YOLO11 ve YOLOv9
Gerçek zamanlı nesne algılama mimarileri gelişmeye devam ediyor. Öne çıkan iki dönüm noktası Ultralytics YOLO11 ve YOLOv9'dur. Her ikisi de iyi performans gösterir, ancak derin öğrenme çıkarımı ve eğitimindeki temel zorluklara farklı yaklaşımlar getirir.
Bu kılavuz, sonraki bilgisayarlı görü projen için doğru modeli seçmene yardımcı olmak amacıyla YOLO11 ile YOLOv9'u karşılaştırıyor; mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.
Model Genel Bakışı#
Ultralytics YOLO11#
YOLO11, üretim ortamları için tasarlanmış, optimize edilmiş ve çok yönlü bir modeldir. Yüksek doğruluk ile uç bilişim ve büyük ölçekli dağıtımın pratik gereksinimleri arasında denge kurar.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolo11
YOLOv9#
YOLOv9, derin sinir ağlarındaki bilgi kaybını azaltmaya yönelik yeni kavramlar sunan ve özellik çıkarımına odaklanan akademik bir katkıdır.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 2024-02-21
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- Belgeler: https://docs.ultralytics.com/models/yolov9
YOLOv9 hakkında daha fazla bilgi edin
Mimari Yenilikler#
YOLOv9: Programlanabilir Gradyan Bilgisi#
YOLOv9, verilerin derin bir ağın ardışık katmanlarından geçerken kaybolduğu "bilgi darboğazı" sorununu ele alır. Bu sorunu çözmek için yazarlar Programlanabilir Gradyan Bilgisi'ni (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) geliştirdi. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların daha eksiksiz bilgiyi korumasına yardımcı olarak doğru özellik temsilleri sağlar. GELAN mimarisi parametre verimliliğini en üst düzeye çıkarır ve YOLOv9'un görece hafif bir yapıyla yüksek doğruluk elde etmesini sağlar.
YOLO11: Ekosistem ve Verimlilik#
YOLOv9 gradyan akışına odaklanırken YOLO11 gerçek dünya güvenilirliği ve çok yönlülüğü için tasarlanmıştır. Temel YOLO mimarisini geliştirerek eğitim sırasındaki CUDA belleği gereksinimlerini transformer ağırlıklı alternatiflerden düşük tutar. YOLO11 ayrıca yalnızca bir nesne algılayıcıdan ibaret değildir: Ultralytics'teki YOLOv9 algılama ve bölütlemeyi kapsarken YOLO11 örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.
YOLO11'in en güçlü yönlerinden biri, veri yükleme, artırma ve dağıtık eğitim karmaşıklıklarını birleşik bir API'de soyutlayan Ultralytics Python paketine entegre olmasıdır.
Performans Karşılaştırması#
Üretim için model seçerken ortalama hassasiyet (mAP), çıkarım hızı ve parametre sayısı arasındaki ödünleşimi değerlendir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
YOLOv9e en yüksek genel doğruluğa ulaşır (55,6 mAP); bu, onu akademik kıyaslamalar için kullanışlı kılar. Ancak T4 TensorRT'de YOLO11x'in 11,3 ms süresine kıyasla 16,77 ms sürer. YOLO11 her ölçekte daha iyi bir hız-doğruluk oranı sunar. Örneğin YOLO11m, 4,7 ms'de 51,5 mAP elde ederken benzer boyuttaki YOLOv9m 6,43 ms'de 51,4 mAP'ye ulaşır.
Eğitim Yöntemleri ve Ekosistem#
İki çerçevedeki geliştirici deneyimi önemli ölçüde farklıdır.
