Ultralytics YOLO26, ProgLoss, STAL ve MuSGD ile nasıl daha akıllı eğitilir?
Ultralytics YOLO26'nın Progressive Loss Balancing, Small-Target-Aware Label Assignment ve MuSGD optimizer kullanarak nasıl daha güvenilir eğitildiğini öğren.
Geçen hafta, kenar öncelikli, gerçek zamanlı bilgisayarlı görü modelleri için yeni bir standart belirleyen Ultralytics YOLO26 modelini yayımladık. Önceki Ultralytics YOLO modelleri gibi, örneğin Ultralytics YOLO11, YOLO26 da nesne algılama, örnek segmentasyonu ve poz tahmini gibi kullanıcıların aşina olduğu temel bilgisayarlı görü görevlerini destekliyor.
Şekil 1. Bir görüntüde nesneleri segmentlere ayırmak için kullanılan Ultralytics YOLO26 örneği.
Ancak Ultralytics YOLO26 yalnızca artımlı bir güncelleme değil. Desteklenen görevler tanıdık görünse de bu yeni model, bilgisayarlı görü modellerinin nasıl eğitildiğinde yenilikçi bir ileri adımı temsil ediyor. YOLO26 ile odak, çıkarım verimliliğinin ötesine geçerek eğitimi daha kararlı hâle getirmeye uzanıyor.
Ultralytics YOLO26, tüm eğitim yaşam döngüsü dikkate alınarak tasarlandı. Bu; daha hızlı yakınsama, daha güvenilir eğitim çalıştırmaları ve tutarlı model davranışı anlamına geliyor. Bu iyileştirmeler, eğitim güvenilirliğinin modellerin ne kadar hızlı yinelenebileceğini ve dağıtılabileceğini doğrudan etkilediği gerçek dünya iş akışlarında özellikle önemli.
Bunu mümkün kılmak için Ultralytics YOLO26, İlerlemeli Kayıp Dengeleme (ProgLoss), Küçük Hedef Farkındalıklı Etiket Atama (STAL) ve MuSGD optimizer'ı gibi çeşitli hedefli eğitim yenilikleri sunuyor. Bu değişiklikler birlikte, öğrenme kaybının nasıl dengelendiğini, etiketlerin nasıl atandığını ve optimizasyonun zaman içinde nasıl davrandığını iyileştiriyor.
Bu makalede, bu mekanizmaların her birinin nasıl çalıştığını ve Ultralytics YOLO26'yı eğitiminin neden daha kolay, büyük ölçekte daha güvenilir olduğunu inceleyeceğiz. Hadi başlayalım!
Ultralytics YOLO26: Yalnızca daha hızlı çalışmak için değil, daha akıllı eğitilmek için geliştirildi#
Ultralytics YOLO26, Maksimum Olmayan Bastırma gibi son işleme adımlarına olan bağımlılığı ortadan kaldırarak tüm çıkarım işlem hattını yerel olarak kolaylaştırıyor. Çok sayıda örtüşen tahmin üretip bunları sonradan filtrelemek yerine YOLO26, nihai algılamaları doğrudan ağdan üretiyor.
Bu, YOLO26'yı uçtan uca bir model hâline getiriyor; tahmin, yinelenen sonuçların çözülmesi ve nihai çıktılar ağın kendi içinde öğreniliyor. Bu yaklaşım dağıtımı basitleştirip çıkarım verimliliğini artırırken modelin eğitim sırasında nasıl öğrendiğini de şekillendiriyor.
Şekil 2. YOLO26, son teknoloji ürünü, uçtan uca, NMS'siz çıkarım sunuyor (Kaynak)
Bunun gibi uçtan uca bir sistemde eğitim ve çıkarım birbiriyle sıkı şekilde bağlantılıdır. Tahminleri sonradan düzeltmek için harici bir son işleme aşaması bulunmadığından model, eğitim sırasında net ve güvenli kararlar almayı öğrenmek zorunda.
