Ultralytics YOLO26, ProgLoss, STAL ve MuSGD ile nasıl daha akıllı eğitilir

Geçen hafta, uç tabanlı, gerçek zamanlı computer vision modelleri için yeni bir standart belirleyen Ultralytics YOLO26 sürümünü yayınladık. Ultralytics YOLO11 gibi önceki Ultralytics YOLO models benzer şekilde YOLO26; nesne tespiti (object detection), örnek bölütleme (instance segmentation) ve poz kestirimi (pose estimation) dahil olmak üzere kullanıcıların aşina olduğu temel computer vision görevlerini destekler.

Şekil 1. Bir görseldeki nesneleri segmentlere ayırmak için kullanılan bir Ultralytics YOLO26 örneği.

Ancak Ultralytics YOLO26 yalnızca kademeli bir güncelleme değil. Desteklenen görevler tanıdık gelse de bu yeni model, computer vision modellerinin nasıl eğitildiği konusunda yenilikçi bir ileri adımı temsil ediyor. YOLO26 ile odak noktası, çıkarım verimliliğinin ötesine geçerek eğitimi daha kararlı hale getirmeye uzanıyor.

Ultralytics YOLO26, tüm eğitim yaşam döngüsü göz önünde bulundurularak tasarlandı. Bu, daha hızlı yakınsama, daha güvenilir eğitim çalışmaları ve tutarlı model davranışı anlamına gelir. Bu iyileştirmeler, eğitim güvenilirliğinin modellerin üzerinde ne kadar hızlı yineleme yapılabileceğini ve dağıtılabileceğini doğrudan etkilediği gerçek dünya iş akışlarında özellikle önemlidir.

Bunu sağlamak için Ultralytics YOLO26, Progressive Loss Balancing (ProgLoss), Small-Target-Aware Label Assignment (STAL) ve MuSGD optimizer gibi hedefe yönelik çeşitli eğitim yenilikleri sunar. Bu değişiklikler birlikte, öğrenme kaybının nasıl dengelendiğini, etiketlerin nasıl atandığını ve optimizasyonun zaman içinde nasıl davrandığını iyileştirir.

Bu makalede, bu mekanizmaların her birinin nasıl çalıştığını ve neden Ultralytics YOLO26'yı eğitmenin daha kolay ve ölçekte daha güvenilir kıldığını keşfedeceğiz. Haydi başlayalım!

Ultralytics YOLO26: Sadece daha hızlı çalışmak için değil, daha akıllı eğitilmek için tasarlandı#

Ultralytics YOLO26, NMS (Non-Maximum Suppression) gibi işlem sonrası adımlara olan bağımlılığı kaldırarak tüm çıkarım hattını yerel olarak kolaylaştırır. Birbiriyle örtüşen birçok tahmini oluşturup bunları sonradan filtrelemek yerine YOLO26, nihai algılamaları doğrudan ağdan üretir.

Bu durum, YOLO26 an end-to-end modeli haline getirerek tahmin, yinelenenlerin giderilmesi ve nihai çıktıların tamamının ağın kendi içinde öğrenilmesini sağlar. Bu, dağıtımı basitleştirir ve çıkarım verimliliğini artırırken aynı zamanda modelin eğitim sırasında nasıl öğrendiğini şekillendirir.

Şekil 2. YOLO26 son teknoloji ürünü uçtan uca, NMS içermeyen çıkarım sunar (Source)

Bunun gibi uçtan uca bir sistemde eğitim ve çıkarım birbirine sıkı sıkıya bağlıdır. Tahminleri daha sonra düzeltmek için harici bir işlem sonrası aşama olmadığından, modelin eğitim sırasında net ve kendinden emin kararlar almayı öğrenmesi gerekir.

Bu, eğitim hedefleri ile çıkarım davranışı arasındaki uyumu özellikle önemli kılar. Modelin nasıl eğitildiği ile çıkarım zamanında nasıl kullanıldığı arasındaki herhangi bir uyumsuzluk, kararsız öğrenmeye veya daha yavaş yakınsamaya yol açabilir.

