Ultralytics YOLO26: Uç öncelikli Vision AI için yeni standart

Bugün Ultralytics, şimdiye kadarki en gelişmiş ve konuşlandırılabilir YOLO modeli olan YOLO26 ürününü resmen piyasaya sürüyor. İlk olarak YOLO Vision 2025 (YV25) etkinliğinde duyurulan YOLO26, yapay görme modellerinin gerçek dünya sistemlerinde eğitilme, konuşlandırılma ve ölçeklendirilme biçiminde temel bir değişimi temsil ediyor.

Yapay görme hızla uç noktalara (edge) taşınıyor. Görüntüler ve videolar artık giderek daha fazla doğrudan cihazlar, kameralar, robotlar ve gömülü sistemler üzerinde işleniyor; burada gecikme, güvenilirlik ve maliyet, ham bulut işlem gücünden daha önemli hale geliyor. YOLO26, CPU'lar, uç hızlandırıcılar ve düşük güç tüketen donanımlar üzerinde verimli bir şekilde çalışırken dünya lideri performans sunarak bu gerçekliğe göre tasarlandı.

YOLO26 önemli bir sıçrama olsa da, geliştiricilerin güvendiği tanıdık ve optimize edilmiş Ultralytics YOLO deneyimini koruyor. Mevcut iş akışlarına sorunsuz bir şekilde entegre oluyor, çok çeşitli görme görevlerini destekliyor ve kullanım kolaylığını sürdürerek hem araştırma hem de üretim ekipleri için benimsenmesini kolaylaştırıyor.

Şekil 1. Nesne algılama için Ultralytics YOLO26 kullanımı örneği

Bu makalede, Ultralytics YOLO26 hakkında bilmen gereken her şeyi ve daha hafif, daha küçük ve daha hızlı bir YOLO modelinin yapay görmenin geleceği için ne anlama geldiğini açıklayacağız. Hadi başlayalım!

Link to this sectionUltralytics YOLO26, yapay görme için yeni bir standart belirliyor#

Ultralytics YOLO26, etkileyici yapay görme yeteneklerinin herkes için erişilebilir olması gerektiği fikri üzerine inşa edilmiştir. Güçlü bilgisayarlı görü araçlarının kapalı kapılar ardında tutulmaması veya küçük bir kuruluş grubuyla sınırlı kalmaması gerektiğine inanıyoruz.

Londra'daki YV25 etkinliğinde Kurucumuz ve CEO'muz Glenn Jocher, bu vizyona dair düşüncelerini şöyle paylaştı: “En harika yapay zeka teknolojisi kapalı kapılar ardında. Açık değil. Büyük şirketler yeni gelişmeleri kontrol ediyor ve diğer herkes erişim için sırada beklemek zorunda. Ultralytics'te farklı bir vizyonumuz var. Yapay zekanın herkesin elinde olmasını istiyoruz.”

Ayrıca bunun, yapay zekayı buluttan çıkarıp gerçek dünya ortamlarına taşımak anlamına geldiğini belirterek şunları ekledi: “Teknolojinin sadece bulutta takılı kalmasını değil, uç cihazlara, telefonunuza, araçlarınıza ve düşük güç tüketen sistemlere indirilmesini istiyoruz. Ve çözüm üreten bu harika insanların buna erişebilmesini istiyoruz.”

YOLO26, bu vizyonu pratikte yansıtıyor: prototip oluşturmanın en kolay olduğu yerde değil, yapay görmenin fiilen konuşlandırıldığı yerde çalışmak üzere tasarlanmış bir model.

Link to this sectionUltralytics YOLO26'yı parçalarına ayırmak: Son teknoloji bir yapay görme modeli#

Önceki Ultralytics YOLO modelleri gibi YOLO26 da tek bir birleşik model ailesi içinde birden fazla bilgisayarlı görü görevini destekler. Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x) olmak üzere beş boyutta mevcuttur; bu da ekiplerin konuşlandırma kısıtlamalarına bağlı olarak hız, doğruluk ve model boyutu arasında denge kurmasını sağlar.

Esnekliğin ötesinde, YOLO26 performans çıtasını yükseltiyor. YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, %43'e kadar daha hızlı CPU çıkarımı sağlayarak uç ve CPU tabanlı konuşlandırma için mevcut en hızlı yüksek doğruluklu nesne algılama modellerinden biri haline geliyor.

Şekil 2. Ultralytics YOLO26 son teknoloji bir yapay görme modelidir.

İşte YOLO26 tarafından desteklenen bilgisayarlı görü görevlerine daha yakından bir bakış:

• Görüntü sınıflandırma: YOLO26, tüm görüntüyü analiz edebilir ve belirli bir kategoriye atayarak sistemlerin bir sahnenin genel bağlamını anlamasına yardımcı olur.
• Nesne algılama: Model, görüntüler veya videolardaki birden fazla nesneyi bulabilir ve konumlandırabilir.
• Örnek bölümleme (Instance segmentation): YOLO26, bireysel nesnelerin ana hatlarını piksel düzeyinde detayla çizebilir.
• Poz kestirimi: İnsanlar ve diğer nesneler için anahtar noktaları tanımlamak ve pozları tahmin etmek için kullanılabilir.
• Yönelimli sınırlayıcı kutu (OBB) algılama: YOLO26, özellikle hava ve uydu görüntüleri için yararlı olan farklı açılardaki nesneleri algılayabilir.
• Nesne takibi: Ultralytics Python paketi ile birlikte YOLO26, video kareleri ve canlı yayınlar boyunca nesneleri izlemek için kullanılabilir.

Tüm görevler tutarlı bir çerçeve içinde eğitim, doğrulama, çıkarım ve dışa aktarmayı destekler.

Link to this sectionUltralytics YOLO26'nın arkasındaki temel yenilikler#

Ultralytics YOLO26, çıkarım hızını, eğitim kararlılığını ve konuşlandırma basitliğini artıran çeşitli temel yenilikler getiriyor. İşte bu yeniliklere genel bir bakış:

• Dağılım Odak Kaybı (DFL) kaldırma: DFL modülü, sınırlayıcı kutu tahminini basitleştirmek, donanım uyumluluğunu iyileştirmek ve modellerin uç ve düşük güç tüketen cihazlarda dışa aktarılmasını ve çalıştırılmasını kolaylaştırmak için kaldırıldı.
• Uçtan uca NMS'siz çıkarım: YOLO26, nihai tahminleri doğrudan veren, NMS (Sıfır Olmayan Maksimum Bastırma) ihtiyacını ortadan kaldıran, çıkarım gecikmesini ve konuşlandırma karmaşıklığını azaltan yerel bir uçtan uca model olarak tasarlanmıştır.
• Kademeli Kayıp Dengeleme + STAL: Bu geliştirilmiş kayıp stratejileri, özellikle küçük ve algılanması zor nesneler için eğitimi stabilize eder ve algılama doğruluğunu artırır.
• MuSGD optimize edici: YOLO26, daha kararlı bir eğitim için SGD'yi Muon'dan esinlenen optimizasyon teknikleriyle harmanlayan yeni bir hibrit optimize edici kullanır.
• %43'e kadar daha hızlı CPU çıkarımı: Özellikle uç bilişim için optimize edilen YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlayarak uç cihazlarda gerçek zamanlı performans sunar.

Sırada, YOLO26'yı daha hızlı, daha verimli ve konuşlandırılması daha kolay hale getiren bu yeni nesil özellikleri detaylıca inceleyelim.

Link to this sectionDağılım Odak Kaybı (DFL) kaldırma yoluyla tahmini basitleştirme#

Daha önceki YOLO modelleri, sınırlayıcı kutu hassasiyetini artırmak için eğitim sırasında Dağılım Odak Kaybı (DFL) kullanıyordu. Etkili olsa da DFL, özellikle uç ve düşük güç tüketen donanımlarda dışa aktarmayı ve konuşlandırmayı daha zorlu hale getiren ek karmaşıklıklar getiriyor ve sabit regresyon sınırları dayatıyordu.

YOLO26, DFL'yi tamamen kaldırıyor. DFL'yi kaldırmak, önceki modellerde bulunan sabit sınırlayıcı kutu regresyon sınırlarını ortadan kaldırarak çok büyük nesneleri algılarken güvenilirliği ve doğruluğu artırıyor.

Sınırlayıcı kutu tahmin sürecini basitleştirerek YOLO26, dışa aktarılması daha kolay bir hale geliyor ve çok çeşitli uç ve düşük güç tüketen cihazlarda daha güvenilir bir şekilde çalışıyor.

Link to this sectionUltralytics YOLO26 ile uçtan uca NMS'siz çıkarım#

Geleneksel nesne algılama hatları, örtüşen tahminleri filtrelemek için bir son işleme adımı olarak NMS'ye (Sıfır Olmayan Maksimum Bastırma) güvenir. Etkili olmasına rağmen NMS, özellikle modelleri birden fazla çalışma zamanı ve donanım hedefi genelinde konuşlandırırken gecikme, karmaşıklık ve kırılganlık ekler.

YOLO26, modelin NMS'yi ayrı bir son işleme adımı olarak gerektirmeden nihai tahminleri doğrudan verdiği yerel bir uçtan uca çıkarım modu getiriyor. Yinelenen tahminler ağın kendi içinde işleniyor.

NMS'yi ortadan kaldırmak gecikmeyi azaltır, konuşlandırma hatlarını basitleştirir ve entegrasyon hatası riskini düşürerek YOLO26'yı özellikle gerçek zamanlı ve uç konuşlandırmalar için çok uygun hale getirir.

Link to this sectionKademeli Kayıp Dengeleme + STAL ile tanımayı geliştirme#

Eğitimle ilgili önemli bir özellik, Kademeli Kayıp Dengeleme (ProgLoss) ve Küçük Hedefe Duyarlı Etiket Atama (STAL) uygulamasıdır. Bu geliştirilmiş kayıp fonksiyonları, eğitimi stabilize etmeye ve algılama doğruluğunu artırmaya yardımcı olur.

ProgLoss, modelin eğitim sırasında daha tutarlı bir şekilde öğrenmesine yardımcı olarak istikrarsızlığı azaltır ve daha sorunsuz bir şekilde yakınsamasını sağlar. Bu arada STAL, modelin genellikle sınırlı görsel ayrıntı nedeniyle algılanması daha zor olan küçük nesnelerden nasıl öğrendiğini geliştirmeye odaklanır.

Birlikte, ProgLoss ve STAL daha güvenilir algılamalara yol açarak küçük nesne tanımasında gözle görülür iyileşmeler sağlar. Bu, nesnelerin genellikle küçük, uzak veya kısmen görünür olduğu Nesnelerin İnterneti (IoT), robotik ve hava görüntüleri gibi uç uygulamalar için özellikle önemlidir.

Link to this sectionMuSGD optimize edici ile daha kararlı eğitim#

YOLO26 ile, eğitimi daha kararlı ve verimli hale getirmek için tasarlanmış MuSGD adlı yeni bir optimize edici benimsedik. MuSGD, geleneksel Stokastik Gradyan İnişi'nin (SGD) güçlü yönlerini, büyük dil modeli (LLM) eğitiminde kullanılan bir optimize edici olan Muon'dan esinlenen tekniklerle birleştiren hibrit bir yaklaşımdır.

SGD, basitliği ve güçlü genelleme yeteneği sayesinde uzun zamandır bilgisayarlı görüde güvenilir bir seçim olmuştur. Aynı zamanda, LLM eğitimindeki son gelişmeler, yeni optimizasyon yöntemlerinin dikkatli bir şekilde uygulandığında kararlılığı ve hızı artırabileceğini göstermiştir. MuSGD, bu fikirlerin bazılarını bilgisayarlı görü alanına getiriyor.

Moonshot AI'nın Kimi K2'sinden esinlenen MuSGD, modelin eğitim sırasında daha sorunsuz bir şekilde yakınsamasını sağlayan optimizasyon stratejilerini içerir. Bu, YOLO26'nın, özellikle daha büyük veya daha karmaşık eğitim kurulumlarında eğitim istikrarsızlığını azaltırken güçlü performansa daha hızlı ulaşmasını mümkün kılar.

MuSGD, YOLO26'nın model boyutları genelinde daha öngörülebilir bir şekilde eğitilmesine yardımcı olarak hem performans kazanımlarına hem de eğitim kararlılığına katkıda bulunur.

Link to this sectionUltralytics YOLO26 %43'e kadar daha hızlı CPU çıkarımı sunar#

Yapay görme verinin oluşturulduğu yere yaklaştıkça, güçlü uç performans giderek daha kritik hale geliyor. Özellikle uç bilişim için optimize edilen YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlayarak GPU'su olmayan cihazlarda gerçek zamanlı performans garantiliyor. Bu iyileştirme, gecikme, verimlilik ve maliyet kısıtlamalarının neyin mümkün olduğunu belirlediği kameralar, robotlar ve gömülü donanımlar üzerinde doğrudan duyarlı, güvenilir görme sistemlerinin çalışmasını sağlıyor.

Link to this sectionUltralytics YOLO26 tarafından desteklenen iyileştirilmiş bilgisayarlı görü görevleri#

Nesne algılamayı daha doğru hale getiren mimari iyileştirmelerin ötesinde YOLO26, bilgisayarlı görü görevlerinde performansı artırmak için tasarlanmış göreve özel optimizasyonlar da içerir. Örneğin; örnek bölümleme, poz kestirimi ve yönelimli sınırlayıcı kutu algılamayı, doğruluk ve güvenilirliği artıran hedeflenmiş güncellemelerle geliştirir.

İşte bu optimizasyonlara genel bir bakış:

• Örnek bölümleme: YOLO26, modelin eğitim sırasında nasıl öğrendiğini geliştirmek için anlamsal bölümleme kaybını kullanır; bu da daha doğru ve tutarlı örnek maskelerine yol açar. Yükseltilmiş bir proto modülü ayrıca birden fazla ölçekten gelen bilgilerin kullanımını sağlar, böylece model farklı boyutlardaki nesneleri karmaşık sahnelerde bile daha etkili bir şekilde ele alır.
• Poz kestirimi: Anahtar nokta tahminlerindeki belirsizliği modelleyen bir teknik olan Artık Olasılık Tahminini (RLE) entegre ederek ve kod çözme sürecini iyileştirerek YOLO26, daha iyi gerçek zamanlı performansla daha doğru anahtar noktalar sunar.
• Yönelimli sınırlayıcı kutu algılama: YOLO26, modelin nesne döndürmesini, özellikle yönelimin belirsiz olabileceği kare şeklindeki nesneler için daha doğru bir şekilde öğrenmesine yardımcı olan özel bir açı kaybı getirir. Optimize edilmiş OBB kod çözme ayrıca dönme sınırlarına yakın açı tahminlerindeki ani sıçramaları azaltarak daha kararlı ve tutarlı yönelim tahminleri sağlar.

Şekil 3. Örnek bölümleme için Ultralytics YOLO26 kullanımı.

Link to this sectionUltralytics YOLOE-26: YOLO26 üzerine inşa edilmiş açık sözcüklü bölümleme#

Ultralytics ayrıca YOLO26'nın mimarisi ve eğitim yenilikleri üzerine inşa edilmiş yeni bir açık sözcüklü bölümleme modeli ailesi olan YOLOE-26'yı piyasaya sürüyor.

YOLOE-26 yeni bir görev veya özellik değil; metin komutlarını, görsel komutları ve komutsuz çıkarımı etkinleştirirken mevcut bölümleme görevini yeniden kullanan özel bir model ailesidir. Tüm standart YOLO boyutlarında mevcut olan YOLOE-26, önceki açık sözcüklü bölümleme modellerinden daha güçlü doğruluk ve daha güvenilir gerçek dünya performansı sunar.

Link to this sectionUltralytics YOLO26, yapay görmenin fiilen çalıştığı yer için tasarlandı#

Görüş odaklı kameralardan bilgisayarlı görü ile çalışan robotlara ve uçtaki küçük işlem çiplerine kadar bilgisayarlı görü ve yapay zeka, gerçek zamanlı çıkarım için doğrudan cihaz üzerinde konuşlandırılıyor. Ultralytics YOLO26, düşük gecikme, verimlilik ve güvenilir performansın hayati önem taşıdığı bu ortamlar için özel olarak inşa edilmiştir.

Uygulamada bu, YOLO26'nın çok çeşitli donanımlarda kolayca konuşlandırılabileceği anlamına gelir. Özellikle, Ultralytics Python paketi ve çok çeşitli entegrasyonları aracılığıyla modeller, farklı platformlar ve donanım hızlandırıcıları için optimize edilmiş formatlara dışa aktarılabilir.

Örneğin, TensorRT'ye dışa aktarma NVIDIA GPU'larında yüksek performanslı çıkarımı etkinleştirirken, CoreML Apple cihazlarında yerel konuşlandırmayı destekler ve OpenVINO Intel donanımında performansı optimize eder. YOLO26 ayrıca birden fazla özel uç hızlandırıcıda çalışacak şekilde dışa aktarılabilir, bu da uzmanlaşmış Uç Yapay Zeka donanımında yüksek verimli, enerji tasarruflu çıkarımı mümkün kılar.

Bunlar sadece birkaç örnektir; uç ve üretim ortamlarında desteklenen daha birçok entegrasyon mevcuttur. Bu esneklik, tek bir YOLO26 modelinin çeşitli konuşlandırma hedeflerinde çalışmasını sağlar. Üretim iş akışlarını kolaylaştırır ve yapay görmeyi uç noktaya yaklaştırır.

Link to this sectionEndüstriler genelinde bilgisayarlı görü kullanım durumlarını yeniden tanımlama#

Gerçek dünya konuşlandırması için tasarlanan YOLO26, farklı endüstrilerdeki çok çeşitli bilgisayarlı görü kullanım durumlarında kullanılabilir. Uygulanabileceği bazı örnekler şunlardır:

• Robotik: YOLO26; navigasyon, engel algılama ve nesne etkileşimi gibi görevler için kullanılabilir. Bu yetenekler, dinamik ortamlarda güvenli ve etkili robotik operasyonları destekler.

• Üretim: Üretim hatlarında YOLO26, kusurları, eksik bileşenleri veya süreç sorunlarını tanımlamak için görüntüleri ve videoları analiz edebilir. Verileri cihaz üzerinde işlemek algılamayı hızlı tutar ve bulut sistemlerine bağımlılığı azaltır.

• Hava ve drone uygulamaları: Drone'larda konuşlandırıldığında YOLO26, inceleme, haritalama ve araştırma için uçuş sırasında hava görüntülerini işleyebilir. Bu, uzak konumlarda bile sahnelerin gerçek zamanlı olarak analiz edilmesini mümkün kılar.

• Gömülü ve IoT sistemleri: Hafif tasarımıyla YOLO26, görsel verileri yerel olarak işlemek için düşük güç tüketen gömülü donanımlarda çalışabilir. Yaygın kullanım durumları arasında akıllı kameralar, bağlı sensörler ve otomatik izleme cihazları bulunur.