Bu durum, eğitim hedefleri ile çıkarım davranışı arasındaki uyumu özellikle önemli hâle getiriyor. Modelin nasıl eğitildiği ile çıkarım zamanında nasıl kullanıldığı arasındaki herhangi bir uyumsuzluk, kararsız öğrenmeye veya daha yavaş yakınsamaya yol açabilir.
Ultralytics YOLO26, eğitim sürecini en baştan gerçek dünya kullanımına göre tasarlayarak bunu ele alıyor. Eğitim sistemi yalnızca çıkarım hızına odaklanmak yerine uzun çalıştırmalarda kararlı öğrenmeyi, Nano'dan Extra Large'a kadar farklı model boyutlarında tutarlı yakınsamayı ve çeşitli veri kümelerinde güçlü performansı destekleyecek şekilde oluşturuldu.
Ultralytics YOLO26'da iki eğitim başlığı öğrenmeyi nasıl iyileştiriyor#
Ultralytics YOLO26'daki temel eğitim yeniliklerinden biri, önceki YOLO modellerinde kullanılan iki başlıklı eğitim yaklaşımını temel alıyor. Nesne algılama modellerinde başlık, ağın tahmin yapmaktan sorumlu bölümünü ifade eder.
Başka bir deyişle algılama başlıkları, görüntüde nesnelerin nerede bulunduğunu ve bunların ne olduğunu tahmin etmeyi öğrenir. Bunu, sınırlayıcı kutu koordinatlarını regresyonla tahmin ederek yaparlar; yani girdi görüntüsündeki her nesnenin konumunu ve boyutunu tahmin etmeyi öğrenirler.
Eğitim sırasında model, tahminlerinin doğru yanıtlardan veya gerçek değerlerden ne kadar uzak olduğunu ölçen sayısal bir değer olan kaybı en aza indirerek öğrenir. Daha düşük kayıp, modelin tahminlerinin gerçek değerlere daha yakın olduğu; daha yüksek kayıp ise hataların daha büyük olduğu anlamına gelir. Kayıp hesabı, modelin eğitim sırasında parametrelerini nasıl güncelleyeceğine yön verir.
Ultralytics YOLO26, eğitim sırasında aynı temel modeli paylaşan ancak farklı amaçlara hizmet eden iki algılama başlığı kullanır. Bire bir başlık, çıkarım zamanında kullanılan başlıktır. Her nesneyi tek ve güvenilir bir tahminle ilişkilendirmeyi öğrenir; bu da YOLO26'nın uçtan uca, NMS'siz tasarımı için gereklidir.
Buna karşılık bire çok başlık yalnızca eğitim sırasında kullanılır. Birden fazla tahminin aynı nesneyle ilişkilendirilmesine olanak tanıyarak daha yoğun bir denetim sağlar. Bu daha zengin öğrenme sinyali, özellikle ilk aşamalarda eğitimi kararlı hâle getirmeye ve doğruluğu artırmaya yardımcı olur.
Ultralytics YOLO26'da her iki başlık da kutu regresyonu ve sınıflandırma için aynı kayıp hesabını kullanır. Önceki uygulamalarda eğitim boyunca bu iki kayıp sinyali arasında sabit bir denge uygulanıyordu.
Ancak pratikte her başlığın önemi zaman içinde değişir. Yoğun denetim başlangıçta en yararlıyken çıkarım davranışıyla uyum, eğitimin ilerleyen aşamalarında daha önemli hâle gelir. Ultralytics YOLO26 bu içgörü temelinde tasarlandı ve bu da eğitim ilerledikçe öğrenme sinyallerini nasıl yeniden dengelediğine doğrudan yansıyor.
Ultralytics YOLO26 İlerlemeli Kayıp Dengeleme kullanıyor#
Peki Ultralytics YOLO26, eğitim sırasında değişen bu öğrenme gereksinimlerini nasıl ele alıyor? Öğrenme sinyallerinin ağırlıklarını zaman içinde ayarlamak için İlerlemeli Kayıp Dengeleme'yi kullanıyor.