Ultralytics YOLO26 bunu, eğitim sürecini başlangıçtan itibaren gerçek dünya kullanımına göre tasarlayarak ele alır. Yalnızca çıkarım hızına odaklanmak yerine, eğitim sistemi; Nano'dan Extra Large'a kadar model boyutları genelinde uzun süreli çalıştırmalarda kararlı öğrenmeyi, tutarlı yakınsamayı ve farklı veri setlerinde güçlü performansı desteklemek için kurulmuştur.

İki eğitim başlığı Ultralytics YOLO26'da öğrenmeyi nasıl geliştirir?#

Ultralytics YOLO26'daki temel eğitim yeniliklerinden biri, önceki YOLO modellerinde kullanılan iki başlıklı bir eğitim yaklaşımına dayanır. Nesne algılama modellerinde başlık (head), ağın tahmin yapmaktan sorumlu kısmını ifade eder.

Diğer bir deyişle, algılama başlıkları nesnelerin bir görüntüde nerede bulunduğunu ve bu nesnelerin ne olduğunu tahmin etmeyi öğrenir. Bunu sınırlayıcı kutu (bounding box) koordinatlarını regresyona tabi tutarak yaparlar, yani giriş görüntüsündeki her bir nesnenin konumunu ve boyutunu tahmin etmeyi öğrenirler.

Eğitim sırasında model, tahminlerinin doğru cevaplardan veya temel gerçeğinden (ground truth) ne kadar uzak olduğunu sayısal bir ölçü olan bir kaybı minimize ederek öğrenir. Daha düşük bir kayıp, modelin tahminlerinin temel gerçeğe daha yakın olduğu anlamına gelirken, daha yüksek bir kayıp daha büyük hataları gösterir. Kayıp hesaplaması, modelin eğitim sırasında parametrelerini nasıl güncelleyeceğini yönlendirir.

Ultralytics YOLO26, eğitim sırasında aynı temel modeli paylaşan ancak farklı amaçlara hizmet eden iki algılama kafası kullanır. Bire bir kafa, çıkarım zamanında kullanılan kafadır. Her nesneyi tek ve güvenli bir tahminle ilişkilendirmeyi öğrenir ki bu, YOLO26'nın uçtan uca, NMS'siz tasarımı için esastır.

Bu arada, bire çok (one-to-many) başlık yalnızca eğitim sırasında kullanılır. Aynı nesneyle birden fazla tahminin ilişkilendirilmesine izin vererek daha yoğun bir denetim sağlar. Bu daha zengin öğrenme sinyali, özellikle ilk aşamalarda eğitimi stabilize etmeye ve doğruluğu artırmaya yardımcı olur.

Ultralytics YOLO26 içinde her iki başlık da kutu regresyonu ve sınıflandırma için aynı kayıp hesaplamasını kullanır. Daha önceki uygulamalar, eğitim boyunca bu iki kayıp sinyali arasında sabit bir denge uygulamıştır.

Ancak uygulamada her başlığın önem zamanla değişir. Yoğun denetim en çok erken aşamalarda faydalıyken, çıkarım davranışıyla uyum eğitimin ilerleyen aşamalarında daha önemli hâle gelir. Ultralytics YOLO26 bu içgörü etrafında tasarlanmıştır; bu da eğitim ilerledikçe öğrenme sinyallerini nasıl yeniden dengelediğine doğrudan yol açar.

Ultralytics YOLO26, Progressive Loss Balancing kullanır#

Peki, Ultralytics YOLO26 eğitim sırasındaki bu değişen öğrenme ihtiyaçlarını nasıl yönetiyor? Öğrenme sinyallerinin zaman içinde nasıl ağırlıklandırılacağını ayarlamak için Progressive Loss Balancing (İlerici Kayıp Dengeleme) yöntemini kullanır.

