Ultralytics YOLO26'nın daha hızlı, uç öncelikli tasarımının etkisi

Ultralytics bu haftanın başında, bilgisayarlı görü sistemlerinin edge üzerinde çalışma biçimini yeniden tanımlamayı amaçlayan daha hızlı, daha hafif ve daha küçük bir YOLO modeli olan Ultralytics YOLO26’yı resmen kullanıma sundu. YOLO26, nesne algılama ve örnek bölütleme dahil olmak üzere önceki YOLO modelleriyle aynı temel görü görevlerini destekler.

Şekil 1. Bir nesneyi bölütlemek için Ultralytics YOLO26 kullanımına örnek.

Ultralytics YOLO26 ile önceki modeller arasındaki belirleyici fark, çalışmak üzere tasarlandığı ortamdır. Öncelikli olarak bulut grafik işlem birimleri (GPU'lar) veya kıyaslama odaklı performans için optimize edilmek yerine YOLO26, gerçek dünyada edge cihazlarda ve gömülü donanımlarda kullanıma sunulmak üzere en baştan tasarlandı.

Bilgisayarlı görü araştırmadan üretime geçtikçe performans kısıtlarının gerçekliği daha da belirginleşiyor. Edge ortamlarını sıkı gecikme bütçeleri, sınırlı bellek, güç ve termal kısıtlar ile çeşitli platformlarda öngörülebilir davranış gereksinimi şekillendiriyor.

Bu koşullarda genel sistem performansı yalnızca ham çıkarım hızına değil, tüm işlem hattının ne kadar verimli çalıştığına da bağlıdır. Son işlem yükü, bellek baskısı ve platforma özgü yürütme yolları genellikle darboğaz oluşturur.

Ultralytics YOLO26, tek tek model metrikleri yerine tüm çıkarım hattını ele alan daha hızlı, edge öncelikli bir yaklaşım benimseyerek bu zorlukların üstesinden gelir. Edge optimizasyonuna odaklanan, çıkarım hattını sadeleştiren ve gereksiz son işlem adımlarını kaldıran YOLO26, daha düşük gecikme ve üretimde daha güvenilir davranış sağlayan hız iyileştirmeleri sunar.

Bu makalede, Ultralytics YOLO26’nın mimari tercihlerinin gerçek dünya performans iyileştirmelerine nasıl dönüştüğünü ve edge üzerinde daha hızlı olmanın yeni nesil bilgisayarlı görü uygulamaları için mümkün olanları neden temelden değiştirdiğini inceleyeceğiz.

Edge kullanımının gerçekliği#

Bilgisayarlı görü modellerini edge üzerinde çalıştırmak, onları bulutta çalıştırmaktan oldukça farklıdır. Bulut ortamlarında sistemler genellikle güçlü GPU'lara, büyük miktarda belleğe ve kararlı donanıma erişebilir. Edge üzerinde ise aynı varsayımlar geçerli değildir.

Çoğu edge kullanımı GPU'lar yerine çeşitli donanım mimarileri üzerinde çalışır. Cihazlar genellikle farklı görevler için birden fazla özel işlemci kullanır; bunlar bulut GPU'larının ham hesaplama kapasitesinden çok verimlilik ve düşük güç tüketimi için optimize edilmiştir.

Gecikme de başka bir önemli kısıttır. Edge sistemleri genellikle küçük gecikmelerin bile yanıt verebilirliği veya güvenliği etkileyebildiği sıkı gerçek zamanlı sınırlar altında çalışır. Bu durumlarda uçtan uca gecikme, ham çıkarım hızından daha önemlidir. Bir model kâğıt üzerinde hızlı olabilir, ancak son işlem ve veri hareketi eklendiğinde yine de yetersiz kalabilir.

Bellek de önemli bir rol oynar. Birçok edge cihazında sınırlı bellek ve paylaşımlı önbellek bulunur. Büyük ara tensörler ve verimsiz bellek kullanımı, modelin kendisi verimli olsa bile sistemleri yavaşlatabilir.

Güç ve termal sınırlar ek kısıtlar getirir. Edge cihazları genellikle etkin soğutma olmadan ve sabit güç bütçeleri içinde çalışır. Performans yalnızca kısa süreli patlamalarda hızlı değil, verimli ve sürdürülebilir olmalıdır.

Tüm bunların yanı sıra edge kullanımları tutarlılık gerektirir. Modellerin cihazlar ve çalışma zamanları arasında aynı şekilde davranması gerekir. Platforma özgü kod veya karmaşık son işlem adımları, sistemlerin kullanımını ve bakımını zorlaştıran ince farklılıklara yol açabilir.

Şekil 2. Edge kullanımının kısıtlarına bakış. Görsel yazara aittir.

Bu kısıtlar, edge üzerinde performansın gerçekte ne anlama geldiğini belirler. Başka bir deyişle performans, tek bir metrikle değil, tüm işlem hattıyla tanımlanır.

Edge görü neden farklı bir performans modeli gerektirir#

Peki edge kullanımının kısıtları, edge için oluşturulmuş bir bilgisayarlı görü modelinin gereksinimleriyle nasıl ilişkilidir? Modeller araştırma ortamlarından gerçek dünya sistemlerine geçtiğinde bağlantı netleşir.

Bulut ortamlarında performans genellikle çıkarım hızı ve doğruluk gibi kıyaslamalar kullanılarak ölçülür. Edge üzerinde bu metrikler hikâyenin yalnızca bir bölümünü anlatır. Görü sistemleri genellikle sinir ağı çıkarımının özel hızlandırıcılara aktarıldığı, işlem hattının diğer bölümlerinin ise genel amaçlı işlemcilerde çalıştığı heterojen donanımlar üzerinde çalışır.

Bu bağlamda model hızı yeterli değildir. Model kullanıma sunulduğunda tüm sistemin nasıl performans gösterdiği belirleyicidir. Bir model tek başına hızlı görünebilir, ancak son işlem, veri hareketi veya platforma özgü adımlar ek yük oluşturursa yine de yetersiz kalabilir.

Bu nedenle edge görü, yalıtılmış kıyaslamalar yerine sistem düzeyinde verimliliğe odaklanan bir performans modeli gerektirir. Ultralytics YOLO26, edge öncelikli optimizasyon, sadeleştirilmiş çıkarım ve gerçek dünyada kullanıma sunulmak üzere oluşturulmuş uçtan uca yürütmeye odaklanarak bu değişimi yansıtır.

Hızın temeli: Edge öncelikli tasarım#

Edge üzerinde performans, bir modelin cihazın gerçek donanım mimarisine ne kadar iyi uyarlandığıyla belirlenir. Önce edge için tasarım yapmak, mevcut işlem birimlerinin özel bileşimi ne olursa olsun görü sistemlerinin gerçek dünya platformlarında güvenilir biçimde çalışmasını sağlar.

Edge öncelikli yaklaşım, sonradan bulut GPU'ları için optimize edilmiş modelleri uyarlamak yerine heterojen donanımlarda öngörülebilir ve verimli yürütmeye öncelik verir. Basitçe söylemek gerekirse bu, sinir ağı hızlandırıcılarına iyi uyarlanan işlemleri tercih etmek, model dışındaki sinir ağı dışı işleri en aza indirmek ve uçtan uca yürütmeyi yavaşlatabilecek gereksiz karmaşıklığı azaltmak anlamına gelir.

Ultralytics YOLO26 bu kısıtlar göz önünde bulundurularak tasarlandı. Mimarisi, ideal koşullardaki en yüksek aktarım hızından ziyade tutarlı performansa odaklanır. YOLO26, yürütme yollarını sadeleştirip gereksiz hesaplamaları ortadan kaldırarak çıkarım hattındaki ek yükü azaltır ve cihazın kullanılabilir hızlandırma kaynakları ile bellek hiyerarşisinden daha iyi yararlanır.

Bu yaklaşım güvenilirliği de artırır. Edge öncelikli optimizasyon, gerçek zamanlı sistemler için kritik olan daha öngörülebilir zamanlama ve daha az performans sıçraması sağlar. Ultralytics YOLO26 hız elde etmek için özel donanıma veya ağır son işleme güvenmek yerine çıkarım hattının tamamında verimliliği öne çıkarır.

Uçtan uca çıkarım ve son işlemenin maliyeti#

Gereksiz son işlem adımlarını kaldırmanın ne anlama geldiğini merak ediyor olabilirsin. Bunu anlamak için bir adım geri atalım ve geleneksel nesne algılama sistemlerinin nasıl çalıştığına bakalım.

Birçok nesne algılama hattında çıkarım, model tahminlerini ürettiğinde sona ermez. Bunun yerine model, kullanılmadan önce filtrelenmesi ve iyileştirilmesi gereken çok sayıda örtüşen sınırlayıcı kutu çıktısı üretir. Bu temizleme işlemi, modelin dışında çalışan son işlem adımlarıyla gerçekleştirilir.

En yaygın son işlem adımlarından biri Maksimum Olmayan Bastırma veya NMS'dir. NMS, örtüşen sınırlayıcı kutuları karşılaştırır ve yalnızca güveni en yüksek algılamaları tutarak aynı nesneye ait yinelenen sonuçları kaldırır. Bu yaklaşım etkili olsa da çıkarım tamamlandıktan sonra ek hesaplama getirir.

Şekil 3. NMS'yi anlama. Görsel yazara aittir.

Edge üzerinde bu ek işin bir maliyeti vardır. NMS gibi son işlem adımları, sinir ağı çıkarımı için kullanılan ve yoğun sinir ağı hesaplamaları yerine kontrol ağırlıklı veya bellek yoğun işlemler için optimize edilmemiş özel hızlandırıcılara pek uygun değildir.

Sonuç olarak NMS ek gecikme ve bellek yükü getirir; algılama sayısı arttıkça maliyeti de büyür. Modelin kendisi hızlı olsa bile NMS toplam çalışma süresinin önemli bir bölümünü tüketebilir.

Son işleme sistem karmaşıklığını da artırır. Modelin dışında bulunduğundan farklı çalışma zamanları ve donanım hedefleri için ayrı ayrı uygulanması gerekir. Bu durum genellikle platforma özgü kod yollarına, cihazlar arasında tutarsız davranışa ve daha kırılgan kullanım hatlarına yol açar.

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

Bu durumlarda son işleme edge üzerinde gizli bir darboğaza dönüşür. Modelin dışında çalışırken gecikme ekler, CPU kaynaklarını tüketir ve kullanıma sunma sürecini karmaşıklaştırır.

Ultralytics YOLO26 NMS'yi nasıl kaldırıyor ve bu neden onu hızlandırıyor?#

YOLO26 NMS'yi kaldırır; bunu çıkarım sonrasında yinelenen algılamaları temizlemek yerine bunların temel nedenini ele alarak yapar. Filtrelenmesi gereken çok sayıda örtüşen tahmin üretmek yerine model, daha küçük bir dizi güvenilir ve nihai algılamayı doğrudan oluşturacak şekilde eğitilir.

Bu, eğitim sırasında algılamaların öğrenilme biçiminin değiştirilmesiyle mümkün olur. Ultralytics YOLO26, nesneler ile tahminler arasında daha net bir bire bir ilişki kurulmasını teşvik ederek kaynağındaki fazlalığı azaltır. Böylece yinelenen algılamalar harici son işlem yoluyla değil, doğrudan ağın içinde çözümlenir.

NMS'nin kaldırılması edge performansını doğrudan etkiler. NMS sinir ağı hızlandırıcılarına iyi uyarlanamadığından, onu kaldırmak bellek hareketini azaltır ve maliyetli sinir ağı dışı işleme adımlarını ortadan kaldırır. Bu, uçtan uca gecikmeyi düşürür ve özellikle son işlemenin toplam çalışma süresinin fark edilir bir bölümünü tüketebildiği edge cihazlarda performansı daha öngörülebilir hâle getirir.

Bu, çıkarım hattını da sadeleştirir. Model dışında daha az adım bulunduğundan daha az veri hareketi ve bileşenler arasında daha az aktarım gerçekleşir. Modelin çıktısı zaten nihai sonuç olduğundan yürütme daha öngörülebilir hâle gelir.

Gerçek uçtan uca performansı mümkün kılmak için DFL'nin kaldırılması#

Ultralytics YOLO26'daki bir diğer yenilik, önceki YOLO modellerinde sınırlayıcı kutu regresyonu için kullanılan Distribution Focal Loss'un veya DFL'nin kaldırılmasıdır. DFL kullanan modeller tek bir koordinatı doğrudan tahmin etmek yerine olası değerlerin dağılımını öğrenir ve ardından bu dağılımdan nihai sınırlayıcı kutuyu türetirdi. Bu yaklaşım konumlandırma doğruluğunu artırmaya yardımcı olmuş ve önceki nesillerde önemli bir ilerleme sağlamıştı.

Ancak zamanla DFL bazı ödünleşimleri de beraberinde getirdi. Dağılımları tahmin etmek hesaplamayı artırır ve model mimarisine karmaşıklık ekler; bu da CPU'larda çıkarımı yavaşlatabilir ve modellerin farklı kullanım formatlarına aktarılmasını zorlaştırabilir. DFL ayrıca sabit regresyon aralıkları dayatarak çok büyük nesneleri algılarken esnekliği sınırlayabilir.

Ultralytics YOLO26, daha sade ve uçtan uca bir tasarıma geçişinin parçası olarak DFL'yi kaldırır. Sınırlayıcı kutu regresyonu doğruluğu korurken gereksiz hesaplamayı azaltacak şekilde daha doğrudan yeniden tasarlanır. Bu değişiklik YOLO26'nın NMS'siz yaklaşımıyla uyumludur.

%43 daha hızlı CPU çıkarımı nereden geliyor?#

CPU tabanlı kıyaslamalarda YOLO26, önceki YOLO modellerine göre belirgin bir performans iyileşmesi gösterir. Ultralytics YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, CPU çıkarımını %43'e kadar daha hızlı gerçekleştirir; bu fark gerçek dünya edge kullanımlarında anlamlı bir etki oluşturur.

Şekil 4. Ultralytics YOLO26 CPU hızının kıyaslanması.

Bu kazanım, tek bir bileşeni optimize etmekten değil, tüm çıkarım hattını sadeleştirmekten kaynaklanır. Uçtan uca yürütme son işlem yükünü ortadan kaldırır, daha doğrudan bir sınırlayıcı kutu regresyon yöntemi hesaplamayı azaltır ve CPU öncelikli tasarım tercihleri genel amaçlı işlemcilerde yürütme verimliliğini artırır.

Bu değişiklikler birlikte gecikmeyi azaltır, CPU iş yükünü düşürür ve gerçek dünya edge donanımlarında daha hızlı, daha tutarlı performans sağlar.

Ultralytics YOLO26'nın edge kullanımı ve dışa aktarımları üzerindeki etkisi#

Ultralytics YOLO26'nın performans kazanımları daha hızlı çıkarımın ötesine geçer. Modeli sadeleştirip bellek yükünü azaltarak edge ortamlarında kullanıma sunulmasını kolaylaştırır ve çalıştırılmasını daha güvenilir hâle getirir.

Ultralytics YOLO26'nın uçtan uca tasarımı dışa aktarımı da kolaylaştırır. Daha az yardımcı bileşen ve harici son işlem adımı sayesinde dışa aktarılan modeller tamamen kendi kendine yeterli olur. Bu, platforma özgü bağımlılıkları azaltır ve çalışma zamanları ile donanım hedefleri arasında tutarlı davranışın sağlanmasına yardımcı olur.

Uygulamada bu, Ultralytics YOLO26'nın çeşitli dışa aktarım formatları kullanılarak kamera, robot ve gömülü sistemler gibi edge cihazlara daha kolay dağıtılabileceği anlamına gelir. Dışa aktardığın şeyi çalıştırırsın; daha az entegrasyon adımı ve dağıtım sapması riskiyle.

Daha hızlı edge çıkarımı robotik ve endüstriyel görü yapay zekâsını mümkün kılıyor#

Şimdiye kadar Ultralytics YOLO26'nın edge öncelikli tasarımının sistem düzeyinde performansı nasıl artırdığına baktık. Ancak asıl etki, görü yapay zekâsını gerçek dünya uygulamalarına entegre etmeyi nasıl kolaylaştırdığında ortaya çıkar.

Örneğin robotik ve endüstriyel ortamlarda görü sistemleri genellikle sıkı gerçek zamanlı kısıtlar altında çalışır. Kararların sınırlı hesaplama kaynakları kullanılarak ve bulut bağlantısına ihtiyaç duyulmadan hızlı ve tutarlı biçimde alınması gerekir. Ultralytics YOLO26 ile bu gereksinimleri karşılamak uygulanabilir hâle gelir.

Robot navigasyonu ve nesne manipülasyonu gibi uygulamalar, daha düşük gecikmeden ve daha öngörülebilir çıkarımdan yararlanarak robotların çevrelerindeki değişikliklere akıcı biçimde yanıt vermesini sağlar. Benzer şekilde endüstriyel ortamlarda görü modelleri, gecikme veya ek karmaşıklık oluşturmadan kusurları algılamak, bileşenleri izlemek ve süreçleri takip etmek için doğrudan üretim hatlarında çalışabilir.

Ultralytics YOLO26, edge donanımında hızlı ve güvenilir çıkarımı mümkün kılarak görü yapay zekâsını kullanımı ve bakımı zor bir çözüm olmaktan çıkarıp robotik ve endüstriyel sistemlerin doğal bir parçası hâline getirmeye yardımcı olur.

Önemli çıkarımlar#

Ultralytics YOLO26; gecikme, bellek ve güvenilirlik gibi gerçek dünya kısıtlarının mümkün olanları belirlediği edge ortamı için geliştirildi. Modeli CPU öncelikli yürütme, uçtan uca çıkarım ve daha sade kullanıma sunma etrafında tasarlayan YOLO26, görü yapay zekâsının gerçek sistemlere pratik biçimde entegre edilmesini sağlar. Bu edge öncelikli yaklaşım; performans ve öngörülebilirliğin en önemli olduğu robotik ve endüstriyel görüden gömülü ve cihaz üstü yapay zekâya kadar geniş bir uygulama yelpazesini mümkün kılar.

Büyüyen topluluğumuza katıl ve uygulamalı yapay zekâ kaynakları için GitHub depomuzu keşfet. Günümüzde görü yapay zekâsıyla geliştirme yapmak için lisanslama seçeneklerimizi incele. Tarımda yapay zekânın tarımı nasıl dönüştürdüğünü ve sağlık hizmetlerinde görü yapay zekânın çözümler sayfalarımızı ziyaret ederek geleceği nasıl şekillendirdiğini öğren.