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

25 Eylül'de Londra'da düzenlediğimiz yıllık karma etkinlik YOLO Vision 2025 (YV25) sırasında Kurucumuz ve CEO'muz Glenn Jocher, Ultralytics YOLO serisinin en yeni modeli Ultralytics YOLO26'yı resmen duyurdu. Yeni bilgisayarlı görü modelimiz YOLO26; hız, doğruluk ve dağıtım kolaylığını dengeleyen yalın bir mimariyle görüntüleri ve videoları analiz edip yorumlayabiliyor.

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

Bu, Ultralytics YOLO26'ya geçişi zahmetsiz hâle getiriyor ve kullanıcıların modeli bizzat deneyimlemesini görmek için sabırsızlanıyoruz. YOLO26, 14 Ocak 2026'da herkese açık olarak yayımlandı ve artık Ultralytics Python paketi ile Ultralytics Platform üzerinden kullanılabiliyor.

Şekil 1. Bir görüntüdeki nesneleri algılamak için Ultralytics YOLO26 kullanımına örnek.

Basitçe söylemek 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.

Ultralytics YOLO26 ile görsel yapay zekânın sınırlarını zorluyoruz#

Ultralytics YOLO26'nın temel özelliklerine ve mümkün kıldığı uygulamalara bakmadan önce, bu modelin geliştirilmesine ilham veren etkenleri ve motivasyonu ele alalım.

Ultralytics olarak yeniliğin gücüne her zaman inandık. En başından beri iki yönlü bir misyonumuz oldu. Bir yandan görsel yapay zekâyı erişilebilir hâle getirerek herkesin engeller olmadan kullanabilmesini istiyoruz. Diğer yandan bilgisayarlı görü modellerinin başarabileceklerinin sınırlarını zorlayarak bu alanı son teknoloji düzeyinde tutmaya aynı ölçüde bağlıyız.

Bu misyonun ardındaki temel etkenlerden biri, yapay zekâ alanının sürekli gelişmesidir. Örneğin, yapay zekâ modellerini buluta bağlı kalmak yerine doğrudan cihazlarda çalıştırmayı içeren uç yapay zekâ, sektörlerde hızla benimseniyor.

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

Bu nedenle Ultralytics YOLO modellerimizi sürekli geliştirmemiz gerekiyor. Glenn Jocher'ın da belirttiği gibi, “En büyük zorluklardan biri, en yüksek performansı sunmaya devam ederken kullanıcıların YOLO26'dan en iyi şekilde yararlanmasını sağlamaktı.”

Ultralytics YOLO26'ya genel bakış#

YOLO26, kullanıma hazır olarak beş farklı model varyantıyla sunulur ve her ölçekteki uygulamada yeteneklerinden yararlanma esnekliği sağlar. Bu model varyantlarının tümü, önceki Ultralytics YOLO modelleri gibi birden çok bilgisayarlı görü görevini destekler. Yani hangi boyutu seçersen seç, Ultralytics YOLO11 gibi YOLO26'nın da geniş bir yetenek yelpazesi sunacağına güvenebilirsin.

Ultralytics YOLO26'nın desteklediği bilgisayarlı görü görevlerine genel bakış:

• Nesne algılama: Ultralytics YOLO26, bir görüntü veya video karesindeki birden çok nesneyi tanımlayıp konumlarını belirleyebilir.
• Örnek segmentasyonu: Algılamanın bir adım ötesine geçen Ultralytics YOLO26, tanımladığı her nesnenin çevresinde piksel düzeyinde hassas sınırlar oluşturabilir.
• Görüntü sınıflandırma: Model, görüntünün tamamını analiz edip belirli bir kategoriye veya etikete atayabilir.
• Poz tahmini: Ultralytics YOLO26, insanların yanı sıra diğer nesneler için de 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 hizalı olmayabileceği hava, drone ve uydu görüntülerinde özellikle kullanışlıdır.
• Nesne takibi: Ultralytics YOLO26, nesneleri video kareleri veya gerçek zamanlı akışlar boyunca takip etmek için kullanılabilir.

Şekil 2. Ultralytics YOLO26 ile görüntüdeki nesneleri algılama.

Ultralytics YOLO26 mimarisine yakından bakış#

Artık Ultralytics YOLO26'nın neler yapabileceğini daha iyi anladığımıza göre, mimarisindeki bazı yeniliklere göz atalım.

Daha önce çıkarımı yavaşlatan ve sınırlayıcı kutu regresyonunu kısıtlayan Distribution Focal Loss (DFL) modülünün kaldırılmasıyla modelin tasarımı sadeleştirildi.

