Ultralytics YOLO26 ile tanış: Daha iyi, daha hızlı, daha küçük bir YOLO modeli

25 Eylül'de Londra'daki yıllık hibrit etkinliğimiz YOLO Vision 2025 (YV25)'te, 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 modern bir mimariyle görüntüleri ve videoları analiz edip yorumlayabiliyor.

Ultralytics YOLO26, modelin tasarımını basitleştirip yeni geliştirmeler eklerken, kullanıcıların Ultralytics YOLO modellerinden beklediği alışıldık özellikleri de sunmaya devam ediyor. Örneğin; Ultralytics YOLO26'nın kullanımı kolaydır, çeşitli bilgisayarlı görü görevlerini destekler ve esnek entegrasyon ile dağıtım seçenekleri sağlar.

Söylemeye gerek yok, bu durum Ultralytics YOLO26'ya geçişi zahmetsiz hale getiriyor ve Ekim sonunda genel kullanıma sunulduğunda kullanıcıların bunu bizzat deneyimlemelerini sabırsızlıkla bekliyoruz.

Şekil 1. Bir görüntüdeki nesneleri tespit etmek için YOLO26 kullanım örneği.

Basitçe ifade etmek gerekirse, Ultralytics YOLO26 daha iyi, daha hızlı ve daha küçük bir vizyon AI modelidir. Bu makalede, Ultralytics YOLO26'nın temel özelliklerini ve neler getirdiğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionUltralytics YOLO26 ile vizyon AI sınırlarını zorlamak#

Ultralytics YOLO26'nın temel özelliklerine ve mümkün kıldığı uygulamalara dalmadan önce, bir adım geri çekilip bu modelin geliştirilmesine yön veren ilhamı ve motivasyonu tartışalım.

Ultralytics'te her zaman inovasyonun gücüne inandık. En başından beri misyonumuz iki yönlü oldu. Bir taraftan, vizyon AI'yi herkesin hiçbir engel olmadan kullanabilmesi için erişilebilir kılmak istiyoruz. Diğer taraftan, bilgisayarlı görü modellerinin neler başarabileceğinin sınırlarını zorlayarak onu en ileri seviyede tutmaya aynı ölçüde kararlıyız.

Bu misyonun arkasındaki temel faktörlerden biri, AI alanının sürekli gelişiyor olmasıdır. Örneğin, AI modellerini buluta güvenmek yerine doğrudan cihazlarda çalıştırmayı içeren uç (edge) AI, sektörler genelinde hızla benimseniyor.

Akıllı kameralardan otonom sistemlere kadar, uçtaki cihazların artık bilgileri gerçek zamanlı olarak işlemesi bekleniyor. Bu değişim, aynı yüksek doğruluk seviyesini sunmaya devam ederken daha hafif ve daha hızlı modeller talep ediyor.

İşte bu yüzden Ultralytics YOLO modellerimizi sürekli geliştirme ihtiyacı var. Glenn Jocher'in dediği gibi, "En büyük zorluklardan biri, kullanıcıların en yüksek performansı alırken aynı zamanda YOLO26'dan en iyi şekilde yararlanabilmelerini sağlamaktı."

Link to this sectionUltralytics YOLO26'ya genel bakış#

YOLO26, yeteneklerinden her ölçekteki uygulamada yararlanman için esneklik sağlayan beş farklı model varyantıyla kullanıma hazır bir şekilde geliyor. Bu model varyantlarının tümü, önceki Ultralytics YOLO modelleri gibi birden fazla bilgisayarlı görü görevini destekler. Bu, hangi boyutu seçersen seç, tıpkı Ultralytics YOLO11 gibi, çok çeşitli yetenekler sunması için YOLO26'ya güvenebileceğin anlamına gelir.

İşte YOLO26 tarafından desteklenen bilgisayarlı görü görevlerine genel bir bakış:

• Nesne tespiti: YOLO26, bir görüntü veya video karesindeki birden fazla nesneyi tanımlayıp konumlandırabilir.
• Örnek segmentasyonu: Tespitin bir adım ötesine geçen YOLO26, tanımladığı her nesnenin etrafında piksel mükemmelliğinde sınırlar oluşturabilir.
• Görüntü sınıflandırma: Model, tüm bir görüntüyü analiz edebilir ve onu belirli bir kategoriye veya etikete atayabilir.
• Poz kestirimi: YOLO26, insanların ve diğer nesnelerin anahtar noktalarını tespit edip pozlarını tahmin edebilir.
• Yönelimli sınırlayıcı kutular (OBB): Model, nesneleri herhangi bir açıda tespit edebilir; bu özellikle binalar, araçlar veya mahsuller gibi öğelerin görüntü karesiyle hizalanmayabileceği hava, dron ve uydu görüntüleri için kullanışlıdır.
• Nesne takibi: YOLO26, video kareleri veya gerçek zamanlı akışlar boyunca nesneleri takip etmek için kullanılabilir.

Şekil 2. YOLO26 kullanarak bir görüntüdeki nesneleri tespit etme.

Link to this sectionYOLO26'nın mimarisine bir bakış#

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

Modelin tasarımı, daha önce çıkarımı yavaşlatan ve sınırlayıcı kutu regresyonunu sınırlayan Distribution Focal Loss (DFL) modülü kaldırılarak modernize edildi.

Tahmin süreci, modelin geleneksel Non-Maximum Suppression (NMS) adımını atlamasını sağlayan uçtan uca (E2E) çıkarım seçeneğiyle de basitleştirildi. Bu iyileştirme karmaşıklığı azaltır ve modelin sonuçları daha hızlı sunmasını sağlayarak gerçek dünya uygulamalarında dağıtımı kolaylaştırır.

