Ultralytics YOLO26, YOLO11 ve YOLOv8: Hangisini kullanmalısın?

Genellikle evrişimli sinir ağları (CNNs) tarafından desteklenen, en yeni bilgisayarlı görü sistemleri makinelerin görüntü ve videolardaki görsel verileri analiz edip yorumlamasını sağlar ve artık çok çeşitli ortamlarda kullanıma sunuluyor.

Tarım, üretim ve perakende gibi sektörlerde kullanılan bu sistemler; uç cihazlar, gömülü donanımlar, Nesnelerin İnterneti (IoT) cihazları, cihaz üzerinde işleme ve gerçek zamanlı uygulamaları destekleyen büyük ölçekli bulut işlem hatları dâhil olmak üzere çeşitli dağıtım ortamlarında çalışır.

Gerçek dünyada bu modelleri dağıtmak her zaman kolay değildir. Modellerin genellikle sınırlı işlem gücüyle çalışması, katı gecikme gereksinimlerini karşılaması ve maliyetleri önemli ölçüde artırmadan ölçeklenmesi gerekir. Bu kısıtlar, performansı yalnızca doğrulukla ilgili olmaktan çıkarıp çok boyutlu bir soruna dönüştürür.

Doğruluk hâlâ önemli olsa da bir modelin üretim ortamında verimli çalışması da aynı derecede önemlidir. Hız, kaynak kullanımı ve ölçeklenebilirlik gibi etkenler, bir sistemin zaman içinde ne kadar iyi performans gösterdiğinde büyük rol oynar.

Ultralytics YOLO modelleri bu denge gözetilerek geliştirildi. Örneğin Ultralytics YOLOv8 güçlü ve çok yönlü bir temel oluşturdu; Ultralytics YOLO11 geliştirilmiş hız ve doğrulukla bunu bir adım ileri taşıdı; Ultralytics YOLO26 ise şimdiye kadarki en hafif, en hızlı ve en verimli model olarak bu gelişimi sürdürüyor.

Şekil 1. Görüntüdeki nesneleri algılamak için Ultralytics YOLO26 kullanımı (Kaynak)

Bu makalede, bilgisayarlı görü projen için doğru modeli seçmene yardımcı olmak amacıyla Ultralytics YOLO26, YOLO11 ve YOLOv8 modellerini karşılaştıracağız. Hadi başlayalım!

Ultralytics YOLO modellerinin gelişimini anlama#

Ultralytics YOLO modellerinin her yeni sürümü, gerçek dünya gereksinimlerini daha iyi karşılamak ve bilgisayarlı görüyü daha erişilebilir kılmak için iyileştirmeler sundu. Bu güncellemeler modelleri daha hızlı, daha verimli ve dağıtımı daha kolay hâle getirerek görsel yapay zeka ekosisteminin büyümesini destekledi.

Modeller ayrıca PyTorch üzerine kuruludur; bu sayede eğitilmeleri, özelleştirilmeleri ve akıllı makine öğrenimi iş akışlarına entegre edilmeleri kolaydır. Ultralytics YOLO modelleri, kullanıma hazır olarak önceden eğitilmiş modeller biçiminde sunulur. Genellikle COCO veri kümesi gibi veri kümeleri üzerinde eğitildikleri için ekipler hızla işe başlayabilir ve modelleri belirli kullanım senaryolarına göre ince ayarlayabilir.

Buna ek olarak Ultralytics Python paketi, modelleri ONNX ve TensorRT gibi biçimlere dışa aktarmak için yerleşik destek sunarak dağıtımı kolaylaştırır. Bu özellik, modelleri uç cihazlardan GPU hızlandırmalı sistemlere kadar farklı donanım platformlarına entegre etmeyi kolaylaştırır.

Ultralytics YOLOv5'ten Ultralytics YOLO26'ya geçiş#

İlk Ultralytics YOLO modeli olan Ultralytics YOLOv5, güvenilir nesne algılama yetenekleriyle geniş çapta popüler oldu. Tek aşamalı algılama yaklaşımıyla geliştirilen model, tek geçişte hızlı ve gerçek zamanlı tahminler yaparak üretim iş akışlarına çok uygun hâle geldi.

Sonraki güncellemelerde, önceden tanımlanmış bağlantı kutularını kullanmak yerine nesne konumlarını doğrudan tahmin eden bağlantısız varyantlar sunuldu; bu da algılamayı daha esnek hâle getirdi. Ancak özgün model esas olarak nesne algılama görevlerine odaklanmayı sürdürdü.

Bu temelin üzerine inşa edilen Ultralytics YOLOv8, model ailesinin kapsamını genişletti. Yalnızca nesne algılamaya odaklanmak yerine örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi birden fazla bilgisayarlı görü görevini desteklemeye başladı. Ayrıca gelişmiş omurga ve boyun tasarımları dâhil mimari iyileştirmeler sunarak özellik çıkarımını ve genel algılama performansını artırdı.

