Ultralytics YOLO26: Uç Öncelikli Görüntü Yapay Zekâsında Yeni Standart

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

Görüntü yapay zekâsı hızla uca taşınıyor. Görüntüler ve videolar, ham bulut işlem gücünden çok gecikme, güvenilirlik ve maliyetin önem taşıdığı cihazlarda, kameralarda, robotlarda ve gömülü sistemlerde giderek daha fazla doğrudan işleniyor. YOLO26 bu gerçeklik için tasarlandı; CPU'larda, uç hızlandırıcılarda ve düşük güç tüketimli donanımlarda verimli şekilde çalışırken dünya lideri performans sunuyor.

YOLO26 önemli bir ilerleme sunsa da geliştiricilerin güvendiği tanıdık ve yalın Ultralytics YOLO deneyimini koruyor. Mevcut iş akışlarına sorunsuzca uyum sağlıyor, çok çeşitli görüntü görevlerini destekliyor ve kullanımını kolay sürdürüyor; böylece hem araştırma hem de üretim ekipleri için benimsenmesini kolaylaştırıyor.

Şekil 1. Nesne algılama için Ultralytics YOLO26 kullanımına bir örnek

Bu makalede Ultralytics YOLO26 hakkında bilmen gereken her şeyi ve daha hafif, küçük ve hızlı bir YOLO modelinin görüntü yapay zekâsının geleceği için ne anlama geldiğini ayrıntılı olarak ele alacağız. Hadi başlayalım!

Ultralytics YOLO26, görüntü yapay zekâsı için yeni bir standart belirliyor#

Ultralytics YOLO26, etkili görüntü yapay zekâsı yeteneklerinin herkes için kolayca erişilebilir olması gerektiği fikri etrafında geliştirildi. Güçlü bilgisayarlı görü araçlarının erişilemez kılınmaması veya küçük bir kuruluş grubuyla sınırlandırılmaması gerektiğine inanıyoruz.

Kurucumuz ve CEO'muz Glenn Jocher, Londra'daki YV25 etkinliğinde bu vizyon hakkındaki düşüncelerini şöyle paylaştı: “En harika yapay zekâ teknolojisi kapalı kapılar ardında. Açık değil. Büyük şirketler yeni gelişmeleri kontrol ediyor ve diğer herkes erişim sırasını beklemek zorunda kalıyor. Ultralytics olarak bizim farklı bir vizyonumuz var. Yapay zekânın herkesin elinde olmasını istiyoruz.”

Ayrıca bunun yapay zekâyı buluttan çıkarıp gerçek dünya ortamlarına taşımak anlamına geldiğini şu sözlerle açıkladı: “Teknolojinin yalnızca bulutta kalmasını değil, uç cihazlara, telefonuna, araçlarına ve düşük güç tüketimli sistemlere taşınmasını istiyoruz. Çözümler geliştiren bu harika insanların da bunlara erişebilmesini istiyoruz.”

YOLO26 bu vizyonu uygulamaya geçiriyor: görüntü yapay zekâsının prototip oluşturmanın en kolay olduğu yerde değil, gerçekten dağıtıldığı yerde çalışması için tasarlanmış bir model.

Ultralytics YOLO26'yı ayrıntılarıyla inceleme: Son teknoloji bir görüntü modeli#

Önceki Ultralytics YOLO modelleri gibi YOLO26 da tek ve birleşik bir model ailesi içinde birden çok bilgisayarlı görü görevini destekliyor. Beş boyutta sunuluyor: Nano (n), Small (s), Medium (m), Large (l) ve Extra Large (x). Böylece ekipler, dağıtım kısıtlarına bağlı olarak hız, doğruluk ve model boyutu arasında denge kurabiliyor.

Esnekliğin ötesinde, YOLO26 performans çıtasını yükseltiyor. YOLO11 ile karşılaştırıldığında YOLO26 nano modeli, CPU çıkarımında %43'e kadar daha yüksek hız sunuyor. Bu da onu uç ve CPU tabanlı dağıtım için mevcut en hızlı yüksek doğruluklu nesne algılama modellerinden biri yapıyor.

Şekil 2. Ultralytics YOLO26, son teknoloji bir görüntü modelidir.

