Ultralytics YOLO26'nın daha hızlı, uç cihazları önceliklendiren tasarımının etkisi

Ultralytics, bu haftanın başında bilgisayarlı görü sistemlerinin uçta çalışma biçimini yeniden tanımlamayı hedefleyen, daha hızlı, daha hafif ve daha küçük bir YOLO modeli olan Ultralytics YOLO26'yı resmen kullanıma sundu. YOLO26, nesne algılama ve örnek bölütleme dâhil 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. YOLO26, öncelikle bulut grafik işlem birimleri (GPU'lar) veya kıyaslama odaklı performans için optimize edilmek yerine, gerçek dünyada uç cihazlara ve gömülü donanımlara dağıtılmak üzere en baştan tasarlanmıştır.

Bilgisayarlı görü araştırmadan üretime geçtikçe performans kısıtlarının gerçek etkisi daha belirgin hâle geliyor. Uç ortamları; sıkı gecikme bütçeleri, sınırlı bellek, güç ve ısı kısıtları ile farklı platformlarda öngörülebilir davranış gereksinimiyle şekillenir.

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

Ultralytics YOLO26, tek tek model ölçütleri yerine tüm çıkarım hattını ele alan daha hızlı ve önce uçta çalışan bir yaklaşım benimseyerek bu zorlukları giderir. Uçta optimizasyona odaklanıp çıkarım hattını basitleştirerek ve gereksiz son işleme adımlarını kaldırarak YOLO26, gecikmeyi azaltan ve üretimde daha güvenilir davranış sağlayan hız iyileştirmeleri sunar.

Bu makalede, Ultralytics YOLO26'nın mimari tercihlerinin gerçek dünya performansındaki iyileştirmelere nasıl dönüştüğünü ve uçta daha hızlı olmanın yeni nesil bilgisayarlı görü uygulamalarında mümkün olanları neden kökten değiştirdiğini inceleyeceğiz.

Uçta dağıtımın gerçekleri#

Bilgisayarlı görü modellerini uçta 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.

Uç dağıtımlarının çoğu GPU'larda değil, çeşitli donanım mimarilerinde çalışır. Cihazlarda genellikle farklı görevler için kullanılan ve bulut GPU'larının ham hesaplama kapasitesi yerine verimlilik ve düşük güç tüketimi için optimize edilmiş birden fazla özel işlemci bulunur.

Gecikme de önemli bir kısıttır. Uç sistemleri genellikle küçük gecikmelerin bile tepki süresini veya güvenliği etkileyebileceği katı gerçek zamanlı sınırlar içinde çalışır. Bu durumlarda uçtan uca gecikme, ham çıkarım hızından daha önemlidir. Bir model kâğıt üzerinde hızlı olabilir, ancak son işleme ve veri aktarımı eklendiğinde yetersiz kalabilir.

Bellek de önemli bir rol oynar. Birçok uç cihazın belleği ve paylaşılan önbelleği sınırlıdır. Büyük ara tensörler ve verimsiz bellek kullanımı, modelin kendisi verimli olsa bile sistemleri yavaşlatabilir.

Güç ve ısı sınırları da kısıtları artırır. Uç cihazlar genellikle etkin soğutma olmadan ve sabit güç bütçeleri dâhilinde çalışır. Performans yalnızca kısa süreli hız patlamalarında hızlı olmamalı, verimli ve sürdürülebilir de olmalıdır.

Tüm bunların yanı sıra uç dağıtımları tutarlılık gerektirir. Modeller farklı cihazlarda ve çalışma zamanlarında aynı şekilde davranmalıdır. Platforma özgü kodlar veya karmaşık son işleme adımları, sistemlerin dağıtımını ve bakımını zorlaştıran ince farklılıklara yol açabilir.

Şekil 2. Uçta dağıtım kısıtlarına bakış. Görselin yazarı.

Bu kısıtlar, uçta performansın gerçekte ne anlama geldiğini belirler. Başka bir deyişle performansı tek bir ölçüt değil, işlem hattının tamamı belirler.

Uçta görü neden farklı bir performans modeline ihtiyaç duyar#

Peki uçta dağıtım kısıtları, uçta çalışmak üzere oluşturulmuş bir bilgisayarlı görü modelinin gereksinimleriyle nasıl bağlantılı? Modeller araştırma ortamlarından gerçek dünya sistemlerine geçtiğinde bu bağlantı netleşir.

Bulut ortamlarında performans genellikle çıkarım hızı ve doğruluk gibi kıyaslamalarla ölçülür. Uçta ise bu ölçütler hikâyenin yalnızca bir kısmını anlatır. Görü sistemleri genellikle sinir ağı çıkarımının özel hızlandırıcılara aktarıldığı, işlem hattının diğer bölümlerinin ise genel amaçlı işlemcilerde çalıştığı heterojen donanımlarda yürütülür.

Bu bağlamda yalnızca model hızı yeterli değildir. Model dağıtıldıktan sonra tüm sistemin nasıl performans gösterdiği kilit önem taşır. Bir model tek başına hızlı görünebilir, ancak son işleme, veri aktarımı veya platforma özgü adımlar ek yük getirirse yine de yetersiz kalabilir.

Uçta görü bu nedenle tek başına ele alınan kıyaslamalar yerine sistem düzeyinde verimliliğe odaklanan bir performans modeli gerektirir. Ultralytics YOLO26; önce uçta optimizasyona, kolaylaştırılmış çıkarıma ve gerçek dünyada dağıtım için oluşturulmuş uçtan uca yürütmeye odaklanarak bu değişimi yansıtır.

Hızın temeli: Önce uçta çalışan tasarım#

Uçta performansı, bir modelin cihazın gerçek donanım mimarisine ne kadar iyi eşlendiği belirler. Önce uç için tasarım yapmak, kullanılabilir işlem birimlerinin dağılımı ne olursa olsun görü sistemlerinin gerçek dünya platformlarında güvenilir biçimde çalışmasını sağlar.

Önce uçta çalışan yaklaşım, sonradan bulut GPU'ları için optimize edilmiş modelleri uyarlamak yerine heterojen donanımlarda öngörülebilir ve verimli yürütmeye öncelik verir. Basitçe ifade etmek gerekirse bu; sinir ağı hızlandırıcılarında iyi çalışan 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 tasarlanmıştır. Mimarisi, ideal koşullardaki en yüksek işlem hacmi yerine tutarlı performansa odaklanır. YOLO26, yürütme yollarını basitleştirip gereksiz hesaplamaları ortadan kaldırarak çıkarım hattındaki ek yükü azaltır ve cihazın mevcut hızlandırma olanaklarıyla bellek hiyerarşisinden daha iyi yararlanır.

Bu yaklaşım güvenilirliği de artırır. Önce uçta optimizasyon, daha öngörülebilir zamanlama ve daha az performans sıçraması sağlar; bu da gerçek zamanlı sistemler için kritik önem taşır. Ultralytics YOLO26, hıza ulaşmak için özel donanıma veya ağır son işlemeye güvenmek yerine tüm çıkarım hattında verimliliğe önem verir.

Uçtan uca çıkarım ve son işlemenin maliyeti#

Gereksiz son işleme adımlarını ortadan kaldırmanın ne anlama geldiğini merak ediyor olabilirsin. Bunu anlamak için biraz geri çekilip geleneksel nesne algılama sistemlerinin nasıl çalıştığına bakalım.

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

En yaygın son işleme adımlarından biri Maksimum Olmayanların Bastırılması veya NMS'dir. NMS, çakışan sınırlayıcı kutuları karşılaştırır ve yalnızca güven düzeyi en yüksek algılamaları tutarak aynı nesneyi gösteren yinelenenleri kaldırır. Bu yaklaşım etkili olsa da çıkarım tamamlandıktan sonra ek hesaplama gerektirir.

Şekil 3. NMS'yi anlama. Görselin yazarı.

Uçta bu ek işin bir maliyeti vardır. NMS gibi son işleme adımları, sinir ağı çıkarımı için kullanılan özel hızlandırıcılara pek uygun değildir; bu hızlandırıcılar denetim ağırlıklı veya bellek yoğun işlemler yerine yoğun sinir ağı hesaplamaları için optimize edilmiştir.

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

Son işleme, sistem karmaşıklığını da artırır. Modelin dışında yer aldığından farklı çalışma zamanları ve donanım hedefleri için ayrı ayrı uygulanması gerekir. Bu durum çoğu zaman platforma özgü kod yollarına, cihazlar arasında tutarsız davranışlara ve daha kırılgan dağıtım işlem hatlarına yol açar.

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

Bu durumlarda son işleme, uçta gizli bir darboğaza dönüşür. Modelin dışında yer almasına rağmen gecikme ekler, CPU kaynaklarını tüketir ve dağıtımı karmaşıklaştırır.

Ultralytics YOLO26, NMS'yi nasıl kaldırıyor ve bu neden hız kazandırıyor#

YOLO26, NMS'yi kaldırırken yinelenen algılamaları çıkarımdan sonra temizlemek yerine bunların temel nedenini ele alır. Filtrelenmesi gereken çok sayıda çakışan tahmin üretmek yerine model, daha az sayıda güvenilir nihai algılamayı doğrudan üretmek üzere eğitilir.

Bu, algılamaların eğitim sırasında nasıl öğrenildiğini değiştirerek mümkün olur. Ultralytics YOLO26, nesneler ile tahminler arasında daha net bir bire bir ilişki kurulmasını teşvik ederek fazlalığı kaynağında azaltır. Böylece yinelenen algılamalar harici son işlemeyle değil, ağın içinde çözümlenir.

NMS'nin kaldırılması uç performansını hemen etkiler. NMS sinir ağı hızlandırıcılarına iyi eşlenmediğinden, kaldırılması bellek aktarımını azaltır ve maliyetli sinir ağı dışı işleme adımlarını önler. Bu, uçtan uca gecikmeyi düşürür ve özellikle son işlemenin toplam çalışma süresinin kayda değer bir bölümünü tüketebileceği uç cihazlarda performansı daha öngörülebilir hâle getirir.

Bu değişiklik çıkarım hattını da basitleştirir. Model dışındaki adımlar azaldıkça daha az veri aktarımı ve bileşenler arasında daha az geçiş gerekir. Modelin çıktısı zaten nihai sonuç olduğundan yürütme daha öngörülebilir hâle gelir.

Gerçek uçtan uca performans sağlamak için DFL'yi kaldırma#

Ultralytics YOLO26'daki bir diğer yenilik, önceki YOLO modellerinde sınırlayıcı kutu regresyonu için kullanılan Dağılım Odaklı Kayıp'ın (DFL) kaldırılmasıdır. DFL kullanan modeller tek bir koordinatı doğrudan tahmin etmek yerine olası değerlerin bir dağılımını öğrenir ve bu dağılımdan nihai bir sınırlayıcı kutu çıkarır. Bu yaklaşım, konum belirleme doğruluğunu iyileştirmeye yardımcı olmuş ve önceki nesiller için önemli bir ilerleme sağlamıştır.

Ancak zaman içinde DFL bazı ödünleşimleri de beraberinde getirdi. Dağılımları tahmin etmek hesaplama miktarını artırır ve model mimarisine karmaşıklık ekler; bu da CPU'larda çıkarımı yavaşlatabilir ve modellerin farklı dağıtım biçimlerine aktarılmasını zorlaştırabilir. DFL ayrıca sabit regresyon aralıkları getirerek çok büyük nesneleri algılarken esnekliği sınırlayabilir.

Ultralytics YOLO26, daha basit ve uçtan uca bir tasarıma geçişinin parçası olarak DFL'yi kaldırır. Sınırlayıcı kutu regresyonu, doğruluğu korurken gereksiz hesaplamaları azaltacak biçimde daha doğrudan hâle getirilmiştir. Bu değişiklik, YOLO26'nın NMS içermeyen yaklaşımıyla uyumludur.

CPU'da %43 daha hızlı çıkarım nereden geliyor#

CPU tabanlı kıyaslamalarda YOLO26, önceki YOLO modellerine kıyasla belirgin bir performans iyileşmesi gösteriyor. Ultralytics YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, CPU'da %43'e kadar daha hızlı çıkarım sunuyor; bu fark, gerçek dünyadaki uç dağıtımlarında kayda değer bir etki yaratıyor.

Şekil 4. Ultralytics YOLO26 CPU hızının kıyaslanması.

Bu kazanım, tek bir bileşeni optimize etmekten değil, tüm çıkarım hattını basitleştirmekten kaynaklanır. Uçtan uca yürütme son işleme yükünü ortadan kaldırır, daha doğrudan bir sınırlayıcı kutu regresyon yöntemi hesaplamaları azaltır ve CPU'yu temel alan tasarım tercihleri genel amaçlı işlemcilerde yürütme verimliliğini artırır.

Bu değişiklikler bir araya geldiğinde gecikmeyi azaltır, CPU iş yükünü düşürür ve gerçek dünyadaki uç donanımlarda daha hızlı, daha tutarlı performans sağlar.

Ultralytics YOLO26'nın uçta dağıtım ve dışa aktarma üzerindeki etkisi#

Ultralytics YOLO26'nın performans kazanımları daha hızlı çıkarımın ötesine geçer. Modeli basitleştirip bellek yükünü azaltmak, uç ortamlarda dağıtımını kolaylaştırır ve çalışmasını daha güvenilir hâle getirir.

Ultralytics YOLO26'nın uçtan uca tasarımı dışa aktarma işlemini de basitleştirir. Daha az yardımcı bileşen ve harici son işleme adımı olmadığından dışa aktarılan modeller tamamen bağımsızdır. Bu, platforma özgü bağımlılıkları azaltır ve farklı çalışma zamanları ile donanım hedeflerinde tutarlı davranışın sağlanmasına yardımcı olur.

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

Daha hızlı uç çıkarım, robotik ve endüstriyel görü yapay zekâsını mümkün kılıyor#

Şimdiye kadar Ultralytics YOLO26'nın önce uçta çalışan tasarımının sistem düzeyinde performansı nasıl iyileştirdiğini ele aldık. Ancak asıl etkisi, görü yapay zekâsını gerçek dünya uygulamalarına entegre etmeyi nasıl kolaylaştırdığında görülür.

Örneğin robotik ve endüstriyel ortamlarda görü sistemleri çoğu zaman katı gerçek zamanlı kısıtlar altında çalışır. Kararların sınırlı hesaplama gücüyle ve bulut bağlantısına ihtiyaç duymadan hızlı ve tutarlı biçimde alınması gerekir. Ultralytics YOLO26 bu gereksinimleri karşılamayı pratik hâle getirir.

Robot navigasyonu ve nesne manipülasyonu gibi uygulamalar, daha düşük gecikme süresinden ve daha öngörülebilir çıkarım performansından yararlanarak robotların ortamlarındaki değişikliklere akıcı biçimde yanıt vermesini sağlar. Benzer şekilde, endüstriyel ortamlarda görüntü modelleri üretim hatlarında doğrudan çalıştırılarak gecikmelere veya ek karmaşıklığa yol açmadan kusurları tespit edebilir, bileşenleri izleyebilir ve süreçleri takip edebilir.

Ultralytics YOLO26, uç donanımda hızlı ve güvenilir çıkarım olanağı sunarak görüntü yapay zekâsının dağıtılması ve sürdürülmesi zor bir iş olmak yerine robotik ve endüstriyel sistemlerin doğal bir parçası olmasına yardımcı olur.

Önemli çıkarımlar#

Ultralytics YOLO26, gerçek dünyadaki gecikme, bellek ve güvenilirlik gibi kısıtların nelerin mümkün olduğunu belirlediği uç bilişim için geliştirildi. Modeli CPU öncelikli yürütme, uçtan uca çıkarım ve daha basit dağıtım temelinde tasarlayan YOLO26, görüntü yapay zekâsının gerçek sistemlere pratik biçimde entegre edilmesini sağlar. Uç bilişimi önceliklendiren bu yaklaşım, performansın ve öngörülebilirliğin en önemli olduğu robotik ve endüstriyel görüntülemeden gömülü ve cihaz üzerinde yapay zekâya kadar çok çeşitli uygulamaları mümkün kılar.

Büyüyen topluluğumuza katıl ve uygulamalı yapay zekâ kaynakları için GitHub depomuzu incele. Bugün görüntü yapay zekâsıyla geliştirmeye başlamak için lisanslama seçeneklerimizi keşfet. Çözümler sayfalarımızı ziyaret ederek tarımda yapay zekânın çiftçiliği nasıl dönüştürdüğünü ve sağlık hizmetlerinde görüntü yapay zekâsının geleceği nasıl şekillendirdiğini öğren.