YOLOv9 Eğitimi#
YOLOv9'u özgün depodan eğitmek çoğu zaman özelleştirilmiş araştırma koduyla çalışmayı, belirli bağımlılık sürümlerini yönetmeyi ve karmaşık komut satırı bağımsız değişkenlerini kullanmayı gerektirir; bu da kurumsal ekipleri yavaşlatabilir. YOLOv9 ağırlıkları ultralytics paketinde de bulunur ve bu kurulum adımlarının çoğunu ortadan kaldırır.
YOLO11 Eğitimi#
YOLO11, kurulumdan eğitilmiş modele birkaç adımda ulaşmanı sağlayan, bakımı düzenli yapılan Ultralytics Python API'sini kullanır. Eğitim, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve aktif bir topluluk tarafından desteklenir.
from ultralytics import YOLO
# Önceden eğitilmiş küçük bir YOLO11 modelini yükle
model = YOLO("yolo11s.pt")
# Yerleşik artırmalarla özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")Yalnızca üç satır Python koduyla geliştiriciler bir modeli yükleyebilir, optimize edilmiş varsayılan hiperparametrelerle eğitimi başlatabilir ve eğitilmiş mimariyi uç dağıtımı için ONNX veya TensorRT gibi çerçevelere aktarabilir.
Gerçek Dünya Uygulamaları#
YOLOv9'u Ne Zaman Seçmeli?#
YOLOv9, derin öğrenme mimarilerini ve gradyan bilgisi tekniklerini araştıran kişiler için iyi bir seçenektir. En büyük çeşidi YOLOv9e, dağıtım karmaşıklığının algoritmik performanstan daha az önemli olduğu yoğun sahnelerde, doğruluğun kritik olduğu analitik uygulamalara uygundur.
YOLO11'i Ne Zaman Seçmeli#
YOLO11, üretim için daha güçlü bir seçenektir. Nesne algılama yetenekleri, akıllı şehirlerde trafik yönetimi ve Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için uygundur. Ayrıca, farklı görevlerdeki çok yönlülüğü sayesinde tek bir geliştirme işlem hattı üretimde segmentasyon ve spor analitiğinde poz tahmini işlemlerini gerçekleştirebilir.
YOLO26 ile tanış#
Bugün yeni projelere başlayan geliştiricilere Ultralytics, en yeni Ultralytics YOLO modeli olan (Ocak 2026'da yayımlanan) YOLO26'yı öneriyor.
YOLO26, yakın dönem gelişmeleri üretime hazır bir modelde bir araya getirir:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlem adımını atlayarak dağıtım işlem hatlarını basitleştirir ve hızlandırır. - DFL'nin Kaldırılması: Dağılımsal Odak Kaybı'nın kaldırılması, düşük güçlü cihazlarla ve uç yapay zekâ hızlandırıcılarıyla uyumluluğu artırır.
- MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitim yöntemlerinden ilham alan MuSGD optimizasyonu (SGD ile Muon'un melezi), kararlı eğitim ve daha hızlı yakınsama sağlar.
- CPU'da %43'e Varan Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu özel GPU'su olmayan uç bilişim cihazları için uygun kılar.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması (STAL), tarımsal izleme ve hava görüntüleri için kritik olan küçük nesne tanımayı iyileştirir.
Çeşitli mimarileri incelemek isteyen kullanıcılar, transformer tabanlı algılama için RT-DETR veya sıfır örnekli açık söz dağarcıklı algılama için YOLO-World modellerine de göz atabilir.
Sonuç#
YOLO11 ve YOLOv9, bilgisayarlı görü tarihindeki önemli modellerdir. YOLOv9, özellikleri korumaya yönelik dikkate değer mimari fikirler sunar. Kurumsal yapay zekâ uygulamalarından mobil uç cihazlara kadar gerçek dünyadaki çoğu dağıtımda YOLO11'in kullanım kolaylığı, bellek verimliliği ve çok yönlü görev desteği ona avantaj sağlar. Yeni sistemler için daha yeni YOLO26, daha hızlı CPU çıkarımı ve isteğe bağlı NMS'siz dağıtım sunar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.