• Akıllı şehirler: Kentsel ortamlarda YOLO26, trafik ve kamusal alan kameralarından gelen video akışlarını analiz edebilir. Bu, trafik izleme, kamu güvenliği ve uçta altyapı yönetimi gibi uygulamaları mümkün kılar.

Şekil 4. YOLO26, çeşitli bilgisayarlı görü uygulamaları için kullanılabilir.

Link to this sectionUltralytics YOLO26 ile başlangıç#

Ultralytics YOLO26, yapay görmeyi nasıl oluşturduğuna ve konuşlandırdığına bağlı olarak iki tamamlayıcı iş akışı aracılığıyla kullanılabilir.

Seçenek 1: Ultralytics YOLO26'yı Ultralytics Platformu aracılığıyla kullanın (önerilir)

Ultralytics Platformu, üretimdeki YOLO26 modellerini eğitmek, konuşlandırmak ve izlemek için merkezi bir yol sağlar. Veri kümelerini, deneyleri ve konuşlandırmaları tek bir yerde bir araya getirerek, özellikle uç ve üretim ortamlarına konuşlandırma yapan ekipler için yapay görme iş akışlarını ölçeklenebilir şekilde yönetmeyi kolaylaştırır.

Platform aracılığıyla kullanıcılar şunları yapabilir:

• YOLO26 modellerine erişebilir
• Özel veri kümeleri üzerinde eğitim alabilir ve ince ayar yapabilir
• Uç ve üretim konuşlandırması için modelleri dışa aktarabilir
• Deneyleri ve konuşlandırılmış modelleri tek bir iş akışında izleyebilir

👉 Ultralytics Platformu'nda YOLO26'yı keşfet: platform.ultralytics.com/ultralytics/yolo26

Seçenek 2: Ultralytics YOLO26'yı açık kaynak iş akışları aracılığıyla kullanın

YOLO26, Ultralytics'in açık kaynak ekosistemi aracılığıyla tamamen erişilebilir kalır ve eğitim, çıkarım ve dışa aktarma için mevcut Python tabanlı iş akışlarıyla kullanılabilir.

Geliştiriciler Ultralytics paketini kurabilir, önceden eğitilmiş YOLO26 modellerini yükleyebilir ve bunları ONNX, TensorRT, CoreML veya OpenVINO gibi tanıdık araçlar ve formatlar kullanarak konuşlandırabilirler.

pip install ultralytics

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Uygulamalı kontrolü veya özel hatları tercih eden kullanıcılar için Ultralytics belgelerinde tam dokümantasyon ve kılavuzlar mevcuttur.

Link to this sectionUltralytics YOLO26: Bilgisayarlı görüde bir sonraki adım için inşa edildi#

Ultralytics YOLO26, modellerin gerçek donanımda hızlı, verimli ve kolay konuşlandırılabilir olması gereken yarının yapay görme çözümlerinin ihtiyaçlarını karşılamak üzere tasarlanmıştır. Performansı artırarak, konuşlandırmayı basitleştirerek ve modelin yapabileceklerini genişleterek YOLO26, çok çeşitli gerçek dünya uygulamalarına doğal bir şekilde uyum sağlar. YOLO26, yapay görmenin nasıl inşa edildiği, konuşlandırıldığı ve ölçeklendirildiği konusunda yeni bir temel oluşturuyor. Topluluğun, gerçek dünya bilgisayarlı görü sistemlerini hayata geçirmek için onu nasıl kullanacağını görmeyi heyecanla bekliyoruz.

Büyüyen topluluğumuza katıl ve uygulamalı yapay zeka kaynakları için GitHub depomuzu keşfet. Bugün vision AI ile inşa etmeye başlamak için lisans seçeneklerimize göz at. Tarımda yapay zekanın tarımı nasıl dönüştürdüğünü ve robotikte vision AI alanındaki yeniliklerin geleceği nasıl şekillendirdiğini öğrenmek için çözüm sayfalarımızı ziyaret et.