Ultralytics YOLO26'nın daha hızlı, uç öncelikli tasarımının etkisi

Hafta başlarında Ultralytics, bilgisayarla görü sistemlerinin uçta (edge) performansını yeniden tanımlamayı amaçlayan daha hızlı, daha hafif ve daha küçük bir YOLO modeli olan Ultralytics YOLO26'yi resmi olarak piyasaya sürdü. YOLO26, nesne tespiti ve örnek bölütleme (instance segmentation) dahil olmak üzere önceki YOLO modelleriyle aynı temel görü görevlerini destekler.

Şekil 1. Bir nesneyi segmentlere ayırmak için Ultralytics YOLO26 kullanma örneği.

Ultralytics YOLO26 ile önceki modeller arasındaki belirleyici fark, çalıştırılması için tasarlandığı ortamdır. YOLO26, öncelikle bulut grafik işlem birimleri (GPU'lar) veya kıyaslama odaklı performans için optimize edilmek yerine, uç cihazlarda ve gömülü donanımlarda gerçek dünyada devreye alma amacıyla sıfırdan tasarlanmıştır.

Bilgisayarla görü araştırmadan üretime taşındıkça, performans kısıtlamalarının gerçeği daha belirgin hale geliyor. Uç (edge) ortamları; sıkı gecikme bütçeleri, sınırlı bellek, güç ve termal kısıtlamalar ile farklı platformlarda öngörülebilir davranış ihtiyacı tarafından şekillendirilir.

Bu ayarlarda, toplam sistem performansı sadece ham çıkarım hızına değil, aynı zamanda tüm işlem hattının ne kadar verimli çalıştığına da bağlıdır. İşlem sonrası (post-processing) yükü, bellek baskısı ve platforma özel yürütme yolları genellikle darboğazlardır.

Ultralytics YOLO26; bireysel model metrikleri yerine tüm çıkarım boru hattını inceleyen daha hızlı, uç odaklı bir yaklaşım benimseyerek bu zorlukların üstesinden gelir. Uç optimizasyonuna odaklanarak, çıkarım boru hattını basitleştirerek ve gereksiz son işleme adımlarını kaldırarak YOLO26, üretim ortamında daha düşük gecikme ve daha güvenilir davranış sağlayan hız iyileştirmeleri sunar.

Bu makalede, Ultralytics YOLO26 mimari tercihlerinin gerçek dünya performans artışlarına nasıl dönüştüğünü ve uçta daha hızlı olmanın yeni nesil computer vision uygulamaları için olanakları neden kökten değiştirdiğini inceleyeceğiz.

Uç nokta dağıtımının gerçekliği#

Bilgisayarla görü modellerini uçta (edge) çalıştırmak, bulutta çalıştırmaktan çok farklıdır. Bulut ortamlarında sistemler genellikle güçlü GPU'lara, büyük miktarda belleğe ve kararlı donanıma erişebilir. Uçta ise aynı varsayımlar geçerli değildir.

Çoğu uç nokta dağıtımı, GPU'lar yerine çeşitli donanım mimarilerinde çalışır. Cihazlar genellikle, bulut GPU'larının ham bilgi işlem kapasitesinden ziyade verimlilik ve düşük güç için optimize edilmiş, farklı görevler için özelleşmiş birden fazla işlemci kullanır.

Gecikme süresi bir diğer önemli kısıtlamadır. Uç sistemler genellikle küçük gecikmelerin bile yanıt verebilirliği veya güvenliği etkileyebileceği sıkı gerçek zamanlı limitler altında çalışır. Bu durumlarda, uçtan uca gecikme, ham çıkarım hızından daha önemlidir. Bir model kağıt üzerinde hızlı olabilir ancak işlem sonrası adımlar ve veri hareketi eklendiğinde yetersiz kalabilir.

Bellek de büyük bir rol oynar. Birçok uç cihazın sınırlı belleği ve paylaşılan önbellekleri vardır. Büyük ara tensörler ve verimsiz bellek kullanımı, modelin kendisi verimli olsa bile sistemleri yavaşlatabilir.