Diğer iyileştirmeler modeli daha akıllı ve daha güvenilir kılıyor. Progressive Loss Balancing (ProgLoss), eğitimin stabilize edilmesine ve doğruluğun artırılmasına yardımcı olurken, Small-Target-Aware Label Assignment (STAL), modelin küçük nesneleri daha etkili bir şekilde tespit etmesini sağlıyor. Üstelik, yeni bir MuSGD optimize edici, eğitim yakınsamayı iyileştiriyor ve genel performansı artırıyor.

Aslında, YOLO26'nın en küçük sürümü olan nano model, standart CPU'larda %43'e kadar daha hızlı çalışarak onu hız ve verimliliğin kritik olduğu mobil uygulamalar, akıllı kameralar ve diğer uç cihazlar için özellikle uygun hale getiriyor. İşte YOLO26'nın özelliklerinin ve kullanıcıların neler bekleyebileceğinin kısa bir özeti:

• DFL kaldırma: Modelin mimarisinden Distribution Focal Loss modülünü kaldırdık. Görüntüdeki nesne boyutları ne olursa olsun, YOLO26 daha verimli çalışırken özel sınırlayıcı kutular yerleştirebilir.
• Uçtan uca NMS'siz çıkarım: YOLO26, normalde kopya tahminleri kaldırmak için kullanılan bir adım olan Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldıran isteğe bağlı bir mod ekleyerek, gerçek zamanlı kullanım için dağıtımı daha basit ve hızlı hale getiriyor.
• ProgLoss ve STAL: Bu iyileştirmeler eğitimi daha kararlı hale getiriyor ve özellikle karmaşık sahnelerdeki küçük nesneleri tespit etmek için doğruluğu önemli ölçüde artırıyor.
• MuSGD optimize edici: YOLO26, iki eğitim optimize edicisinin (Muon ve SGD) güçlü yönlerini birleştiren yeni bir optimize edici kullanarak modelin daha hızlı öğrenmesine ve daha yüksek doğruluğa ulaşmasına yardımcı oluyor.

Şekil 3. YOLO26 kıyaslaması.

Link to this sectionUltralytics YOLO26 ile dağıtımı basitleştirme#

İster mobil uygulamalar, ister akıllı kameralar veya kurumsal sistemler üzerinde çalışıyor ol, YOLO26'yı dağıtmak basit ve esnektir. Ultralytics Python paketi, giderek artan sayıda dışa aktarma formatını destekler; bu da YOLO26'yı mevcut iş akışlarına entegre etmeyi kolaylaştırır ve onu neredeyse her platformla uyumlu hale getirir.

Dışa aktarma seçeneklerinden birkaçı; maksimum GPU hızlandırması için TensorRT, geniş uyumluluk için ONNX, yerel iOS uygulamaları için CoreML, Android ve uç cihazlar için TFLite ve Intel donanımında optimize edilmiş performans için OpenVINO'yu içerir. Bu esneklik, YOLO26'yı ekstra engeller olmadan geliştirmeden üretime taşımayı kolaylaştırır.

Dağıtımın bir diğer kritik parçası da modellerin sınırlı kaynaklara sahip cihazlarda verimli çalışmasını sağlamaktır. İşte bu noktada nicemleme (quantization) devreye girer. Basitleştirilmiş mimarisi sayesinde YOLO26 bunu olağanüstü iyi yönetir. INT8 dağıtımını (boyutu küçültmek ve minimum doğruluk kaybıyla hızı artırmak için 8-bit sıkıştırma kullanır) ve desteklenen donanımlarda daha hızlı çıkarım için yarım hassasiyeti (FP16) destekler.

En önemlisi, YOLO26 bu nicemleme seviyeleri genelinde tutarlı bir performans sunar, böylece ister güçlü bir sunucuda ister kompakt bir uç cihazda çalışıyor olsun ona güvenebilirsin.

Link to this sectionRobotikten üretime: YOLO26'nın kullanım alanları#

YOLO26, birçok farklı sektör ve kullanım alanında çok çeşitli bilgisayarlı görü uygulamalarında kullanılabilir. Robotikten üretime kadar, iş akışlarını iyileştirerek ve daha hızlı, daha doğru karar almayı sağlayarak önemli bir etki yaratabilir.

Örneğin, YOLO26'nın robotların çevrelerini gerçek zamanlı olarak yorumlamasına yardımcı olabileceği robotik iyi bir örnektir. Bu, navigasyonu daha sorunsuz ve nesne yönetimini daha hassas hale getirir. Ayrıca insanlarla daha güvenli bir iş birliği sağlar.

Bir başka örnek ise, modelin kusur tespiti için kullanılabileceği üretim alanıdır. Üretim hatlarındaki kusurları manuel incelemeden daha hızlı ve daha doğru bir şekilde otomatik olarak tanımlayabilir.

Şekil 4. YOLO26 kullanarak bir üretim fabrikasında şişelerin tespiti.

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

Link to this sectionÖne çıkanlar#

Ultralytics YOLO26, kullanımı kolay ve güçlü performans sunmaya devam ederken aynı zamanda daha iyi, daha hızlı ve daha hafif olan bir bilgisayarlı görü modelidir. Çok çeşitli görevlerde ve platformlarda çalışır ve Ekim ayının sonuna kadar herkesin kullanımına sunulacaktır. Topluluğun yeni çözümler oluşturmak ve bilgisayarlı görü sınırlarını zorlamak için onu nasıl kullanacağını görmeyi dört gözle bekliyoruz.

Büyüyen topluluğumuza katıl! AI hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Perakendede bilgisayarlı görü ve otomotiv endüstrisinde AI gibi inovasyonları çözüm sayfalarımızı ziyaret ederek keşfet. Bilgisayarlı görü ile bugün inşa etmeye başlamak için lisanslama seçeneklerimize göz at.