Ultralytics YOLO26'nın ProgLoss, STAL ve MuSGD ile nasıl daha akıllı eğitildiğini öğren.

Geçen hafta Ultralytics YOLO26 modelini yayımlayarak uçta çalışmaya öncelik veren, gerçek zamanlı bilgisayarlı görü modelleri için yeni bir standart belirledik. Ultralytics YOLO11 gibi önceki Ultralytics YOLO modellerine benzer şekilde YOLO26, kullanıcıların aşina olduğu nesne tespiti, örnek segmentasyonu ve poz tahmini dâhil temel bilgisayarlı görü görevlerini destekliyor.

Şekil 1. Ultralytics YOLO26'nın bir görüntüdeki nesneleri segmentlere ayırmak için kullanımına örnek.

Ancak Ultralytics YOLO26 yalnızca aşamalı bir güncellemeden ibaret değil. Desteklenen görevler tanıdık görünse de bu yeni model, bilgisayarlı görü modellerinin eğitim biçiminde 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 göz önünde bulundurularak tasarlandı. Bu da daha hızlı yakınsama, daha güvenilir eğitim çalıştırmaları ve tutarlı model davranışı anlamına geliyor. Bu iyileştirmeler, eğitim güvenilirliğinin modellerin ne kadar hızlı yinelenip dağıtılabileceğini doğrudan etkilediği gerçek dünya iş akışlarında özellikle önemlidir.

Bunu sağlamak için Ultralytics YOLO26; Aşamalı Kayıp Dengeleme (ProgLoss), Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL) ve MuSGD optimize edicisi gibi hedefli eğitim yenilikleri sunuyor. Bu değişiklikler bir arada, 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 eğitmeyi neden daha kolay, büyük ölçekte kullanmayı neden daha güvenilir hâle getirdiğini inceleyeceğiz. Hadi başlayalım!

Ultralytics YOLO26: Yalnızca daha hızlı çalışmak için değil, daha akıllı öğrenmek için tasarlandı#

Ultralytics YOLO26, Non-Maximum Suppression gibi son işleme adımlarına olan bağımlılığı ortadan kaldırarak tüm çıkarım işlem hattını yerel olarak kolaylaştırır. YOLO26, birbiriyle örtüşen çok sayıda tahmin üretip bunları sonradan filtrelemek yerine, nihai tespitleri doğrudan ağdan üretir.

Böylece YOLO26 uçtan uca bir model hâline gelir; tahmin, yinelenen sonuçların çözümlenmesi ve nihai çıktılar ağın kendi içinde öğrenilir. Bu, dağıtımı kolaylaştırıp çıkarım verimliliğini artırırken modelin eğitim sırasında nasıl öğrendiğini de şekillendirir.

Şekil 2. YOLO26, son teknoloji uçtan uca ve NMS içermeyen çıkarım sunar (Kaynak)

Bunun gibi uçtan uca bir sistemde eğitim ve çıkarım birbiriyle yakından bağlantılıdır. Tahminleri sonradan düzeltmek için harici bir son işleme aşaması olmadığından modelin, eğitim sırasında net ve güvenilir kararlar almayı öğrenmesi gerekir.

Bu nedenle eğitim hedefleriyle çıkarım davranışının uyumlu olması özellikle önemlidir. Modelin eğitilme biçimiyle çıkarım sırasında kullanılma biçimi arasındaki herhangi bir uyumsuzluk, kararsız öğrenmeye veya daha yavaş yakınsamaya yol açabilir.

Ultralytics YOLO26, eğitim sürecini en başından itibaren gerçek dünya kullanımını temel alacak şekilde tasarlayarak bu durumu ele alır. Eğitim sistemi yalnızca çıkarım hızına odaklanmak yerine uzun süreli çalışmalarda kararlı öğrenmeyi, Nano'dan Extra Large'a kadar farklı model boyutlarında tutarlı yakınsamayı ve çeşitli veri kümelerinde güçlü performansı destekleyecek şekilde oluşturulmuştur.

Ultralytics YOLO26'da iki eğitim başlığının öğrenmeyi nasıl iyileştirdiği#

Ultralytics YOLO26'daki temel eğitim yeniliklerinden biri, önceki YOLO modellerinde kullanılan iki başlıklı eğitim yaklaşımını temel alır. Nesne algılama modellerinde başlık, tahminlerden sorumlu ağ bölümünü ifade eder.

Başka bir deyişle, algılama başlıkları görüntüdeki nesnelerin nerede bulunduğunu ve bu nesnelerin ne olduğunu tahmin etmeyi öğrenir. Bunu, sınırlayıcı kutu koordinatlarını regresyonla hesaplayarak yaparlar; yani giriş görüntüsündeki her nesnenin konumunu ve boyutunu tahmin etmeyi öğrenirler.