Güç ve termal limitler ek kısıtlamalar getirir. Uç cihazlar genellikle aktif soğutma olmadan ve sabit güç bütçeleri dahilinde çalışır. Performansın sadece kısa süreli patlamalarla hızlı değil, aynı zamanda verimli ve sürdürülebilir olması gerekir.

Tüm bunların ötesinde, uç nokta dağıtımları tutarlılık gerektirir. Modellerin cihazlar ve çalışma zamanları genelinde aynı şekilde davranması gerekir. Platforma özel kodlar veya karmaşık işlem sonrası adımları, sistemlerin dağıtılmasını ve bakımını zorlaştıran ince farklılıklar ortaya çıkarabilir.

Şekil 2. Uç nokta dağıtımının kısıtlamalarına bir bakış. Görsel: Yazar.

Bu kısıtlamalar, uç noktada performansın gerçekten ne anlama geldiğini tanımlar. Başka bir deyişle, performans tek bir metrikle değil, tüm işlem hattı ile tanımlanır.

Uç nokta görüsü neden farklı bir performans modeli gerektirir?#

Peki, uç nokta dağıtımının kısıtlamaları, uç nokta için oluşturulmuş bir bilgisayarlı görü modelinin gereksinimleriyle nasıl ilişkilidir? Modeller araştırma ortamlarından gerçek dünya sistemlerine taşındığında bağlantı netleşir.

Bulut ortamlarında performans genellikle çıkarım hızı ve doğruluk gibi kıyaslamalar kullanılarak ölçülür. Uç noktada bu metrikler hikayenin sadece bir kısmını anlatır. Görü sistemleri tipik olarak, sinir ağı çıkarımının özelleşmiş hızlandırıcılara aktarıldığı, işlem hattının diğer kısımlarının ise genel amaçlı işlemcilerde çalıştığı heterojen donanımlar üzerinde çalışır.

Bu bağlamda model hızı yeterli değildir. Model dağıtıldıktan sonra tüm sistemin nasıl performans gösterdiği anahtardır. Bir model kendi başına hızlı görünebilir, ancak işlem sonrası adımlar, veri hareketi veya platforma özel adımlar ek yük getirirse yine de yetersiz kalabilir.

Bu nedenle uç görüşü, yalıtılmış kıyaslamalar yerine sistem düzeyinde verimliliğe odaklanan bir performans modeli gerektirir. Ultralytics YOLO26, uç öncelikli optimizasyon, kolaylaştırılmış inference ve gerçek dünya dağıtımı için oluşturulmuş uçtan uca yürütmeye odaklanarak bu değişimi yansıtır.

Hızın temeli: Uç nokta odaklı bir tasarım#

Uç noktada performans, bir modelin cihazın gerçek donanım mimarisine ne kadar iyi eşlendiği ile tanımlanır. Önce uç nokta için tasarım yapmak, mevcut işlem birimlerinin özel kombinasyonuna bakılmaksızın görü sistemlerinin gerçek dünya platformlarında güvenilir bir şekilde çalışmasını sağlar.

Uç nokta odaklı bir yaklaşım, bulut GPU'ları için optimize edilmiş modelleri sonradan uyarlamak yerine, heterojen donanımlarda öngörülebilir ve verimli yürütmeye öncelik verir. Basitçe ifade etmek gerekirse bu, sinir ağı hızlandırıcılarına iyi çevrilen işlemleri tercih etmek, model dışındaki sinir ağı dışı çalışmaları en aza indirmek ve uçtan uca yürütmeyi yavaşlatabilecek gereksiz karmaşıklığı azaltmak anlamına gelir.

Ultralytics YOLO26, bu kısıtlamalar göz önünde bulundurularak tasarlanmıştır. Mimarisi, ideal koşullar altındaki en yüksek iş hacmi yerine tutarlı performansa odaklanır. Yürütme yollarını basitleştirerek ve gereksiz hesaplamaları ortadan kaldırarak YOLO26, çıkarım boru hattındaki genel yükü azaltır ve cihazın mevcut ivmelendirme ile bellek hiyerarşisinden daha iyi yararlanmasını sağlar.

Bu yaklaşım aynı zamanda güvenilirliği artırır. Uç öncelikli optimizasyon, gerçek zamanlı sistemler için kritik olan daha öngörülebilir zamanlama ve daha az performans sıçraması sağlar. Hız elde etmek için özel donanıma veya ağır son işlem adımlarına güvenmek yerine Ultralytics YOLO26, inference hattı boyunca verimliliği vurgular.

Uçtan uca çıkarım ve işlem sonrası adımlarının maliyeti#

Gereksiz işlem sonrası adımlarını ortadan kaldırmanın ne anlama geldiğini merak ediyor olabilirsin. Bunu anlamak için bir adım geri çekilelim ve geleneksel nesne tespiti sistemlerinin nasıl çalıştığına bakalım.

Birçok nesne tespiti hattında çıkarım, model tahminlerini ürettiğinde bitmez. Bunun yerine model, daha sonra kullanılabilecekleri şekilde filtrelenmesi ve iyileştirilmesi gereken çok sayıda örtüşen sınırlayıcı kutu (bounding box) çıktısı verir. Bu temizlik, modelin dışında çalışan işlem sonrası adımlarıyla gerçekleşir.

En yaygın işlem sonrası adımlarından biri Non-Maximum Suppression yani NMS'dir. NMS, örtüşen sınırlayıcı kutuları karşılaştırır ve yalnızca en yüksek güvene sahip tespitleri tutarak aynı nesneyi işaret eden kopyaları kaldırır. Bu yaklaşım etkili olsa da, çıkarım tamamlandıktan sonra ekstra hesaplama yükü getirir.

Şekil 3. NMS'yi anlamak. Görsel: Yazar.

Uç noktada bu ekstra işin bir maliyeti vardır. NMS gibi işlem sonrası adımları, kontrol odaklı veya bellek yoğun işlemlerden ziyade yoğun sinir ağı hesaplaması için optimize edilmiş sinir ağı çıkarımı için kullanılan özelleşmiş hızlandırıcılara pek uygun değildir.

Sonuç olarak NMS, ek gecikme ve bellek yükü getirir ve maliyeti tespit sayısı arttıkça artar. Modelin kendisi hızlı olsa bile NMS yine de toplam çalışma süresinin önemli bir kısmını tüketebilir.

İşlem sonrası adımları aynı zamanda sistem karmaşıklığını da artırır. Modelin dışında yer aldığı için, farklı çalışma zamanları ve donanım hedefleri için ayrı ayrı uygulanması gerekir. Bu durum genellikle platforma özel kod yollarına, cihazlar genelinde tutarsız davranışlara ve daha kırılgan dağıtım hatlarına yol açar.

En önemlisi, işlem sonrası adımları gerçek uçtan uca performans fikrini bozar. Model çıkarım hızını ölçmek, sistemin üretimde nasıl davrandığını yansıtmaz. Nihayetinde önemli olan, hattaki her adım dahil olmak üzere girdiden nihai çıktıya kadar geçen toplam süredir.

Bu durumlarda işlem sonrası adımları uç noktada gizli bir darboğaz haline gelir. Modelin kendisinin dışında yer alırken gecikme ekler, CPU kaynaklarını tüketir ve dağıtımı karmaşıklaştırır.

Ultralytics YOLO26 NMS'yi nasıl kaldırıyor ve bu onu neden daha hızlı yapıyor?#

YOLO26, NMS'yi kaldırır; bunu kopyaları çıkarımdan sonra temizlemek yerine yinelenen tespitlerin kök nedenine inerek yapar. Model, filtrelenmesi gereken birçok örtüşen tahmin üretmek yerine, doğrudan daha küçük bir güvenilir, nihai tespit kümesi üretecek şekilde eğitilmiştir.

Bu, eğitim sırasında algılamaların nasıl öğrenildiğini değiştirerek mümkün olur. Ultralytics YOLO26, nesneler ile tahminler arasında daha net bir birebir ilişkiyi teşvik ederek gereksizliği kaynağında azaltır. Sonuç olarak, yinelenen algılamalar harici son işlemler yerine ağın kendi içinde çözülür.

NMS'yi kaldırmanın uç nokta performansında anında bir etkisi olur. NMS sinir ağı hızlandırıcılarına iyi eşlenmediğinden, onu ortadan kaldırmak bellek hareketini azaltır ve pahalı sinir ağı dışı işleme adımlarından kaçınır. Bu, uçtan uca gecikmeyi düşürür ve özellikle işlem sonrası adımlarının aksi takdirde toplam çalışma süresinin önemli bir kısmını tüketebileceği uç cihazlarda performansı daha öngörülebilir hale getirir.

Ayrıca çıkarım hattını basitleştirir. Modelin dışında daha az adım olmasıyla, daha az veri hareketi ve bileşenler arasında daha az el değişimi olur. Modelin çıktısı zaten nihai sonuçtur, bu da yürütmeyi daha öngörülebilir hale getirir.

Gerçek uçtan uca performansı sağlamak için DFL'nin kaldırılması#

Ultralytics YOLO26'daki bir diğer yenilik, daha önceki YOLO modellerinde bbox regresyonu için kullanılan Distribution Focal Loss yani DFL'in kaldırılmasıdır. DFL kullanan modeller, tek bir koordinatı doğrudan tahmin etmek yerine olası değerlerin bir dağılımını öğrenir ve ardından bu dağılımdan son bir bbox türetirdi. Bu yaklaşım, yerelleştirme doğruluğunu artırmaya yardımcı oldu ve önceki nesillerde önemli bir adımdı.

Ancak zamanla DFL de bazı ödünleşimler (trade-off) ortaya çıkardı. Dağılımları tahmin etmek hesaplamayı artırır ve model mimarisine karmaşıklık ekler; bu da CPU'larda çıkarımı yavaşlatabilir ve modellerin dağıtım formatları arasında dışarı aktarılmasını (export) zorlaştırabilir. DFL ayrıca sabit regresyon aralıkları dayatarak çok büyük nesneleri tespit ederken esnekliği sınırlayabilirdi.

Ultralytics YOLO26, daha basit ve uçtan uca bir tasarıma geçişin bir parçası olarak DFL'yi kaldırır. Sınırlayıcı kutu regresyonu daha doğrudan olacak şekilde yeniden tasarlanmış, doğruluk korunurken gereksiz hesaplamalar azaltılmıştır. Bu değişiklik, YOLO26'nın NMS içermeyen yaklaşımıyla uyumludur.

%43 daha hızlı CPU çıkarımı nereden geliyor?#

CPU tabanlı kıyaslamalarda (benchmark) YOLO26, önceki YOLO modellerine kıyasla net bir performans iyileştirmesi gösteriyor. Ultralytics YOLO11 ile karşılaştırıldığında, YOLO26 nano modeli %43'e varan oranda daha hızlı CPU çıkarımı sunar; bu fark, gerçek dünya uç dağıtımlarında anlamlı bir etkiye sahiptir.

Şekil 4. Ultralytics YOLO26 CPU Hızını kıyaslama.

Bu kazanım, tek bir bileşeni optimize etmek yerine tüm çıkarım hattını basitleştirmekten gelir. Uçtan uca yürütme işlem sonrası ek yükünü kaldırır, daha doğrudan bir sınırlayıcı kutu regresyon yöntemi hesaplamayı azaltır ve CPU odaklı tasarım tercihleri genel amaçlı işlemcilerde yürütme verimliliğini artırır.

Bu değişiklikler birlikte gecikmeyi azaltır, CPU iş yükünü düşürür ve gerçek dünya uç nokta donanımında daha hızlı, daha tutarlı performansa yol açar.

Ultralytics YOLO26'nın uç (edge) dağıtımı ve dışa aktarımlar üzerindeki etkisi#

Ultralytics YOLO26'nın performans kazançları, daha hızlı inference işlemlerinin ötesine uzanır. Modeli basitleştirerek ve bellek yükünü azaltarak, uç ortamlarda dağıtımı daha kolay ve çalıştırması daha güvenilir hale gelir.

Ultralytics YOLO26'nın uçtan uca tasarımı ayrıca export işlemini basitleştirir. Daha az yardımcı bileşen ve harici son işlem adımı olmaksızın, dışarı aktarılan modeller tamamen kendi kendine yeterlidir. Bu, platforma özgü bağımlılıkları azaltır ve çalışma zamanları ile donanım hedefleri arasında tutarlı davranışı sağlamaya yardımcı olur.

Uygulamada bu, Ultralytics YOLO26'nın kameralar, robotlar ve gömülü sistemler gibi uç cihazlara çeşitli dışa aktarım formatları kullanılarak daha kolay dağıtılabileceği anlamına gelir. Dışarı aktardığın şey, daha az entegrasyon adımı ve daha az dağıtım sapması riskiyle çalıştırdığın şeydir.

Daha hızlı uç nokta çıkarımı, robotik ve endüstriyel görü yapay zekasını mümkün kılar#

Şimdiye kadar, Ultralytics YOLO26'nın uç öncelikli tasarımının sistem düzeyinde performansı nasıl iyileştirdiğini inceledik. Ancak asıl etki, vision AI teknolojisinin gerçek dünya uygulamalarına entegre edilmesini nasıl kolaylaştırdığında yatar.

Örneğin robotik ve endüstriyel ortamlarda, görü sistemleri genellikle katı gerçek zamanlı kısıtlamalar altında çalışır. Kararların sınırlı bilgi işlem gücü kullanılarak, bulut bağlantısına dayanmadan hızlı ve tutarlı bir şekilde alınması gerekir. Ultralytics YOLO26 ile bu gereksinimleri karşılamak pratik hale geliyor.

Robot navigasyonu ve nesne manipülasyonu gibi uygulamalar, daha düşük gecikme ve daha öngörülebilir çıkarımdan yararlanarak robotların ortamlarındaki değişikliklere sorunsuz bir şekilde yanıt vermesini sağlar. Benzer şekilde endüstriyel ayarlarda, görü modelleri doğrudan üretim hatlarında çalışarak gecikmelere veya ek karmaşıklığa neden olmadan kusurları tespit edebilir, bileşenleri izleyebilir ve süreçleri izleyebilir.

Uç donanımda hızlı ve güvenilir inference yapılmasını sağlayan Ultralytics YOLO26, vision AI teknolojisinin dağıtımı ve bakımı zor bir unsur olmaktan çıkıp robotik ve endüstriyel sistemlerin doğal bir parçası haline gelmesine yardımcı olur.

Öne çıkanlar#

Ultralytics YOLO26, gecikme, bellek ve güvenilirlik gibi gerçek dünya kısıtlamalarının nelerin mümkün olduğunu belirlediği uç (edge) için inşa edilmiştir. Modeli CPU öncelikli yürütme, uçtan uca çıkarım ve daha basit dağıtım etrafında tasarlayan YOLO26, görüntüleme yapay zekasını gerçek sistemlere entegre etmeyi pratik hale getirir. Bu uç odaklı yaklaşım; performansın ve öngörülebilirliğin en önemli olduğu robotik ve endüstriyel görmeden gömülü ve cihaz içi yapay zekaya kadar geniş bir uygulama yelpazesini mümkün kılar.

Büyüyen topluluğumuza katılın ve uygulamalı yapay zeka kaynakları için GitHub depolarımızı keşfedin. Görü yapay zekasıyla hemen geliştirmeye başlamak için lisanslama seçeneklerimizi inceleyin. Çözüm sayfalarımızı ziyaret ederek tarımda yapay zekanın çiftçiliği nasıl dönüştürdüğünü ve sağlıkta görü yapay zekasının geleceği nasıl şekillendirdiğini öğrenin.