Ultralytics YOLO26: Uç cihazları önceliklendiren görsel yapay zekâ için yeni standart

Bugün Ultralytics, bugüne kadarki en gelişmiş ve dağıtıma en hazır YOLO modeli olan YOLO26'yı resmen kullanıma sunuyor. İlk kez YOLO Vision 2025 (YV25) etkinliğinde duyurulan YOLO26, bilgisayarlı görü modellerinin gerçek dünya sistemlerinde eğitilme, dağıtılma ve ölçeklendirilme biçiminde köklü bir değişimi temsil ediyor.

Görsel yapay zekâ hızla uç bilişime yöneliyor. Gecikme, güvenilirlik ve maliyetin ham bulut işlem gücünden daha önemli olduğu cihazlarda, kameralarda, robotlarda ve gömülü sistemlerde görüntüler ve videolar giderek daha fazla doğrudan işleniyor. YOLO26, bu gerçeklik için tasarlandı; CPU'larda, uç hızlandırıcılarda ve düşük güçlü donanımlarda verimli çalışırken son teknoloji doğruluk sunuyor.

YOLO26 önemli bir ilerleme sunarken geliştiricilerin güvendiği tanıdık ve yalın Ultralytics YOLO deneyimini de koruyor. Mevcut iş akışlarına uyum sağlıyor, çok çeşitli görsel görevlerini destekliyor ve kullanımı kolaylığını koruyor; böylece hem araştırma hem de üretim ekipleri tarafından kolayca benimsenebiliyor.

Şekil 1. Ultralytics YOLO26'nın nesne algılama için kullanımına örnek.

Bu makalede Ultralytics YOLO26 hakkında bilmen gereken her şeyi ve daha hafif, küçük ve hızlı bir YOLO modelinin görsel yapay zekânın geleceği açısından ne anlama geldiğini açıklayacağız.

Ultralytics YOLO26, görsel yapay zekâ için yeni bir standart belirliyor#

Ultralytics YOLO26, etkili görsel yapay zekâ özelliklerinin herkes tarafından kolayca erişilebilir olması gerektiği düşüncesi üzerine kuruldu. Güçlü bilgisayarlı görü araçlarının yalnızca az sayıda kuruluşun erişebildiği veya kullanabildiği araçlar olmaması gerektiğine inanıyoruz.

YV25'te Londra'da Kurucumuz ve CEO'muz Glenn Jocher bu vizyonla ilgili düşüncelerini şöyle paylaştı: “En etkileyici yapay zekâ teknolojileri kapalı kapılar ardında kalıyor. Açık değiller. Yeni gelişmeleri büyük şirketler kontrol ediyor, diğer herkes erişim için sıraya girmek zorunda kalıyor. Ultralytics olarak farklı bir vizyonumuz var. Yapay zekânın herkesin elinde olmasını istiyoruz.”

Ayrıca bunun yapay zekâyı buluttan çıkarıp gerçek dünya ortamlarına taşımak anlamına geldiğini şöyle açıkladı: “Teknolojinin yalnızca bulutta kalmasını değil, uç cihazlara, telefonunuza, araçlarınıza ve düşük güçlü sistemlere taşınmasını istiyoruz. Çözüm geliştiren bu harika insanların da bu teknolojiye erişebilmesini istiyoruz.”

YOLO26 bu vizyonu uygulamaya geçiriyor: prototip oluşturmanın en kolay olduğu yerde değil, görsel yapay zekânın gerçekten kullanıldığı yerlerde çalışmak üzere tasarlanmış bir model.

Ultralytics YOLO26'yı yakından tanıyalım: Son teknoloji bir görsel model#

Önceki Ultralytics YOLO modelleri gibi YOLO26 da tek ve bütünleşik bir model ailesi içinde birden fazla bilgisayarlı görü görevini destekliyor. Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x) olmak üzere beş boyutta sunuluyor; böylece ekipler dağıtım kısıtlamalarına göre hız, doğruluk ve model boyutu arasında denge kurabiliyor.

Esnekliğinin yanı sıra YOLO26 performans çıtasını yükseltiyor. YOLO11 ile karşılaştırıldığında YOLO26 nano modeli CPU çıkarımını %43'e kadar hızlandırıyor; bu da modeli uçta ve CPU tabanlı dağıtım için mevcut en hızlı, yüksek doğruluklu nesne algılama modellerinden biri hâline getiriyor.

Şekil 2. Ultralytics YOLO26, son teknoloji bir görsel modeldir.

YOLO26'nın desteklediği bilgisayarlı görü görevlerine daha yakından bakalım:

• Nesne algılama: Model, görüntülerde veya videolarda birden fazla nesneyi bulup konumlarını belirleyebilir.
• Örnek segmentasyonu: YOLO26, tek tek nesnelerin sınırlarını piksel düzeyinde ayrıntıyla çizebilir.
• Görüntü sınıflandırma: YOLO26, görüntünün tamamını analiz edip belirli bir kategoriye atayabilir ve böylece sistemlerin bir sahnenin genel bağlamını anlamasına yardımcı olabilir.
• Poz tahmini: İnsanların ve diğer nesnelerin kilit noktalarını belirlemek ve pozlarını tahmin etmek için kullanılabilir.
• Yönelimli sınırlayıcı kutu (OBB) algılama: YOLO26, nesneleri farklı açılarda algılayabilir; bu özellik özellikle havadan ve uydu görüntülerinde kullanışlıdır.
• Nesne takibi: Ultralytics Python paketi ile birlikte kullanıldığında YOLO26, video kareleri ve canlı akışlar boyunca nesneleri takip etmek için kullanılabilir.

Tüm görevler, tutarlı bir çerçeve içinde eğitim, doğrulama, çıkarım ve dışa aktarma işlemlerini destekler. YOLO26, piyasaya sürülmesinden bu yana semantik segmentasyon ve monoküler derinlik tahmini özelliklerini de ekledi.

Ultralytics YOLO26'nın temel yenilikleri#

Ultralytics YOLO26; çıkarım hızını, eğitim kararlılığını ve dağıtım kolaylığını artıran çeşitli temel yenilikler sunuyor. Bu yeniliklere genel bir bakış:

• Distribution Focal Loss'un (DFL) kaldırılması: DFL modülü, sınırlayıcı kutu tahminini basitleştirmek, donanım uyumluluğunu artırmak ve modelleri uç cihazlara ve düşük güçlü cihazlara aktarıp bu cihazlarda çalıştırmayı kolaylaştırmak için kaldırıldı.
• Uçtan uca, NMS gerektirmeyen çıkarım: YOLO26, son tahminleri doğrudan veren yerel bir uçtan uca model olarak tasarlandı; böylece Maksimum Olmayan Bastırma gereksinimini ortadan kaldırıyor, çıkarım gecikmesini ve dağıtım karmaşıklığını azaltıyor.
• Aşamalı Kayıp Dengeleme + STAL: Bu geliştirilmiş kayıp stratejileri eğitimi kararlı hâle getiriyor ve özellikle küçük, algılanması zor nesnelerde algılama doğruluğunu artırıyor.
• MuSGD optimize edicisi: YOLO26, daha kararlı eğitim için SGD'yi Muon'dan esinlenen optimizasyon teknikleriyle harmanlayan yeni bir hibrit optimize edici kullanıyor.
• %43'e kadar daha hızlı CPU çıkarımı: Uç bilişim için özel olarak optimize edilen YOLO26, CPU çıkarımını %43'e kadar hızlandırarak uç cihazlarda gerçek zamanlı performans sağlıyor.

Şimdi YOLO26'yı daha hızlı, verimli ve dağıtımı kolay hâle getiren özellikleri ayrıntılı olarak inceleyelim.

Distribution Focal Loss'u kaldırarak tahmini basitleştirme#

Önceki YOLO modelleri, sınırlayıcı kutu hassasiyetini artırmak için eğitim sırasında Distribution Focal Loss (DFL) kullanıyordu. Etkili olsa da DFL ek karmaşıklık getiriyor ve sabit regresyon sınırları dayatarak özellikle uç ve düşük güçlü donanımlarda dışa aktarma ve dağıtımı zorlaştırıyordu.

YOLO26, DFL'yi tamamen kaldırıyor. DFL'nin kaldırılması, önceki modellerde bulunan sabit sınırlayıcı kutu regresyon sınırlarını ortadan kaldırarak çok büyük nesnelerin algılanmasında güvenilirliği ve doğruluğu artırıyor.

YOLO26, sınırlayıcı kutu tahmin sürecini basitleştirerek dışa aktarmayı kolaylaştırıyor ve çok çeşitli uç ve düşük güçlü cihazlarda daha güvenilir çalışıyor.

Ultralytics YOLO26 ile uçtan uca, NMS gerektirmeyen çıkarım#

Geleneksel nesne algılama iş akışlarında, örtüşen tahminleri filtrelemek için işlem sonrası bir adım olarak Maksimum Olmayan Bastırma (NMS) kullanılır. Etkili olsa da NMS, özellikle modeller farklı çalışma zamanlarına ve donanım hedeflerine dağıtılırken gecikme, karmaşıklık ve hata olasılığı ekler.

YOLO26, modelin ayrı bir son işlem adımı olarak NMS gerektirmeden doğrudan nihai tahminleri verdiği yerel uçtan uca çıkarım modu sunuyor. Yinelenen tahminler doğrudan ağ içinde ele alınıyor.

NMS'nin ortadan kaldırılması gecikmeyi azaltır, dağıtım işlem hatlarını basitleştirir ve entegrasyon hataları riskini düşürür; bu da YOLO26'yı özellikle gerçek zamanlı ve uç dağıtımlar için uygun hâle getirir.

Aşamalı Kayıp Dengeleme + STAL ile algılamayı geliştirme#

Eğitimle ilgili önemli bir özellik, Aşamalı Kayıp Dengeleme (ProgLoss) ve Küçük Hedefleri Dikkate Alan Etiket Atama (STAL) yöntemlerinin kullanıma sunulmasıdır. Bu eğitim iyileştirmeleri, eğitimin kararlılığını artırmaya ve algılama doğruluğunu iyileştirmeye yardımcı olur.

ProgLoss, modelin eğitim sırasında daha tutarlı öğrenmesine yardımcı olur; kararsızlığı azaltır ve daha sorunsuz yakınsamasını sağlar. STAL ise genellikle sınırlı görsel ayrıntı nedeniyle algılanması daha zor olan küçük nesnelerden modelin nasıl öğrendiğini geliştirmeye odaklanır.

ProgLoss ve STAL birlikte daha güvenilir algılamalar sağlar ve küçük nesnelerin tanınmasında belirgin iyileşmeler sunar. Bu özellik; nesnelerin genellikle küçük, uzakta veya kısmen görünür olduğu Nesnelerin İnterneti (IoT), robotik ve hava görüntüleri gibi uç uygulamalar için özellikle önemlidir.

MuSGD optimize edicisiyle daha kararlı eğitim#

YOLO26 ile eğitimi daha kararlı ve verimli hâle getirmek için tasarlanmış MuSGD adlı yeni bir optimize edici benimsedik. MuSGD, geleneksel Stokastik Gradyan İnişi (SGD) yönteminin güçlü yanlarını, büyük dil modeli (LLM) eğitiminde kullanılan Muon optimize edicisinden esinlenen tekniklerle birleştiren hibrit bir yaklaşımdır.

SGD; basitliği ve güçlü genelleme kabiliyeti sayesinde uzun süredir bilgisayarlı görüde güvenilir bir tercih olmuştur. Aynı zamanda LLM eğitimindeki son gelişmeler, daha yeni optimizasyon yöntemlerinin dikkatli uygulandığında kararlılığı ve hızı artırabileceğini gösterdi. MuSGD, bu fikirlerin bazılarını bilgisayarlı görü alanına taşıyor.

Moonshot AI'ın Kimi K2'sinden esinlenen MuSGD, modelin eğitim sırasında daha sorunsuz yakınsamasına yardımcı olan optimizasyon stratejilerini içeriyor. Böylece YOLO26 daha yüksek performansa daha hızlı ulaşırken, özellikle daha büyük veya daha karmaşık eğitim düzeneklerinde eğitim kararsızlığı azalıyor.

MuSGD, YOLO26'nın farklı model boyutlarında daha öngörülebilir şekilde eğitilmesine yardımcı olarak hem performans artışına hem de eğitim kararlılığına katkıda bulunuyor.

Ultralytics YOLO26, CPU çıkarımını %43'e kadar hızlandırıyor#

Görsel yapay zekâ, verilerin üretildiği noktalara yaklaştıkça uç cihazlarda güçlü performans sunmak giderek daha önemli hâle geliyor. Uç bilişim için özel olarak optimize edilen YOLO26, CPU çıkarımını %43'e kadar hızlandırarak GPU içermeyen cihazlarda gerçek zamanlı performans sağlıyor. Bu iyileştirme; gecikme, verimlilik ve maliyet kısıtlarının olanakları belirlediği kamera, robot ve gömülü donanımlarda doğrudan çalışan, hızlı yanıt veren güvenilir görsel sistemleri mümkün kılıyor.

Ultralytics YOLO26'nın desteklediği geliştirilmiş bilgisayarlı görü görevleri#

Nesne algılamayı daha doğru hâle getiren mimari iyileştirmelerin yanı sıra YOLO26, bilgisayarlı görü görevlerinde performansı artırmak üzere tasarlanmış göreve özgü optimizasyonlar da içeriyor. Örneğin, doğruluğu ve güvenilirliği artıran hedefli güncellemelerle örnek segmentasyonunu, poz tahminini ve yönlendirilmiş sınırlayıcı kutu algılamayı geliştiriyor.

Bu optimizasyonlara genel bir bakış:

• Örnek segmentasyonu: YOLO26, eğitim sırasında modelin öğrenme biçimini iyileştirmek için anlamsal segmentasyon kaybı kullanıyor; bu da daha doğru ve tutarlı örnek maskeleri sağlıyor. Yükseltilmiş proto modülü, birden fazla ölçekten gelen bilgilerin kullanılmasını da sağlayarak modelin karmaşık sahnelerde bile farklı boyutlardaki nesneleri daha etkili işlemesine yardımcı oluyor.
• Poz tahmini: YOLO26, anahtar nokta tahminlerindeki belirsizliği modelleyen bir teknik olan Artık Log-Olasılık Tahmini'ni (RLE) entegre edip kod çözme sürecini iyileştirerek daha iyi gerçek zamanlı performansla daha doğru anahtar noktalar sunuyor.
• Yönlendirilmiş sınırlayıcı kutu algılama: YOLO26, modelin nesne dönüşünü daha doğru öğrenmesine yardımcı olan özel bir açı kaybı sunuyor; bu, yönelimin belirsiz olabildiği kare biçimli nesneler için özellikle yararlı. Optimize edilmiş OBB kod çözme de dönme sınırlarının yakınında açı tahminlerinde oluşan ani sıçramaları azaltarak daha kararlı ve tutarlı yönelim tahminleri sağlıyor.

Şekil 3. Örnek segmentasyonu için Ultralytics YOLO26 kullanımı.

Ultralytics YOLOE-26: YOLO26 üzerine kurulu açık sözcük dağarcıklı segmentasyon#

Ultralytics ayrıca YOLO26'nın mimarisi ve eğitim yenilikleri üzerine kurulu yeni bir açık sözcük dağarcıklı segmentasyon modelleri ailesi olan YOLOE-26 modelini de kullanıma sunuyor.

YOLOE-26 yeni bir görev veya özellik değil; metin istemlerini, görsel istemleri ve istem gerektirmeyen çıkarımı mümkün kılarken mevcut segmentasyon görevini yeniden kullanan özel bir model ailesi. Tüm standart YOLO boyutlarında sunulan YOLOE-26, önceki açık sözcük dağarcıklı segmentasyon modellerine kıyasla daha yüksek doğruluk ve gerçek dünyada daha güvenilir performans sağlıyor.

Ultralytics YOLO26, görsel yapay zekânın gerçekten çalıştığı ortamlar için tasarlandı#

Görüntü işleme kullanan kameralardan bilgisayarlı görüyle çalışan robotlara ve uç noktalardaki küçük işlem çiplerine kadar bilgisayarlı görü ve yapay zekâ, gerçek zamanlı çıkarım için doğrudan cihazlarda kullanılıyor. Ultralytics YOLO26; düşük gecikmenin, verimliliğin ve güvenilir performansın hayati önem taşıdığı bu ortamlar için özel olarak tasarlandı.

Uygulamada bu, YOLO26'nın çok çeşitli donanımlara kolayca dağıtılabileceği anlamına geliyor. Özellikle Ultralytics Python paketi ve geniş entegrasyon yelpazesi sayesinde modeller, farklı platformlar ve donanım hızlandırıcıları için optimize edilmiş biçimlere aktarılabiliyor.

Örneğin, TensorRT'ye dışa aktarmak NVIDIA GPU'larda yüksek performanslı çıkarım sağlarken CoreML, Apple cihazlarında yerel dağıtımı destekler; OpenVINO ise Intel donanımlarında performansı optimize eder. YOLO26, birden fazla özel uç hızlandırıcıda çalışacak şekilde de dışa aktarılabilir ve böylece özelleşmiş uç yapay zekâ donanımlarında yüksek verimli, enerji tasarruflu çıkarım yapılabilir.

Bunlar yalnızca birkaç örnek; uç ve üretim ortamlarında desteklenen daha pek çok entegrasyon var. Bu esneklik, tek bir YOLO26 modelinin farklı dağıtım hedeflerinde çalışmasını sağlıyor. Üretim iş akışlarını kolaylaştırıyor ve görsel yapay zekâyı uç noktalara yaklaştırıyor.

Farklı sektörlerde bilgisayarlı görü kullanım alanlarını yeniden tanımlama#

Gerçek dünyada dağıtım için tasarlanan YOLO26, farklı sektörlerde çok çeşitli bilgisayarlı görü kullanım alanlarında kullanılabilir. İşte uygulanabileceği bazı alanlar:

• Robotik: YOLO26; gezinme, engel algılama ve nesnelerle etkileşim gibi görevlerde kullanılabilir. Bu özellikler, dinamik ortamlarda robotların güvenli ve etkili çalışmasını destekler.
• Üretim: YOLO26, üretim hatlarında kusurları, eksik bileşenleri veya süreç sorunlarını belirlemek için görüntüleri ve videoları analiz edebilir. Verilerin cihaz üzerinde işlenmesi algılamayı hızlandırır ve bulut sistemlerine bağımlılığı azaltır.
• Hava ve drone uygulamaları: YOLO26, dronlara dağıtıldığında inceleme, haritalama ve ölçüm amacıyla uçuş sırasında hava görüntülerini işleyebilir. Böylece uzak konumlarda bile sahneleri gerçek zamanlı analiz etmek mümkün olur.
• Gömülü sistemler ve IoT sistemleri: Hafif tasarımı sayesinde YOLO26, görsel verileri yerel olarak işlemek için düşük güçlü gömülü donanımlarda çalışabilir. Yaygın kullanım alanları arasında akıllı kameralar, bağlantılı sensörler ve otomatik izleme cihazları bulunur.
• Akıllı şehirler: YOLO26, kentsel ortamlarda trafik kameralarından ve kamusal alan kameralarından gelen video akışlarını analiz edebilir. Bu sayede uç noktalarda trafik izleme, kamu güvenliği ve altyapı yönetimi gibi uygulamalar mümkün olur.