Model, eğitim sırasında kaybı en aza indirerek öğrenir. Kayıp, tahminlerinin doğru yanıtlardan veya temel gerçeklerden ne kadar uzak olduğunu gösteren sayısal bir ölçüdür. Daha düşük kayıp, model tahminlerinin temel gerçeklere 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 sırasında kullanılan başlıktır. Bu başlık, her nesneyi tek ve güvenilir bir tahminle eşleştirmeyi öğrenir; bu da YOLO26'nın uçtan uca ve NMS içermeyen tasarımı için temel önem taşır.

Diğer yandan bire çok başlık yalnızca eğitim sırasında kullanılır. Aynı nesneyle birden fazla tahminin eşleştirilmesine olanak tanıyarak daha yoğun denetim sağlar. Bu daha zengin öğrenme sinyali, özellikle ilk aşamalarda eğitimin kararlılığını 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 uygulamada her başlığın önemi zaman içinde değişir. Yoğun denetim ilk aşamalarda en faydalıyken eğitimin ilerleyen aşamalarında çıkarım davranışıyla uyum daha önemli hâle gelir. Ultralytics YOLO26 bu içgörü temel alınarak tasarlanmıştır; bu da eğitim ilerledikçe öğrenme sinyallerinin nasıl yeniden dengelendiğini doğrudan belirler.

Ultralytics YOLO26, Aşamalı Kayıp Dengeleme kullanır#

Peki Ultralytics YOLO26, eğitim sırasında değişen bu öğrenme gereksinimlerini nasıl karşılıyor? Öğrenme sinyallerinin ağırlıklarını zaman içinde ayarlamak için Aşamalı Kayıp Dengeleme kullanıyor.

ProgLoss, eğitim ilerledikçe her başlığın toplam kayba yaptığı katkıyı dinamik olarak değiştirir. Başlangıçta öğrenmeyi kararlı hâle getirmek ve geri çağırmayı iyileştirmek için bire çok başlığına daha fazla ağırlık verilir. Eğitim sürdükçe denge kademeli olarak bire bir başlığına kayar ve eğitim, çıkarım davranışıyla daha yakından uyumlu hâle gelir.

Bu kademeli geçiş, Ultralytics YOLO26'nın doğru sırayla öğrenmesini sağlar. Aşamalı Kayıp Dengeleme, modeli birbiriyle yarışan hedeflerin tümünü aynı anda optimize etmeye zorlamak yerine eğitimin her aşamasında en yararlı öğrenme sinyaline öncelik verir. Sonuç olarak yakınsama daha düzgün gerçekleşir, kararsız eğitim çalışmaları azalır ve nihai performans daha tutarlı olur.

STAL, Ultralytics YOLO26'nın küçük nesnelerden öğrenmesine nasıl yardımcı olur#

Ultralytics YOLO26'daki bir diğer ilginç eğitim iyileştirmesi, modelin eğitim hedeflerini tahminlere atama biçiminden kaynaklanır; bu işleme etiket ataması denir. Etiket ataması, temel gerçek nesneleri genellikle çapa adı verilen aday tahminlerle eşleştirmekten sorumludur.

Bu eşleşmeler, hangi tahminlerin denetim alacağını ve kayba katkıda bulunacağını belirler. Ultralytics YOLO26, eğitim sırasında sınıflandırma ile konum belirlemeyi daha iyi hizalamak üzere tasarlanmış, Görev Hizalama Öğrenimi (TAL) adlı mevcut bir etiket atama yöntemini temel alır.

TAL çoğu nesnede iyi çalışsa da eğitim sırasında önemli bir sınırlama ortaya çıktı. Eşleştirme sürecinde çok küçük nesneler tamamen göz ardı edilebiliyordu. Uygulamada, 640 piksellik bir giriş görüntüsünde yaklaşık 8 pikselden küçük nesnelere çoğu zaman hiçbir çapa ataması yapılmıyordu. Bu durumda model bu nesneler için çok az denetim alıyor veya hiç denetim almıyor; dolayısıyla bu nesneleri güvenilir biçimde algılamayı öğrenmesi zorlaşıyor.

Bu sorunu gidermek için Ultralytics YOLO26, Küçük Hedef Farkındalıklı Etiket Ataması'nı (STAL) kullanıma sunuyor. STAL, eğitim sırasında küçük nesnelerin göz ardı edilmemesini sağlamak için atama sürecini değiştirir. Özellikle 8 pikselden küçük nesneler için en az dört çapa ataması yapılmasını zorunlu kılar. Böylece çok küçük nesnelerin bile eğitim kaybına tutarlı biçimde katkıda bulunması sağlanır.