Bunun yanı sıra YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) ve YOLOv8x (Extra Large) gibi varyantlar, geliştiricilere hız, doğruluk ve kaynak kullanımı arasında ihtiyaçlarına göre denge kurma esnekliği sağladı. Daha geniş yetenek yelpazesi ve kullanım kolaylığı, bu modeli çok çeşitli görsel uygulamalar için tercih edilen bir seçenek hâline getirdi.

Şekil 2. YOLOv8, YOLO11 ve YOLO26 gibi YOLO modelleri çeşitli görsel görevleri destekler.

Bunun ardından Ultralytics YOLO11, gerçek dünyadaki iş akışlarında performansı artırmaya odaklanarak daha yüksek doğruluk ve daha hızlı çıkarım sundu. Daha hafif mimarisi sayesinde hem uç hem de bulut ortamlarında iyi çalışırken mevcut YOLOv8 işlem hatlarıyla da uyumludur.

Ultralytics YOLO model ailesinin en yeni üyesi YOLO26, uçtan öncelikli görsel yapay zeka için yeni bir standart belirleyen, son teknoloji bir modeldir. Gerçek dünyadaki dağıtımlar için daha hafif, daha hızlı ve daha verimli bir yaklaşım sunar. Dağıtımı kolaylaştırırken çok çeşitli uygulamalarda gerçek zamanlı performansı artıracak şekilde tasarlanmıştır ve CPU'larda ve gömülü sistemlerde verimli çalışır.

YOLO26, YOLO11 ve YOLOv8 karşılaştırması#

Bilgisayarlı görü projeleri üzerinde çalışırken farklı Ultralytics modelleriyle karşılaşabilir ve projen için hangisinin uygun olduğunu merak edebilirsin. YOLO26, YOLO11 ve YOLOv8'in gerçek dünya senaryolarında nasıl karşılaştırıldığına birlikte bakalım.

Ultralytics YOLOv8 2023'te yayımlandı ve o zamandan beri bilgisayarlı görü topluluğu tarafından yaygın biçimde kullanıldı. Güçlü topluluk desteği ve kullanım kolaylığı, geçmişte birçok ekibin bu modeli tercih etmesini sağladı. Kapsamlı belgeleri, çok sayıda öğreticisi, kılavuzu ve topluluk kaynağı bulunan bir model arıyorsan YOLOv8 harika bir başlangıç noktasıdır.

Ultralytics YOLO11, 2024'te performans ve verimlilik iyileştirmeleriyle tanıtıldı. Daha küçük ve optimize edilmiş mimarisini korurken YOLOv8'e kıyasla daha yüksek hız ve doğruluk sunar. Kaynak kullanımını önemli ölçüde artırmadan üretim ortamında güvenilir performans gösteren, daha dengeli bir modeldir.

Bu yıl Ultralytics YOLO26, ölçekli ve verimli dağıtıma odaklanan en yeni sürüm olarak yayımlandı. Daha hızlı CPU çıkarımı ve geliştirilmiş kaynak kullanımı sunarak ekiplerin aynı donanımda daha fazla iş yükü çalıştırmasını sağlar.

Örneğin Ultralytics YOLO26 nano modeli, merkezi işlem birimlerinde (CPU) YOLO11'den %43'e kadar daha hızlı çıkarım yapabilir; bu da onu uç ortamlar ve kaynak kısıtlı ortamlar için harika bir seçenek hâline getirir. Bu özellikle önemlidir; çünkü geleneksel kurulumlar genellikle maliyetli ve ölçeklendirilmesi daha zor olan grafik işlem birimlerine (GPUs) büyük ölçüde dayanır.

Şekil 3. YOLO26'nın CPU'larda nasıl performans gösterdiğine ilişkin kıyaslama (Kaynak)

Genel olarak Ultralytics YOLO26, performans, maliyet ve ölçeklenebilirlik arasındaki dengeyi optimize etmek isteyen ekipler ve bireyler için güçlü bir seçenektir.

Ultralytics YOLO26'ya yakından bakış#

Ultralytics YOLO26, verimlilik, hız ve ölçeklenebilirliğin doğruluk kadar önemli olduğu gerçek dünyadaki dağıtımlar için tasarlanmış, son teknoloji ürünü bir modeldir. Yalnızca kıyaslama performansını iyileştirmeye odaklanmak yerine, modellerin çalıştırılmasını kolaylaştıran, dağıtımını hızlandıran ve farklı donanım ortamlarında daha güvenilir hâle getiren mimari ve eğitim değişiklikleri sunar.

Bu iyileştirmeler; sınırlı işlem gücünün, gecikme kısıtlarının ve maliyet unsurlarının önemli rol oynadığı uç bilişim ve üretim sistemleri için özellikle önemlidir. Çıkarımı basitleştirip performansı optimize eden Ultralytics YOLO26, yapay zekâ meraklılarının görüntü işleme uygulamalarını daha verimli biçimde geliştirmesine ve ölçeklendirmesine olanak tanır.