ProgLoss, eğitim ilerledikçe her başlığın toplam kayba ne kadar katkıda bulunduğunu dinamik olarak değiştirerek çalışır. Başlangıçta, öğrenmeyi stabilize etmek ve hatırlamayı iyileştirmek için bire çok başlığa daha fazla ağırlık verilir. Eğitim devam ettikçe denge kademeli olarak bire bir başlığa kayar ve eğitimi çıkarım davranışıyla daha yakından uyumlu hale getirir.

Bu kademeli geçiş, Ultralytics YOLO26 modelinin doğru sırayla öğrenmesini sağlar. Modeli yarışan amaçları aynı anda optimize etmeye zorlamak yerine Progressive Loss Balancing, eğitimin her aşamasında en faydalı öğrenme sinyaline öncelik verir. Sonuç olarak daha pürüzsüz bir yakınsama, daha az kararsız eğitim çalıştırması ve daha tutarlı nihai performans elde edilir.

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

Ultralytics YOLO26'daki bir diğer ilginç eğitim iyileştirmesi, modelin eğitim hedeflerini tahminlere nasıl atadığından gelir; bu süreç etiket atama olarak bilinir. Bu, temel gerçek nesneleri genellikle çapalar (anchors) olarak adlandırılan aday tahminlerle eşleştirmekten sorumludur.

Bu eşleşmeler, hangi tahminlerin denetim alacağını ve kayba katkıda bulunacağını belirler. Ultralytics YOLO26, eğitim sırasında sınıflandırma ve lokalizasyonu daha iyi uyumlu hâle getirmek için tasarlanmış Task Alignment Learning (TAL) adı verilen mevcut bir etiket atama yöntemini temel alır.

TAL çoğu nesne için iyi çalışsa da, eğitim önemli bir sınırlamayı ortaya çıkardı. Eşleştirme işlemi sırasında çok küçük nesneler tamamen devre dışı bırakılabiliyordu. Pratikte, 640 piksellik bir giriş görüntüsünde 8 pikselden küçük nesneler genellikle hiçbir çapa ataması alamazdı. Bu olduğunda model, bu nesneler için çok az denetim alır veya hiç almaz, bu da onları güvenilir bir şekilde algılamayı öğrenmeyi zorlaştırır.

Bu sorunu çözmek için Ultralytics YOLO26, Small-Target-Aware Label Assignment (STAL) yöntemini sunar. STAL, küçük nesnelerin eğitim sırasında göz ardı edilmemesini sağlamak için atama sürecini değiştirir. Özellikle 8 pikselden küçük nesneler için en az dört çapa ataması zorunlu kılar. Bu, en minik nesnelerin bile eğitim kaybına tutarlı bir şekilde katkıda bulunmasını garanti eder.

Küçük hedefler için denetimi güçlendirerek STAL; küçük veya uzaktaki nesnelerin yaygın olduğu senaryolarda öğrenme kararlılığını ve tespit performansını artırır. Bu iyileştirme, nesnelerin genellikle küçük, uzak veya kısmen görünür olduğu ve güvenilir tespitin kritik önem taşıdığı hava görüntüleri, robotik ve Nesnelerin İnterneti (IoT) sistemleri gibi edge-first YOLO26 uygulamaları için özellikle önemlidir.

Ultralytics YOLO26, MuSGD optimize edicisini sunar#

Daha kararlı ve tahmin edilebilir eğitimi desteklemek için Ultralytics YOLO26 ayrıca MuSGD adlı yeni bir optimize edici sunar. Bu optimize edici, özellikle model boyutu ve eğitim karmaşıklığı arttıkça uçtan uca algılama modellerinde yakınsamayı ve eğitim güvenilirliğini artırmak için tasarlanmıştır.

Bir sinir ağının öğrenebilmesi ve sonuç olarak eğitim sırasında ağırlıkları buna göre değiştirebilmesi için bir hata ("loss" olarak da adlandırılır) hesaplarız. Bu nedenle model, bir loss değeri kullanarak tahminlerinin ne kadar yanlış olduğunu ölçer, parametrelerinin nasıl değişmesi gerektiğini gösteren gradyanlar hesaplar ve ardından hatayı azaltmak için bu parametreleri günceller. Stochastic Gradient Descent (SGD), bu güncellemeleri gerçekleştiren, eğitimi verimli ve ölçeklenebilir kılan yaygın olarak kullanılan bir iyileştiricidir.