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

Diğer iyileştirmeler modeli daha akıllı ve güvenilir kılar. Aşamalı Kayıp Dengeleme (ProgLoss), eğitimi kararlı hâle getirmeye ve doğruluğu artırmaya yardımcı olurken Küçük Hedefleri Dikkate Alan Etiket Atama (STAL), modelin küçük nesneleri daha etkili biçimde algılamasını sağlar. Ayrıca yeni MuSGD iyileştiricisi, eğitim yakınsamasını geliştirir ve genel performansı artırır.

Aslında Ultralytics YOLO26'nın en küçük sürümü olan nano modeli artık standart CPU'larda YOLO11n'den %43'e kadar daha hızlı çalışıyor. Bu özelliğiyle hız ve verimliliğin kritik olduğu mobil uygulamalar, akıllı kameralar ve diğer uç cihazlar için özellikle uygundur. YOLO26'nın özelliklerini ve kullanıcıların neler bekleyebileceğini kısaca gözden geçirelim:

• DFL'nin kaldırılması: Distribution Focal Loss modülünü model mimarisinden kaldırdık. Görüntüdeki nesnelerin boyutları ne olursa olsun Ultralytics YOLO26, daha verimli çalışırken nesnelere uygun sınırlayıcı kutular yerleştirebilir.
• Uçtan uca NMS'siz çıkarım: Ultralytics YOLO26, normalde yinelenen tahminleri kaldırmak için kullanılan Non-Maximum Suppression (NMS) adımına ihtiyaç duymayan isteğe bağlı bir mod ekleyerek gerçek zamanlı kullanımda dağıtımı daha basit ve hızlı hâle getirir.
• ProgLoss ve STAL: Bu iyileştirmeler, 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, modelin daha hızlı öğrenmesine ve daha yüksek doğruluğa ulaşmasına yardımcı olur.

Şekil 3. Ultralytics YOLO26 için kıyaslama.

Ultralytics YOLO26 ile dağıtımı kolaylaştırma#

Mobil uygulamalar, akıllı kameralar veya kurumsal sistemler üzerinde çalışıyor olman fark etmez; YOLO26'yı dağıtmak basit ve esnektir. Ultralytics Python paketi, sürekli artan sayıda dışa aktarma biçimini destekler. Bu sayede YOLO26'yı mevcut iş akışlarına entegre etmek kolaylaşır ve neredeyse her platformla uyumlu hâle gelir.

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 edilmiş performans için OpenVINO'dur. Bu esneklik, Ultralytics YOLO26'yı ek engellerle karşılaşmadan geliştirmeden üretime taşımanı kolaylaştırır.

Dağıtımın bir diğer önemli kısmı, modellerin kaynakları sınırlı cihazlarda verimli çalışmasını sağlamaktır. Kuantizasyon bu noktada devreye girer. Basitleştirilmiş mimarisi sayesinde Ultralytics YOLO26 kuantizasyonu iyi bir şekilde destekler. INT8 dağıtımının (boyutu küçültmek ve doğruluk kaybını en aza indirerek hızı artırmak için 8 bit sıkıştırma kullanır) yanı sıra desteklenen donanımlarda daha hızlı çıkarım sağlayan yarı hassasiyetli (FP16) biçimi de destekler.

En önemlisi, Ultralytics YOLO26 bu nicemleme düzeylerinde tutarlı performans sunar. Böylece güçlü bir sunucuda da kompakt bir uç cihazda da çalışsa ona güvenebilirsin.

Robotikten üretime: Ultralytics YOLO26 kullanım alanları#

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

Örneğin, robotik alanında Ultralytics YOLO26, robotların çevrelerini gerçek zamanlı olarak yorumlamasına yardımcı olabilir. Bu, gezinmeyi kolaylaştırır ve nesnelerin daha hassas biçimde taşınmasını sağlar. Ayrıca insanlarla daha güvenli iş birliği yapılmasına olanak tanır.

Bir başka örnek de modelin kusur algılama için kullanılabileceği üretim alanıdır. Model, üretim hatlarındaki kusurları manuel incelemeye kıyasla daha hızlı ve doğru şekilde otomatik olarak belirleyebilir.

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

Genel olarak Ultralytics YOLO26 daha iyi, hızlı ve hafif olduğundan 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 daha iyi, hızlı ve hafif bir bilgisayarlı görü modelidir; buna karşın kullanımı kolaydır ve güçlü performans sunmaya devam eder. Çok çeşitli görevlerde ve platformlarda çalışır ve Ocak 2026'daki sürümünden bu yana herkesin kullanımına açıktır. Topluluğun bu modeli yeni çözümler üretmek ve bilgisayarlı görünün sınırlarını zorlamak için nasıl kullanacağını görmek için sabırsızlanıyoruz.

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