ProgLoss, eğitim ilerledikçe her başlığın toplam kayba yaptığı katkıyı dinamik olarak değiştirerek çalışır. Başlangıçta öğrenmeyi kararlı hâle getirmek ve geri çağırmayı iyileştirmek için bire çok başlığa daha fazla ağırlık verilir. Eğitim devam ettikçe denge, eğitim ile çıkarım davranışını daha yakından uyumlu hâle getirecek şekilde kademeli olarak bire bir başlığa kayar.
Bu kademeli geçiş, Ultralytics YOLO26'nın doğru sırayla öğrenmesini sağlar. İlerlemeli Kayıp Dengeleme, modeli tüm rekabet hâlindeki hedefleri aynı anda optimize etmeye zorlamak yerine eğitimin her aşamasında en yararlı öğrenme sinyaline öncelik verir. Sonuç; daha akıcı yakınsama, daha az kararsız eğitim çalıştırması ve daha tutarlı nihai performanstır.
STAL, Ultralytics YOLO26'nın küçük nesnelerden öğrenmesine nasıl yardımcı oluyor#
Ultralytics YOLO26'daki bir başka ilginç eğitim iyileştirmesi, modelin eğitim hedeflerini tahminlere atama biçiminden, yani etiket atama olarak bilinen süreçten kaynaklanıyor. Bu süreç, gerçek nesneleri genellikle anchor olarak adlandırılan aday tahminlerle eşleştirmekten sorumludur.
Bu eşleşmeler, hangi tahminlerin denetim alacağını ve kayba katkıda bulunacağını belirler. Ultralytics YOLO26, eğitim sırasında sınıflandırma ile yerelleştirmeyi daha iyi hizalamak için tasarlanmış, Görev Hizalama Öğrenmesi (TAL) adlı mevcut bir etiket atama yöntemini temel alır.
TAL çoğu nesne için iyi çalışsa da eğitim, önemli bir sınırlamayı ortaya çıkardı. Eşleştirme sürecinde çok küçük nesneler tamamen gözden kaçabiliyordu. Pratikte, 640 piksellik bir girdi görüntüsünde yaklaşık 8 pikselden küçük nesneler çoğu zaman hiçbir anchor ataması alamıyordu. Bu olduğunda model bu nesneler için çok az denetim alıyor veya hiç denetim alamıyor; bu da onları güvenilir şekilde algılamayı öğrenmesini zorlaştırıyor.
Ultralytics YOLO26 bu sorunu ele almak için Küçük Hedef Farkındalıklı Etiket Atama (STAL) yöntemini sunuyor. STAL, küçük nesnelerin eğitim sırasında göz ardı edilmemesini sağlamak için atama sürecini değiştirir. Özellikle 8 pikselden küçük nesneler için en az dört anchor atamasını zorunlu kılar. Böylece en küçük nesnelerin bile eğitim kaybına tutarlı şekilde katkıda bulunması garanti edilir.
Küçük hedefler için denetimi güçlendiren STAL, küçük veya uzaktaki nesnelerin yaygın olduğu senaryolarda öğrenme kararlılığını ve algılama performansını iyileştirir. Bu iyileştirme; nesnelerin genellikle küçük, uzakta veya kısmen görünür olduğu ve güvenilir algılamanın kritik önem taşıdığı hava görüntüleri, robotik ve Nesnelerin İnterneti (IoT) sistemleri gibi kenar öncelikli YOLO26 uygulamaları için özellikle önemlidir.
Ultralytics YOLO26, MuSGD optimizer'ını sunuyor#
Daha kararlı ve öngörülebilir bir eğitimi desteklemek için Ultralytics YOLO26, MuSGD adlı yeni bir optimizer da sunuyor. Bu optimizer, özellikle model boyutu ve eğitim karmaşıklığı arttıkça uçtan uca algılama modellerinde yakınsamayı ve eğitim güvenilirliğini iyileştirmek üzere tasarlandı.
Bir sinir ağının öğrenmesi ve dolayısıyla eğitim sırasında ağırlıklarını buna göre değiştirmesi için bir hata hesaplarız; buna "kayıp" da denir. Bu nedenle model, tahminlerinin ne kadar hatalı olduğunu bir kayıp değeri kullanarak ölçer, parametrelerinin nasıl değişmesi gerektiğini gösteren gradyanları hesaplar ve ardından hatayı azaltmak için bu parametreleri günceller. Stokastik Gradyan İnişi (SGD), bu güncellemeleri gerçekleştiren ve eğitimi verimli ve ölçeklenebilir hâle getiren, yaygın olarak kullanılan bir optimizer'dır.
Şekil 3. Stokastik gradyan inişi ve gradyan inişi (Kaynak)
MuSGD, büyük dil modeli eğitiminde kullanılan bir yöntem olan Muon'dan esinlenen optimizasyon fikirlerini dâhil ederek bu tanıdık temeli geliştirir. Bu fikirler, daha yapılandırılmış parametre güncellemeleriyle eğitim davranışında iyileşme gösteren Moonshot AI'nin Kimi K2'si gibi son gelişmelerden etkilenmiştir.
Ultralytics YOLO26 hibrit bir güncelleme stratejisi kullanır. Bazı parametreler Muon'dan esinlenen güncellemeler ile SGD'nin birleşimi kullanılarak güncellenirken diğerlerinde yalnızca SGD kullanılır. Bu sayede YOLO26, SGD'yi etkili kılan sağlamlık ve genelleme özelliklerini korurken optimizasyon sürecine ek yapı kazandırabilir.
Sonuç; daha akıcı optimizasyon, daha hızlı yakınsama ve model boyutları arasında daha öngörülebilir eğitim davranışıdır. Bu da MuSGD'yi Ultralytics YOLO26'nın eğitilmesini kolaylaştıran ve büyük ölçekte daha güvenilir kılan temel unsurlardan biri hâline getirir.
Ultralytics YOLO26'nın eğitim yeniliklerinin önemi#
Ultralytics YOLO26'nın eğitim yenilikleri, uçtan uca, NMS'siz ve kenar öncelikli tasarımı gibi temel özelliklerle bir araya geldiğinde modeli eğitmeyi kolaylaştırır ve büyük ölçekte daha güvenilir hâle getirir. Bunun bilgisayarlı görü uygulamaları için gerçekte ne anlama geldiğini merak ediyor olabilirsin.
Şekil 4. YOLO26'nın temel özelliklerine bakış (Kaynak)
Uygulamada bu, bilgisayarlı görüyü gerçekten çalışacağı ortamlara taşımayı çok daha kolay hâle getirir. Modeller daha öngörülebilir şekilde eğitilir, farklı boyutlar arasında daha tutarlı ölçeklenir ve yeni veri kümelerine uyarlanması daha kolaydır. Bu, özellikle güvenilirlik ve verimliliğin ham performans kadar önemli olduğu ortamlarda deneme ile dağıtım arasındaki sürtünmeyi azaltır.
Örneğin robotik ve endüstriyel görü uygulamalarında ortamlar, sensörler veya görevler değiştikçe modellerin sık sık yeniden eğitilmesi gerekebilir. Ultralytics YOLO26 ile ekipler, kararsız eğitim çalıştırmaları veya farklı model boyutları arasındaki tutarsız davranışlar konusunda endişelenmeden daha hızlı yineleme yapabilir.
Önemli çıkarımlar#
Güvenilir bilgisayarlı görü sistemleri, modellerin çıkarım zamanında nasıl performans gösterdiği kadar nasıl eğitildiğine de bağlıdır. Ultralytics YOLO26, öğrenme sinyallerinin dengelenme biçimini, küçük nesnelerin ele alınışını ve optimizasyonun ilerleyişini iyileştirerek eğitimi daha kararlı ve ölçeklenmesi daha kolay hâle getirir. Güvenilir eğitime odaklanmak, özellikle kenar öncelikli uygulamalarda ekiplerin denemeden gerçek dünya dağıtımına daha sorunsuz geçmesine yardımcı olur.
Yapay zekâ hakkında bilgi edinmek ister misin? Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et. Etkin topluluğumuza katıl ve lojistikte yapay zekâ ile otomotiv sektöründe görsel yapay zekâ gibi alanlardaki yenilikler hakkında bilgi edin. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz at.