YOLO26 tarafından desteklenen bilgisayarlı görü görevlerine daha yakından bakalım:

• Görüntü sınıflandırma: YOLO26, bir görüntünün tamamını analiz edip belirli bir kategoriye atayabilir ve sistemlerin bir sahnenin genel bağlamını anlamasına yardımcı olur.
• Nesne algılama: Model, görüntüler veya videolardaki birden çok nesneyi bulup konumlandırabilir.
• Örnek segmentasyonu: YOLO26, tek tek nesnelerin sınırlarını piksel düzeyinde ayrıntıyla çizebilir.
• Poz tahmini: İnsanların ve diğer nesnelerin kilit noktalarını belirlemek ve pozlarını tahmin etmek için kullanılabilir.
• Yönlendirilmiş sınırlayıcı kutu (OBB) algılama: YOLO26 nesneleri farklı açılarda algılayabilir; bu özellik özellikle hava ve uydu görüntüleri için kullanışlıdır.
• Nesne takibi: Ultralytics Python paketi ile birlikte YOLO26, video kareleri ve canlı yayınlar boyunca nesneleri takip etmek için kullanılabilir.

Tüm görevler, tutarlı bir çerçeve içinde eğitimi, doğrulamayı, çıkarımı ve dışa aktarmayı destekler.

Ultralytics YOLO26'nın temelindeki yenilikler#

Ultralytics YOLO26, çıkarım hızını, eğitim kararlılığını ve dağıtım kolaylığını geliştiren birçok temel yenilik sunuyor. Bu yeniliklere genel bir bakış:

• Dağılımsal Odak Kayıbının (DFL) kaldırılması: DFL modülü; sınırlayıcı kutu tahminini basitleştirmek, donanım uyumluluğunu geliştirmek ve modellerin uç ve düşük güç tüketimli cihazlara aktarılıp bu cihazlarda çalıştırılmasını kolaylaştırmak için kaldırıldı.
• Uçtan uca NMS'siz çıkarım: YOLO26, son tahminleri doğrudan üreten, yerel uçtan uca bir model olarak tasarlandı. Bu sayede Maksimum Olmayan Bastırma gereksinimi ortadan kalkıyor, çıkarım gecikmesi ve dağıtım karmaşıklığı azalıyor.
• 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, SGD'yi Muon'dan ilham alan optimizasyon teknikleriyle birleştiren yeni bir hibrit optimize edici kullanıyor ve daha kararlı eğitim sağlıyor.
• CPU çıkarımında %43'e kadar daha yüksek hız: Uç bilişim için özel olarak optimize edilen YOLO26, CPU çıkarımında %43'e kadar daha yüksek hız sunarak uç cihazlarda gerçek zamanlı performans sağlıyor.

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

Dağılımsal Odak Kaybını kaldırarak tahmini basitleştirme#

Önceki YOLO modelleri, sınırlayıcı kutu hassasiyetini artırmak için eğitim sırasında Dağılımsal Odak Kaybını (DFL) kullanıyordu. Etkili olsa da DFL, ek karmaşıklık getiriyor ve dışa aktarma ile dağıtımı zorlaştıran sabit regresyon sınırları uyguluyordu; bu durum özellikle uç ve düşük güç tüketimli donanımlarda belirgindi.

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 aktarımı kolaylaştırıyor ve çok çeşitli uç ve düşük güç tüketimli cihazlarda daha güvenilir çalışıyor.

Ultralytics YOLO26 ile uçtan uca NMS'siz çıkarım#

Geleneksel nesne algılama işlem hatları, çakışan tahminleri filtrelemek için son işleme adımı olarak Maksimum Olmayan Bastırmaya (NMS) dayanır. Etkili olsa da NMS, özellikle modeller birden çok çalışma zamanı ve donanım hedefinde dağıtılırken gecikme, karmaşıklık ve kırılganlık ekler.

YOLO26, modelin ayrı bir son işleme adımı olarak NMS gerektirmeden son tahminleri doğrudan ürettiği yerel bir uçtan uca çıkarım modu sunuyor. Yinelenen tahminler ağın kendi içinde ele alınıyor.

NMS'nin kaldırılması gecikmeyi azaltıyor, dağıtım işlem hatlarını basitleştiriyor ve entegrasyon hatası riskini düşürüyor. Bu da YOLO26'yı özellikle gerçek zamanlı ve uç dağıtımlar için uygun hâle getiriyor.

Aşamalı Kayıp Dengeleme + STAL ile tanımayı geliştirme#

Eğitimle ilgili önemli bir özellik, Aşamalı Kayıp Dengeleme (ProgLoss) ve Küçük Hedef Farkındalıklı Etiket Atama (STAL) yöntemlerinin sunulmasıdır. Bu geliştirilmiş kayıp işlevleri eğitimi kararlı hâle getirmeye ve algılama doğruluğunu artırmaya yardımcı olur.

ProgLoss, modelin eğitim sırasında daha tutarlı öğrenmesine yardımcı olarak kararsızlığı azaltır ve daha sorunsuz yakınsamasını sağlar. STAL ise modelin çoğu zaman sınırlı görsel ayrıntı nedeniyle algılanması daha zor olan küçük nesnelerden öğrenme biçimini geliştirmeye odaklanır.

ProgLoss ve STAL birlikte daha güvenilir algılamalar ve küçük nesnelerin tanınmasında belirgin iyileştirmeler sağlar. Bu, nesnelerin genellikle küçük, uzak 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 üzere tasarlanmış MuSGD adlı yeni bir optimize edici benimsedik. MuSGD, geleneksel Stokastik Gradyan İnişinin (SGD) güçlü yönlerini, büyük dil modeli (LLM) eğitiminde kullanılan Muon'dan ilham alan tekniklerle birleştiren hibrit bir yaklaşımdır.

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

Moonshot AI'ın Kimi K2'sinden ilham alan MuSGD, modelin eğitim sırasında daha sorunsuz yakınsamasına yardımcı olan optimizasyon stratejilerini içeriyor. Bu sayede YOLO26, özellikle daha büyük veya karmaşık eğitim düzeneklerinde, eğitim kararsızlığını azaltırken güçlü performansa daha hızlı ulaşabiliyor.

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

Ultralytics YOLO26, CPU çıkarımında %43'e kadar daha yüksek hız sunuyor#

Görüntü yapay zekâsı verinin üretildiği yere yaklaşmaya devam ederken güçlü uç performansı giderek daha kritik hâle geliyor. Uç bilişim için özel olarak optimize edilen YOLO26, CPU çıkarımında %43'e kadar daha yüksek hız sunarak GPU'suz cihazlarda gerçek zamanlı performans sağlıyor. Bu iyileştirme, gecikme, verimlilik ve maliyet kısıtlarının olanakları belirlediği kameralarda, robotlarda ve gömülü donanımlarda duyarlı ve güvenilir görüntü sistemlerinin doğrudan çalışmasını mümkün kılıyor.

Ultralytics YOLO26 tarafından desteklenen geliştirilmiş bilgisayarlı görü görevleri#

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

Bu optimizasyonlara genel bir bakış:

• Örnek segmentasyonu: YOLO26, modelin eğitim sırasında öğrenme biçimini geliştirmek için anlamsal segmentasyon kaybı kullanıyor; bu da daha doğru ve tutarlı örnek maskeleri sağlıyor. Yükseltilmiş proto modülü, birden çok ölçekten gelen bilgilerin kullanılmasını da mümkün kılıyor. Böylece model, karmaşık sahnelerde bile farklı boyutlardaki nesneleri daha etkili şekilde ele alıyor.
• Poz tahmini: Kilit nokta tahminlerindeki belirsizliği modelleyen bir teknik olan Artık Log-Olasılık Tahminini (RLE) entegre eden ve kod çözme sürecini geliştiren YOLO26, daha iyi gerçek zamanlı performansla daha doğru kilit noktalar sunuyor.
• Yönlendirilmiş sınırlayıcı kutu algılama: YOLO26, modelin nesne dönüşünü daha doğru öğrenmesine yardımcı olan özel bir açı kaybı sunuyor. Bu özellik, yönelimin belirsiz olabildiği kare şekilli nesnelerde özellikle etkili. Optimize edilmiş OBB kod çözme de dönüş sınırları yakınındaki açı tahminlerinde 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 kelime dağarcıklı segmentasyon#

Ultralytics ayrıca YOLO26'nın mimarisi ve eğitim yenilikleri üzerine kurulu yeni bir açık kelime dağarcıklı segmentasyon modelleri ailesi olan YOLOE-26'yı da sunuyor.

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

Ultralytics YOLO26, görüntü yapay zekâsının gerçekten çalıştığı yerler için tasarlandı#

Görüntü odaklı kameralardan bilgisayarlı görüyle güçlendirilmiş robotlara ve uçtaki küçük işlem çiplerine kadar bilgisayarlı görü ve yapay zekâ, gerçek zamanlı çıkarım için doğrudan cihaz üzerinde dağıtılıyor. Ultralytics YOLO26, düşük gecikme, verimlilik ve güvenilir performansın hayati önem taşıdığı bu ortamlar için özel olarak geliştirildi.

