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)'de, Kurucu ve CEO'muz Glenn Jocher, Ultralytics YOLO model serisindeki en son çığır açan gelişmeyi, yani Ultralytics YOLO26'yı resmen duyurdu! Yeni bilgisayarlı görü modelimiz YOLO26, hız, doğruluk ve kolay dağıtımı dengeleyen sadeleştirilmiş bir mimariyle görüntüleri ve videoları analiz edip yorumlayabilir.

Ultralytics YOLO26, modelin tasarımındaki bazı yönleri basitleştirip yeni geliştirmeler eklerken, kullanıcıların Ultralytics YOLO modellerinden beklediği alışılmış özellikleri sunmaya da devam ediyor. Örneğin, Ultralytics YOLO26'nın kullanımı kolaydır, çeşitli bilgisayarlı görü görevlerini destekler ve esnek entegrasyon ile dağıtım seçenekleri sunar.

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 görselde nesneleri tespit etmek için Ultralytics YOLO26 kullanımına dair bir örnek.

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!

Ultralytics 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 olarak biz her zaman inovasyonun gücüne inandık. En başından beri misyonumuz iki yönlü oldu. Bir yandan, vision AI teknolojisini herkesin engelsiz bir şekilde kullanabilmesi için erişilebilir kılmak istiyoruz. Diğer yandan, computer vision models başarabileceklerinin sınırlarını zorlayarak onu en son teknolojide 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."

Ultralytics YOLO26'ya genel bakış#

YOLO26, kutudan çıktığı gibi beş farklı model varyantıyla sunulur ve yeteneklerinden her ölçekteki uygulamada yararlanman için sana esneklik sağlar. Tüm bu model varyantları, önceki Ultralytics YOLO modellerinde olduğu gibi birden fazla bilgisayarlı görü görevini destekler. Bu, hangi boyutu seçersen seç, Ultralytics YOLO11 gibi YOLO26'nın da geniş bir yetenek yelpazesi sunacağına güvenebileceğin anlamına gelir.

İşte Ultralytics YOLO26 tarafından desteklenen computer vision tasks genel bir bakış:

• Object detection: Ultralytics YOLO26, bir görüntü veya video karesindeki birden fazla nesneyi tanımlayabilir ve konumlandırabilir.
• Instance segmentation: Algılamanın bir adım ötesine geçerek Ultralytics YOLO26, tanımladığı her nesnenin etrafında piksel düzeyinde kusursuz sınırlar oluşturabilir.
• Görüntü sınıflandırma: Model, tüm bir görüntüyü analiz edebilir ve onu belirli bir kategoriye veya etikete atayabilir.
• Pose estimation: Ultralytics YOLO26, insanlar ve diğer nesneler için anahtar noktaları tespit edebilir ve pozları 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.
• Object tracking: Ultralytics YOLO26, video karelerinde veya gerçek zamanlı akışlarda nesneleri izlemek için kullanılabilir.

Şekil 2. Ultralytics YOLO26 kullanarak bir görseldeki nesneleri tespit etme.

Ultralytics YOLO26 mimarisine bir bakış#

Ultralytics YOLO26'nın neler yapabileceğini artık daha iyi anladığımıza göre, mimarisindeki yeniliklerden bazılarını 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.

Aslına bakarsan, Ultralytics YOLO26'nın en küçük versiyonu olan nano model, standart CPU'larda artık %43'e varan oranda daha hızlı çalışıyor; bu da onu hız ve verimliliğin kritik olduğu mobil uygulamalar, akıllı kameralar ve diğer uç cihazlar için özellikle uygun kılıyor. İşte YOLO26'nın özelliklerinin ve kullanıcıların neler bekleyebileceğinin kısa bir özeti:

• DFL removal: Modelin mimarisinden Distribution Focal Loss modülünü kaldırdık. Görüntüdeki nesne boyutları ne olursa olsun Ultralytics YOLO26, daha verimli çalışırken özel sınırlayıcı kutular yerleştirebilir.
• End-to-end NMS-free inference: Ultralytics YOLO26, yinelenen tahminleri kaldırmak için normalde kullanılan Non-Maximum Suppression (NMS) adımına ihtiyaç duymayan isteğe bağlı bir mod ekleyerek gerçek zamanlı kullanım için dağıtımı daha basit ve daha hızlı hale getirir.
• ProgLoss ve STAL: Bu iyileştirmeler eğitimi daha kararlı hale getiriyor ve özellikle karmaşık sahnelerdeki küçük nesneleri tespit etmek için doğruluğu önemli ölçüde artırıyor.
• MuSGD optimizer: Ultralytics YOLO26, iki eğitim optimizatörünün (Muon ve SGD) güçlü yönlerini birleştiren yeni bir optimizatör kullanarak modelin daha hızlı öğrenmesine ve daha yüksek doğruluğa ulaşmasına yardımcı olur.

Şekil 3. Ultralytics YOLO26 kıyaslaması.

Ultralytics YOLO26 ile dağıtımı basitleştirme#

İster mobil uygulamalar, akıllı kameralar veya kurumsal sistemler üzerinde çalışıyor ol, YOLO26'yı dağıtmak basit ve esnektir. Ultralytics Python package, sürekli büyüyen sayıda export formats destekler; bu da YOLO26'yı mevcut iş akışlarına entegre etmeyi kolaylaştırır ve onu neredeyse tüm platformlarla uyumlu hale 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 edilmiş performans için OpenVINO'dur. Bu esneklik, Ultralytics YOLO26'yı ekstra engellerle karşılaşmadan geliştirmeden üretime taşımayı kolaylaştırır.

Dağıtımın bir diğer çok önemli kısmı da modellerin sınırlı kaynaklara sahip cihazlarda verimli çalışmasını sağlamaktır. Nicemleme (quantization) burada devreye girer. Basitleştirilmiş mimarisi sayesinde Ultralytics YOLO26 bunu olağanüstü iyi yönetir. Minimum doğruluk kaybıyla boyutu küçültmek ve hızı artırmak için 8 bitlik sıkıştırma kullanan INT8 dağıtımının yanı sıra, desteklenen donanımda daha hızlı çıkarım için yarı hassasiyeti (FP16) de destekler.

En önemlisi, Ultralytics YOLO26 bu nicemleme düzeylerinde tutarlı bir performans sunar; böylece güçlü bir sunucuda veya kompakt bir uç cihazda çalışırken ona güvenebilirsiniz.

Robotikten üretime: Ultralytics YOLO26 kullanım alanları#

Ultralytics YOLO26, birçok farklı endüstride 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, Ultralytics YOLO26'nın robotların çevrelerini gerçek zamanlı olarak yorumlamasına yardımcı olabileceği robotics iyi bir örnektir. Bu, navigasyonu daha akıcı ve nesne işlemeyi daha hassas hale getirir. Ayrıca insanlarla daha güvenli bir şekilde işbirliği yapılmasını sağlar.

Başka bir örnek de manufacturing alanıdır; burada model kusur tespiti için kullanılabilir. Üretim hatlarındaki kusurları manuel denetime göre daha hızlı ve daha doğru bir şekilde otomatik olarak belirleyebilir.

Şekil 4. Ultralytics YOLO26 kullanılarak bir üretim fabrikasında şişelerin tespiti.

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

Öne 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 community katıl! Yapay zeka hakkında daha fazla bilgi edinmek için GitHub repository keşfet. Çözüm sayfalarımızı ziyaret ederek computer vision in retail ve AI in the automotive endüstrisindeki yapay zeka gibi inovasyonları keşfet. Bilgisayarlı görü ile bugün geliştirmeye başlamak için licensing options göz at.