluşturulur, bu da gecikmeyi azaltır ve üretim sistemlerine entegrasyonu daha hızlı, daha hafif ve daha güvenilir hale getirir.

• ProgLoss + STAL
  Geliştirilmiş kayıp fonksiyonları, küçük nesne tanımada kayda değer iyileştirmelerle detection doğruluğunu artırır; bu, IoT, robotik, hava görüntüleme ve diğer uç uygulamaları için kritik bir gerekliliktir.

• MuSGD Optimizatörü
  SGD ile Muon'u birleştiren yeni bir hibrit optimizatör. Moonshot AI'nın Kimi K2'sinden ilham alan MuSGD, LLM eğitiminden gelişmiş optimizasyon yöntemlerini bilgisayarlı görüye getirerek daha kararlı eğitim ve daha hızlı yakınsama sağlar.

• %43'e Kadar Daha Hızlı CPU Çıkarımı
  Özellikle uç bilişim için optimize edilen YOLO26, önemli ölçüde daha hızlı CPU çıkarımı sağlayarak GPU'suz cihazlarda gerçek zamanlı performans sağlar.

Desteklenen Görevler ve Modlar

YOLO26, çoklu görev modeli ailesi olarak tasarlanmıştır ve YOLO'nun çok yönlülüğünü çeşitli bilgisayar görüşü zorluklarına yayar:

Bu birleşik çerçeve, YOLO26'nın gerçek zamanlı detect, segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş nesne algılama genelinde uygulanabilir olmasını sağlar; tümü eğitim, doğrulama, çıkarım ve dışa aktarma desteğiyle.

Performans Metrikleri

Alıntılar ve Teşekkürler

Çalışmanızda YOLO26 veya diğer Ultralytics yazılımlarını kullanıyorsanız, lütfen şu şekilde atıfta bulunun:

@software{yolo26_ultralytics,
  author = {Glenn Jocher and Jing Qiu},
  title = {Ultralytics YOLO26},
  version = {26.0.0},
  year = {2025},
  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'daki YOLO11'e kıyasla temel iyileştirmeler nelerdir?

• DFL Kaldırma: Dışarı aktarmayı basitleştirir ve kenar uyumluluğunu genişletir
• Uçtan Uca NMS'siz Çıkarım: Daha hızlı, daha basit dağıtım için NMS'yi ortadan kaldırır
• ProgLoss + STAL: Özellikle küçük nesnelerde doğruluğu artırır
• MuSGD Optimizatörü: Daha kararlı, verimli eğitim için SGD ve Muon'u (Moonshot'ın Kimi K2'sinden esinlenerek) birleştirir
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Yalnızca CPU'lu cihazlar için büyük performans kazanımları

YOLO26 hangi görevleri destekleyecektir?

YOLO26, çoklu bilgisayar görüşü görevleri için uçtan uca destek sağlayan birleşik model ailesi olarak tasarlanmıştır:

• Nesne Algılama
• Örnek Segmentasyonu
• Görüntü Sınıflandırması
• Poz Tahmini
• Yönlendirilmiş Nesne Tespiti (OBB)

Her boyut varyantının (n, s, m, l, x) piyasaya sürüldüğünde tüm görevleri desteklemesi planlanmaktadır.

YOLO26 neden uç nokta dağıtımı için optimize edilmiştir?

YOLO26, şunlarla son teknoloji ürünü uç performans sunar:

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

YOLO26 modelleri ne zaman kullanıma sunulacak?

YOLO26 modelleri hala eğitim aşamasındadır ve henüz açık kaynaklı değildir. Performans önizlemeleri burada gösterilmektedir; resmi indirme ve yayınlar yakın gelecekte planlanmaktadır. YOLO26 konuşmaları için YOLO Vision 2025'e bakın.

📅 2 ay önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar