Ultralytics YOLO26 ile Tanışın: Daha İyi, Daha Hızlı, Daha Küçük Bir YOLO Modeli

25 Eylül’de, Londra’da düzenlediğimiz yıllık hibrit etkinlikte YOLO Vision 2025 (YV25), Kurucumuz ve CEO’muz Glenn Jocher, Ultralytics YOLO model serisindeki en son atılım olan Ultralytics YOLO26’yı resmen duyurdu! Yeni bilgisayarlı görü modelimiz YOLO26, hız, doğruluk ve dağıtım kolaylığını dengeleyen yalın bir mimariyle görüntüleri ve videoları analiz edip yorumlayabilir.

Ultralytics YOLO26, model tasarımının bazı yönlerini sadeleştirip yeni geliştirmeler eklerken kullanıcıların Ultralytics YOLO modellerinden beklediği tanıdık özellikleri sunmaya da devam ediyor. Örneğin Ultralytics YOLO26 kullanımı kolaydır, çeşitli bilgisayarlı görü görevlerini destekler ve esnek entegrasyon ve dağıtım seçenekleri sunar.

Söylemeye gerek yok, bu sayede Ultralytics YOLO26’ya geçiş zahmetsiz oluyor ve ekim sonunda herkese açık hâle geldiğinde kullanıcıların onu kendi başlarına deneyimlemelerini görmek için sabırsızlanıyoruz.

Şekil 1. Bir görüntüde nesneleri algılamak için Ultralytics YOLO26 kullanımı örneği.

Basitçe ifade etmek gerekirse Ultralytics YOLO26, daha iyi, daha hızlı ve daha küçük bir görsel yapay zekâ modelidir. Bu makalede Ultralytics YOLO26’nın temel özelliklerini ve sunduklarını inceleyeceğiz. Hadi başlayalım!

Ultralytics YOLO26 ile görsel yapay zekânın sınırlarını zorlamak#

Ultralytics YOLO26’nın temel özelliklerine ve mümkün kıldığı uygulamalara geçmeden önce bir adım geri çekilip bu modelin geliştirilmesine ilham veren ve yön veren unsurları ele alalım.

Ultralytics olarak inovasyonun gücüne her zaman inandık. En başından beri misyonumuz iki yönlü oldu. Bir yandan görsel yapay zekâyı erişilebilir hâle getirerek herkesin engellerle karşılaşmadan kullanabilmesini istiyoruz. Diğer yandan, bilgisayarlı görü modellerinin başarabileceklerinin sınırlarını zorlayarak bu teknolojiyi en ileri düzeyde tutmaya da aynı ölçüde bağlıyız.

Bu misyonun arkasındaki temel etkenlerden biri, yapay zekâ alanının sürekli gelişmesidir. Örneğin, yapay zekâ modellerini buluta güvenmek yerine doğrudan cihazlarda çalıştırmayı içeren uç yapay zekâ, sektörler genelinde hızla benimseniyor.

Akıllı kameralardan otonom sistemlere kadar uçtaki cihazların artık bilgileri gerçek zamanlı olarak işlemesi bekleniyor. Bu değişim, aynı yüksek doğruluk düzeyini korurken daha hafif ve daha hızlı modeller gerektiriyor.

Bu nedenle Ultralytics YOLO modellerimizi sürekli geliştirmemiz gerekiyor. Glenn Jocher’ın ifade ettiği gibi, “En büyük zorluklardan biri, en yüksek performansı sunmaya devam ederken kullanıcıların YOLO26’dan mümkün olan en iyi şekilde yararlanabilmesini sağlamaktı.”

Ultralytics YOLO26’ya genel bakış#

YOLO26, kullanıma hazır şekilde beş farklı model varyantıyla sunuluyor ve yeteneklerinden her ölçekteki uygulamada yararlanma esnekliği sağlıyor. Bu model varyantlarının tümü, önceki Ultralytics YOLO modelleri gibi birden fazla bilgisayarlı görü görevini destekliyor. Bu, hangi boyutu seçersen seç, Ultralytics YOLO11 gibi YOLO26’ya çok çeşitli yetenekler sunacağı konusunda güvenebileceğin anlamına geliyor.

Ultralytics YOLO26 tarafından desteklenen bilgisayarlı görü görevlerine genel bakış:

• Nesne algılama: Ultralytics YOLO26, bir görüntü veya video karesi içindeki birden fazla nesneyi tanımlayıp konumlandırabilir.
• Örnek bölütleme: Ultralytics YOLO26, algılamanın bir adım ötesine geçerek tanımladığı her nesnenin çevresinde piksel düzeyinde kusursuz sınırlar oluşturabilir.
• Görüntü sınıflandırma: Model, görüntünün tamamını analiz edip belirli bir kategoriye veya etikete atayabilir.
• Poz tahmini: Ultralytics YOLO26, insanlar ve diğer nesneler için kilit noktaları algılayıp pozları tahmin edebilir.
• Yönlendirilmiş sınırlayıcı kutular (OBB): Model, nesneleri her açıdan algılayabilir. Bu özellik, binalar, araçlar veya ekinler gibi öğelerin görüntü karesiyle hizalanmayabileceği hava, drone ve uydu görüntüleri için özellikle kullanışlıdır.
• Nesne takibi: Ultralytics YOLO26, nesneleri video kareleri veya gerçek zamanlı akışlar boyunca takip etmek için kullanılabilir.

Şekil 2. Ultralytics YOLO26 kullanarak bir görüntüde nesneleri algılama.

Ultralytics YOLO26 mimarisine bakış#

Artık Ultralytics YOLO26’nın neler yapabildiğini daha iyi anladığımıza göre, mimarisindeki bazı yenilikleri inceleyelim.

Daha önce çıkarımı yavaşlatan ve sınırlayıcı kutu regresyonunu kısıtlayan Dağılımsal Odaklanma Kaybı (DFL) modülü kaldırılarak modelin tasarımı yalınlaştırıldı.

Tahmin süreci, modelin geleneksel Maksimum Olmayan Bastırma (NMS) adımını atlamasını sağlayan uçtan uca (E2E) çıkarım seçeneğiyle de sadeleştirildi. Bu geliştirme karmaşıklığı azaltır ve modelin sonuçları daha hızlı sunmasını sağlayarak gerçek dünya uygulamalarında dağıtımı kolaylaştırır.

Diğer geliştirmeler modeli daha akıllı ve güvenilir hâle getiriyor. Aşamalı Kayıp Dengeleme (ProgLoss), eğitimi kararlı hâle getirip doğruluğu artırırken Küçük Hedef Farkındalıklı Etiket Atama (STAL), modelin küçük nesneleri daha etkili şekilde algılamasını sağlıyor. Ayrıca yeni bir MuSGD optimizer’ı eğitim yakınsamasını iyileştirip genel performansı artırıyor.

Aslında Ultralytics YOLO26’nın en küçük sürümü olan nano model, artık standart CPU’larda %43’e kadar daha hızlı çalışıyor. Bu da onu hız ve verimliliğin kritik olduğu mobil uygulamalar, akıllı kameralar ve diğer uç cihazlar için özellikle uygun hâle getiriyor. YOLO26’nın özelliklerinin ve kullanıcıların bekleyebileceklerinin kısa bir özeti şöyle:

• DFL’nin kaldırılması: Dağılımsal Odaklanma Kaybı modülünü modelin mimarisinden kaldırdık. Görüntüdeki nesnelerin boyutlarından bağımsız olarak Ultralytics YOLO26, daha verimli çalışırken amaca uygun sınırlayıcı kutular yerleştirebilir.
• Uçtan uca NMS’siz çıkarım: Ultralytics YOLO26, normalde yinelenen tahminleri kaldırmak için kullanılan Maksimum Olmayan Bastırma (NMS) adımına ihtiyaç duymayan isteğe bağlı bir mod ekler. Bu, gerçek zamanlı kullanım için dağıtımı daha basit ve hızlı hâle getirir.
• ProgLoss ve STAL: Bu geliştirmeler eğitimi daha kararlı hâle getirir ve özellikle karmaşık sahnelerdeki küçük nesnelerin algılanmasında doğruluğu önemli ölçüde artırır.
• MuSGD optimizer’ı: Ultralytics YOLO26, iki eğitim optimizer’ının (Muon ve SGD) güçlü yönlerini birleştiren yeni bir optimizer kullanır; bu da modelin daha hızlı öğrenmesine ve daha yüksek doğruluğa ulaşmasına yardımcı olur.

Şekil 3. Ultralytics YOLO26 kıyaslaması.

Ultralytics YOLO26 ile dağıtımı sadeleştirme#

İster mobil uygulamalar, ister akıllı kameralar, ister kurumsal sistemler üzerinde çalışıyor ol, YOLO26’yı dağıtmak basit ve esnektir. Ultralytics Python paketi, sürekli genişleyen dışa aktarma formatlarını destekler. Bu da YOLO26’yı mevcut iş akışlarına entegre etmeyi kolaylaştırır ve neredeyse tüm platformlarla uyumlu hâle getirir.

Dışa aktarma seçeneklerinden bazıları; maksimum GPU hızlandırması için TensorRT, geniş uyumluluk için ONNX, yerel iOS uygulamaları için CoreML, Android ve uç cihazlar için TFLite ve Intel donanımında optimize performans için OpenVINO’dur. Bu esneklik, Ultralytics YOLO26’yı ek engeller olmadan geliştirme aşamasından üretime taşımayı kolaylaştırır.

Dağıtımın bir diğer önemli kısmı, modellerin kaynakları sınırlı cihazlarda verimli çalışmasını sağlamaktır. Nicemleme burada devreye girer. Sadeleştirilmiş mimarisi sayesinde Ultralytics YOLO26 bunu son derece iyi şekilde destekler. INT8 dağıtımını (boyutu azaltmak ve minimum doğruluk kaybıyla hızı artırmak için 8 bitlik sıkıştırma kullanarak) ve desteklenen donanımlarda daha hızlı çıkarım için yarı hassasiyeti (FP16) destekler.

En önemlisi, Ultralytics YOLO26 bu nicemleme düzeyleri genelinde tutarlı performans sunar. Bu nedenle ister güçlü bir sunucuda ister kompakt bir uç cihazda çalışsın ona güvenebilirsin.

Robotikten üretime: Ultralytics YOLO26 kullanım alanları#

Ultralytics YOLO26, pek çok farklı sektörde ve kullanım alanında çok çeşitli bilgisayarlı görü uygulamalarında kullanılabilir. Robotikten üretime kadar iş akışlarını iyileştirerek ve daha hızlı, daha doğru karar almayı mümkün kılarak önemli bir etki yaratabilir.

Örneğin robotik alanında Ultralytics YOLO26, robotların çevrelerini gerçek zamanlı olarak yorumlamasına yardımcı olabilir. Bu, navigasyonu daha akıcı ve nesne taşımayı daha hassas hâle getirir. Ayrıca insanlarla daha güvenli iş birliğini mümkün kılar.

Bir başka örnek üretim alanıdır; burada model kusur algılama için kullanılabilir. Üretim hatlarındaki kusurları manuel denetimden daha hızlı ve doğru şekilde otomatik olarak tespit edebilir.

Şekil 4. Ultralytics YOLO26 kullanarak bir üretim tesisinde şişeleri algılama.

Genel olarak Ultralytics YOLO26 daha iyi, daha hızlı ve daha hafif olduğu için hafif uç cihazlardan büyük kurumsal sistemlere kadar çok çeşitli ortamlara kolayca uyum sağlar. Bu da onu verimliliği, doğruluğu ve güvenilirliği artırmak isteyen sektörler için pratik bir seçenek hâline getirir.

Önemli çıkarımlar#

Ultralytics YOLO26, kullanımı kolay kalırken güçlü performans sunmaya devam eden, daha iyi, daha hızlı ve daha hafif bir bilgisayarlı görü modelidir. Çok çeşitli görevlerde ve platformlarda çalışır ve ekim ayı sonuna kadar herkesin kullanımına sunulacaktır. Topluluğun onu yeni çözümler oluşturmak ve bilgisayarlı görünün sınırlarını zorlamak için nasıl kullanacağını görmek için sabırsızlanıyoruz.

Büyüyen topluluğumuza katıl! Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Çözüm sayfalarımızı ziyaret ederek perakendede bilgisayarlı görü ve otomotiv sektöründe yapay zekâ gibi yenilikleri keşfet. Bilgisayarlı görüyle bugün geliştirmeye başlamak için lisanslama seçeneklerimize göz at.