Küçük hedefler için denetimi güçlendiren STAL, küçük veya uzaktaki nesnelerin sık görüldüğü senaryolarda öğrenme kararlılığını ve algılama performansını artırır. 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 önce uçta çalışan YOLO26 uygulamaları için özellikle önemlidir.

Ultralytics YOLO26, MuSGD iyileştiricisini kullanıma sunuyor#

Daha kararlı ve öngörülebilir bir eğitimi desteklemek için Ultralytics YOLO26, MuSGD adlı yeni bir iyileştiriciyi de kullanıma sunuyor. Bu iyileştirici, özellikle model boyutu ve eğitim karmaşıklığı arttıkça uçtan uca algılama modellerinde yakınsamayı ve eğitim güvenilirliğini iyileştirmek üzere tasarlanmıştır.

Bir sinir ağının öğrenmesi ve buna bağlı olarak ağırlıklarını değiştirmesi için eğitim sırasında bir hata ("kayıp" olarak da adlandırılır) hesaplarız. Bu nedenle model, tahminlerinin ne kadar hatalı olduğunu kayıp değeriyle 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 iyileştiricidir.

Şekil 3. Stokastik gradyan inişi ve gradyan inişi karşılaştırması (Kaynak)

MuSGD, büyük dil modeli eğitiminde kullanılan Muon yönteminden esinlenen optimizasyon fikirlerini bünyesine katarak bu bilindik temeli geliştirir. Bu fikirler, daha yapılandırılmış parametre güncellemeleri sayesinde eğitim davranışında iyileşme gösteren Moonshot AI'ın Kimi K2'si gibi yakın tarihli gelişmelerden etkilenmiştir.

Ultralytics YOLO26 hibrit bir güncelleme stratejisi kullanır. Bazı parametreler Muon'dan esinlenen güncellemelerle SGD'nin bir bileşimi kullanılarak güncellenirken diğerlerinde yalnızca SGD kullanılır. Böylece YOLO26, SGD'yi etkili kılan sağlamlığı ve genelleme özelliklerini korurken optimizasyon sürecine ek yapı kazandırabilir.

Sonuç olarak optimizasyon daha düzgün gerçekleşir, yakınsama hızlanır ve farklı model boyutlarında eğitim davranışı daha öngörülebilir hâle gelir. Bu özellikler, MuSGD'yi Ultralytics YOLO26'nın eğitiminin daha kolay ve büyük ölçekte daha güvenilir olmasının temel unsurlarından biri yapar.

Ultralytics YOLO26'nın eğitim yeniliklerinin önemi#

Ultralytics YOLO26'nın eğitim yenilikleri; uçtan uca, NMS içermeyen ve önce uçta çalışan tasarımı gibi temel özelliklerle birleşerek modelin eğitimini kolaylaştırır ve büyük ölçekte daha güvenilir olmasını sağlar. 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 yere taşımayı çok daha kolay hâle getirir. Modeller daha öngörülebilir biçimde eğitilir, farklı boyutlarda daha tutarlı ölçeklenir ve yeni veri kümelerine daha kolay uyarlanır. Bu, özellikle güvenilirlik ve verimliliğin ham performans kadar önemli olduğu ortamlarda deneme ile dağıtım arasındaki zorlukları azaltır.

Örneğin robotik ve endüstriyel görü uygulamalarında ortamlar, sensörler veya görevler değiştikçe modellerin sık sık yeniden eğitilmesi gerekir. Ultralytics YOLO26 ile ekipler, kararsız eğitim çalışmaları veya farklı model boyutlarındaki tutarsız davranışlar konusunda endişelenmeden daha hızlı yineleme yapabilir.

Önemli çıkarımlar#

Güvenilir bilgisayarlı görü sistemleri, modellerin çıkarım sırasında gösterdiği performans kadar nasıl eğitildiğine de bağlıdır. Öğrenme sinyallerinin nasıl dengelendiğini, küçük nesnelerin nasıl ele alındığını ve optimizasyonun nasıl ilerlediğini iyileştiren Ultralytics YOLO26, eğitimi daha kararlı ve ölçeklendirmeyi daha kolay hâle getirir. Güvenilir eğitime odaklanmak, özellikle önce uçta çalışan uygulamalarda ekiplerin denemelerden gerçek dünya dağıtımına daha sorunsuz geçmesine yardımcı olur.

Yapay zekâ hakkında bilgi edinmek mi istiyorsun? Daha fazlasını keşfetmek için GitHub depomuzu ziyaret et. Aktif topluluğumuza katıl ve lojistikte yapay zekâ ile otomotiv sektöründe görü yapay zekâsı gibi alanlardaki yenilikleri keşfet. Bilgisayarlı görüye bugün başlamak için lisanslama seçeneklerimize göz at.