Şekil 4. YOLO26 çeşitli bilgisayarlı görü uygulamalarında kullanılabilir.

Ultralytics YOLO26'yı kullanmaya başlama#

Ultralytics YOLO26, görsel yapay zekâyı geliştirme ve dağıtma biçimine göre birbirini tamamlayan iki iş akışıyla kullanılabilir.

Seçenek 1: Ultralytics YOLO26'yı Ultralytics Platform üzerinden kullan (önerilir)

Ultralytics Platform, YOLO26 modellerini üretimde eğitmek, dağıtmak ve izlemek için merkezi bir çözüm sunar. Veri kümelerini, deneyleri ve dağıtımları tek bir yerde bir araya getirerek görsel yapay zekâ iş akışlarını büyük ölçekte yönetmeyi kolaylaştırır; özellikle uç ve üretim ortamlarına dağıtım yapan ekipler için.

Platform üzerinden şunları yapabilirsin:

• YOLO26 modellerine erişme
• Özel veri kümelerinde eğitim ve ince ayar yapma
• Uç ve üretim dağıtımları için modelleri dışa aktarma
• Deneyleri ve dağıtılan modelleri tek bir iş akışında izleme

Ultralytics Platform'da YOLO26'yı keşfet: platform.ultralytics.com/ultralytics/yolo26

Seçenek 2: Ultralytics YOLO26'yı açık kaynak iş akışlarıyla kullan

YOLO26, Ultralytics'in açık kaynak ekosistemi üzerinden tamamen erişilebilir olmaya devam ediyor ve eğitim, çıkarım ve dışa aktarma için mevcut Python tabanlı iş akışlarında kullanılabiliyor.

Geliştiriciler Ultralytics paketini kurabilir, önceden eğitilmiş YOLO26 modellerini yükleyebilir ve bu modelleri ONNX, TensorRT, CoreML veya OpenVINO gibi tanıdık araçları ve biçimleri kullanarak dağıtabilir.

pip install ultralytics

from ultralytics import YOLO

# COCO üzerinde önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# 'bus.jpg' görüntüsünde YOLO26n modeliyle çıkarım çalıştır
results = model("path/to/bus.jpg")

Uygulamalı kontrol veya özel iş akışlarını tercih eden kullanıcılar için tam dokümantasyon ve kılavuzlara Ultralytics dokümanlarından ulaşılabilir.

Ultralytics YOLO26: Bilgisayarlı görüde sıradaki gelişmeler için tasarlandı#

Ultralytics YOLO26, modellerin hızlı, verimli ve gerçek donanımlarda dağıtımı kolay olması gereken geleceğin görsel yapay zekâ çözümlerinin ihtiyaçlarını karşılamak üzere tasarlandı. Performansı artırıp dağıtımı basitleştirerek ve modelin yapabildiklerini genişleterek YOLO26, çok çeşitli gerçek dünya uygulamalarına doğal bir şekilde uyum sağlıyor. YOLO26, görsel yapay zekânın nasıl geliştirildiği, dağıtıldığı ve ölçeklendirildiği konusunda yeni bir temel oluşturuyor. Topluluğun gerçek dünyadaki bilgisayarlı görü sistemlerini kullanıma sunmak için YOLO26'yı nasıl kullanacağını görmek bizi heyecanlandırıyor.

Büyüyen topluluğumuza katıl ve uygulamalı yapay zekâ kaynakları için GitHub depomuzu keşfet. Günümüzde görsel yapay zekâ çözümleri geliştirmek için lisanslama seçeneklerimizi incele. Tarımda yapay zekânın tarımı nasıl dönüştürdüğünü ve robotikte görsel yapay zekânın geleceği nasıl şekillendirdiğini çözümler sayfalarımızı ziyaret ederek öğren.