Şekil 3. Stokastik gradyan inişi ile gradyan inişi karşılaştırması (Source)

MuSGD, büyük dil modeli eğitiminde kullanılan bir yöntem olan Muon'dan ilham alan optimizasyon fikirlerini birleştirerek bu tanıdık temel üzerine inşa edilir. Bu fikirler, daha yapılandırılmış parametre güncellemeleri yoluyla gelişmiş eğitim davranışı sergileyen Moonshot AI'nın Kimi K2'si gibi son gelişmelerden etkilenmiştir.

Ultralytics YOLO26, hibrit bir güncelleme stratejisi kullanır. Bazı parametreler Muon esinli güncellemeler ve SGD'nin birleşimi kullanılarak güncellenirken, diğerleri yalnızca SGD kullanır. Bu, YOLO26'nın, SGD'yi etkili kılan sağlamlık ve genelleştirme özelliklerini korurken optimizasyon sürecine ek yapı kazandırmasını mümkün kılar.

Sonuç olarak daha pürüzsüz optimizasyon, daha hızlı yakınsama ve model boyutları genelinde daha öngörülebilir eğitim davranışı elde edilir; bu da MuSGD'yi Ultralytics YOLO26 modelinin eğitilmesinin neden daha kolay ve ölçekte daha güvenilir olduğunun temel bir parçası yapar.

Ultralytics YOLO26'nın eğitim yeniliklerinin önemi#

Ultralytics YOLO26'nın eğitim yenilikleri; uçtan uca, NMS içermeyen ve uç birim odaklı tasarımı gibi temel özelliklerle birleştiğinde modeli eğitilmesi daha kolay ve ölçekte daha güvenilir kılar. Bunun bilgisayarlı görü uygulamaları için gerçekte ne anlama geldiğini merak ediyor olabilirsiniz.

Şekil 4. YOLO26 temel özelliklerine bir bakış (Source)

Uygulamada, bilgisayarlı görüyü gerçekte çalıştığı yere getirmeyi çok daha kolaylaştırır. Modeller daha tahmin edilebilir bir şekilde eğitilir, boyutlar arasında daha tutarlı bir şekilde ölçeklenir ve yeni veri kümelerine uyarlanması daha basittir. Bu, özellikle güvenilirlik ve verimliliğin ham performans kadar önemli olduğu ortamlarda deney ve devreye alma arasındaki sürtünmeyi azaltır.

Örneğin robotics ve endüstriyel görü uygulamalarında modellerin, ortamlar, sensörler veya görevler değiştikçe sık sık yeniden eğitilmesi gerekebilir. Ultralytics YOLO26 ile ekipler, kararsız eğitim çalıştırmaları veya model boyutları genelinde tutarsız davranışlar konusunda endişelenmeden daha hızlı yineleme yapabilir.

Öne çıkanlar#

Güvenilir bilgisayarla görü sistemleri, modellerin çıkarım zamanındaki performansları kadar nasıl eğitildiklerine de bağlıdır. Öğrenme sinyallerinin nasıl dengelendiğini, küçük nesnelerin nasıl ele alındığını ve optimizasyonun nasıl ilerlediğini iyileştirerek Ultralytics YOLO26 eğitimi daha kararlı ve ölçeklendirmeyi daha kolay hâle getirir. Güvenilir eğitime verilen bu odaklanma, ekiplerin özellikle uç cihaz odaklı uygulamalarda deneyden gerçek dünya dağıtımına daha sorunsuz bir şekilde geçmesine yardımcı olur.

Yapay zeka hakkında bilgi edinmek ister misin? Daha fazlasını keşfetmek için GitHub repository adresimizi ziyaret et. Aktif community topluluğumuza katıl ve AI in logistics ve vision AI in the automotive sektörü gibi alanlardaki yenilikleri öğren. computer vision ile hemen başlamak için licensing options seçeneklerimize göz at.