Ultralytics YOLO26'nın temel özelliklerinden bazılarına yakından bakalım:

• Uçtan uca, NMS içermeyen çıkarım: Önemli değişikliklerden biri, son işlemeyi ortadan kaldıran Maksimum Olmayan Bastırma içermeyen (NMS) tasarımıdır. Basitçe söylemek gerekirse, model nihai tahminleri doğrudan üretir. Sonuç olarak gecikme daha öngörülebilir hâle gelir ve dağıtım kolaylaşır.
• DFL'nin kaldırılması: Ultralytics YOLO26, Dağılımsal Odak Kaybı (DFL) modülünden daha basit bir sınırlayıcı kutu tahmin yaklaşımına geçer. Bu değişiklik, uçtan uca ve NMS içermeyen tasarımıyla uyumludur; işlem hattının karmaşıklığını azaltırken dağıtım tutarlılığını artırır.
• MuSGD optimize edicisi: En yeni Ultralytics YOLO modelleri, Stokastik Gradyan İnişini (SGD) Muon'dan esinlenen güncellemelerle birleştiren hibrit bir optimize edici olan MuSGD'yi sunuyor. Bu, eğitim kararlılığını ve yakınsamayı iyileştirerek daha dengeli bir optimizasyon ve farklı model boyutlarında daha tutarlı davranış sağlıyor.
• ProgLoss ve STAL: Bu eğitim yenilikleri, Aşamalı Kayıp Dengeleme (ProgLoss) ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), modeli daha kararlı ve güvenilir hâle getirir. ProgLoss, modelin zaman içinde veri kümelerinden aşamalı olarak öğrenmesine yardımcı olurken STAL, eğitim sırasında küçük nesnelerin göz ardı edilmemesini sağlayarak karmaşık sahnelerde algılamayı iyileştirir.

Doğruluk ve verimlilik: Kıyaslamalardan gerçek dünya performansına#

YOLO26, YOLO11 ve YOLOv8 arasındaki farkları bağlama oturtmak için, gerçek dünya kullanımında model performansını belirleyen etkenleri daha iyi anlayalım.

Ortalama hassasiyet (mAP) gibi performans ölçütleriyle değerlendirilen doğruluk, uzun zamandır bilgisayarlı görü modellerini değerlendirmede önemli bir yöntem olmuştur. Bir modelin standart koşullarda ne kadar iyi performans gösterdiğini ortaya koyar ve farklı sürümleri karşılaştırırken işe yarar.

Ancak modeller test aşamasından gerçek dünyadaki dağıtımlara geçtiğinde yalnızca doğruluk yeterli olmaz. Üretim performansı; model boyutu, çıkarım süresi veya gecikme, işlem gücü kullanımı ve bir sistemin farklı ortamlarda ne kadar iyi ölçeklenebildiği gibi etkenlere bağlıdır.

Kontrollü kıyaslamaların aksine, gerçek dünya ortamları çoğu zaman öngörülemez. Işık koşulları değişebilir, nesneler kısmen görünür olabilir ve girdi verileri modelin eğitim aldığı verilerden önemli ölçüde farklılaşabilir. Bu çeşitlilikler, modelin uygulamada ne kadar tutarlı performans gösterdiğini etkileyebilir.

Şekil 4. Ultralytics YOLO26'nın şantiye gibi öngörülemez bir ortamda kullanımına örnek.

Örneğin akıllı bir şehirde, perakende mağazasında veya depoda yüzlerce kameranın bulunduğu bir düzeni düşün. Gecikmeleri veya kare kayıplarını önlemek için çoğu zaman tutarlı kare hızları (saniyedeki kare sayısı, yani FPS) gerektiren her akışın gerçek zamanlı işlenmesi gerekir.

Daha az verimli bir model, belirli bir sistemde eşzamanlı olarak daha az akışı işleyebilir. Bu da ölçeklendirme için genellikle ek donanım gerektiği ve altyapı maliyetlerinin arttığı anlamına gelir.

Ultralytics YOLO26 gibi daha verimli modeller aynı donanımda daha fazla akışı işleyerek mevcut kaynaklardan daha iyi yararlanabilir. Bu, genel sistem verimliliğini artırır ve dağıtımları zaman içinde ölçeklendirmeyi kolaylaştırır.

YOLO26 ile YOLO11 ve YOLOv8 arasındaki farkları daha ayrıntılı incelemek için resmî Ultralytics belgelerine göz at.

Önemli çıkarımlar#

Ultralytics YOLO model serisi, gerçek dünyadaki dağıtım gereksinimlerine daha iyi uyum sağlamak için gelişti. Her sürüm bir öncekini temel alırken verimlilik, ölçeklenebilirlik ve dağıtım kolaylığına daha fazla odaklanıyor. Başka bir deyişle, büyük ölçekte güvenilir biçimde çalışması gereken gerçek zamanlı bir algılama uygulaması geliştiriyorsan Ultralytics YOLO26 mükemmel bir seçenektir.

Görüntü işleme yapay zekâsını operasyonlarına taşımak mı istiyorsun? Lisanslama seçeneklerimize göz at. Ayrıca üretimde yapay zekânın fabrikaları nasıl dönüştürdüğünü ve robotikte görüntü işleme yapay zekâsının geleceği nasıl şekillendirdiğini görmek için çözüm sayfalarımızı ziyaret edebilirsin. Büyüyen topluluğumuza katıl ve yapay zekâ kaynakları için GitHub depomuzu keşfet.