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 aktarma NVIDIA GPU'larında yüksek performanslı çıkarım sağlarken CoreML, Apple cihazlarında yerel dağıtımı destekliyor ve OpenVINO, Intel donanımındaki performansı optimize ediyor. YOLO26, yüksek aktarım hızına sahip ve enerji verimli çıkarım sunarak özel Edge AI donanımında çalışmak üzere birden çok özel uç hızlandırıcıya da aktarılabiliyor.

Bunlar yalnızca birkaç örnek; uç ve üretim ortamlarında desteklenen çok daha fazla entegrasyon bulunuyor. Bu esneklik, tek bir YOLO26 modelinin farklı dağıtım hedeflerinde çalışmasını sağlıyor. Üretim iş akışlarını kolaylaştırıyor ve görüntü yapay zekâsını uca yaklaştırıyor.

Sektörler genelinde bilgisayarlı görü kullanım alanlarını yeniden tanımlama#

Gerçek dünyada dağıtım için tasarlanan YOLO26, farklı sektörlerde çok çeşitli bilgisayarlı görü kullanım alanlarında kullanılabilir. Uygulanabileceği alanlara birkaç örnek:

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

• Üretim: Üretim hatlarında YOLO26, 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: Drone'lara dağıtıldığında YOLO26, inceleme, haritalama ve ölçüm amacıyla uçuş sırasında hava görüntülerini işleyebilir. Bu, uzak konumlarda bile sahnelerin gerçek zamanlı analiz edilmesini mümkün kılar.

• Gömülü ve IoT sistemleri: Hafif tasarımı sayesinde YOLO26, görsel verileri yerel olarak işlemek üzere düşük güç tüketimli gömülü donanımlarda çalışabilir. Yaygın kullanım alanları arasında akıllı kameralar, bağlı sensörler ve otomatik izleme cihazları bulunur.

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

Şekil 4. YOLO26 çeşitli bilgisayarlı görü uygulamalarında kullanılabilir.

Ultralytics YOLO26 ile çalışmaya başlama#

Ultralytics YOLO26, görüntü yapay zekâsını nasıl geliştirip dağıttığına bağlı olarak iki tamamlayıcı iş akışıyla kullanılabilir.

Seçenek 1: Ultralytics YOLO26'yı Ultralytics Platformu üzerinden kullanma (önerilir)

Ultralytics Platformu, YOLO26 modellerini üretimde eğitmek, dağıtmak ve izlemek için merkezi bir yöntem sunar. Veri kümelerini, deneyleri ve dağıtımları tek bir yerde bir araya getirerek görüntü yapay zekâsı iş akışlarını, özellikle uç ve üretim ortamlarına dağıtım yapan ekipler için geniş ölçekte yönetmeyi kolaylaştırır.

Platform üzerinden şunları yapabilirsin:

• YOLO26 modellerine erişme
• Özel veri kümelerinde eğitim ve ince ayar yapma
• Modelleri uç ve üretim dağıtımı için dışa aktarma
• Deneyleri ve dağıtılmış modelleri tek bir iş akışında izleme

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

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

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

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

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 işlem hatlarını tercih eden kullanıcılar için kapsamlı belgeler ve kılavuzlar Ultralytics belgelerinde mevcuttur.

Ultralytics YOLO26: Bilgisayarlı görünün geleceğine hazırlandı#

Ultralytics YOLO26, modellerin gerçek donanımlarda hızlı, verimli ve kolay dağıtılabilir olması gereken geleceğin görüntü yapay zekâsı çözümlerinin ihtiyaçlarını karşılamak üzere tasarlandı. Performansı geliştirip dağıtımı basitleştirerek ve modelin yapabileceklerini genişleterek YOLO26, çok çeşitli gerçek dünya uygulamalarına doğal biçimde uyum sağlıyor. YOLO26, görüntü yapay zekâsının nasıl geliştirildiği, dağıtıldığı ve ölçeklendirildiği konusunda yeni bir temel oluşturuyor. Topluluğun gerçek dünya bilgisayarlı görü sistemlerini kullanıma sunmak için onu nasıl değerlendireceğini görmek bizi heyecanlandırıyor.

Büyüyen topluluğumuza katıl ve uygulamalı AI kaynakları için GitHub depomuzu keşfet. Bugün görsel AI ile geliştirme yapmak için lisanslama seçeneklerimizi incele. Tarımda AI'ın çiftçiliği nasıl dönüştürdüğünü ve robotikte görsel AI'ın geleceği nasıl şekillendirdiğini çözüm sayfalarımızı ziyaret ederek öğren.