YOLO11 ile YOLOv9#

Bilgisayarlı görü dünyası, gerçek zamanlı nesne tespiti alanında mümkün olanın sınırlarını zorlayan yeni mimarilerle sürekli olarak evrilmektedir. Bu yolculuktaki iki önemli kilometre taşı Ultralytics YOLO11 ve YOLOv9'dur. Her iki model de olağanüstü performans sunarken, derin öğrenme çıkarımı ve eğitiminin temel zorluklarını çözmeye yönelik farklı yaklaşımları temsil eder.

Bu kılavuz, bir sonraki yapay zeka projen için doğru modeli seçmene yardımcı olmak amacıyla YOLO11 ile YOLOv9 arasında kapsamlı bir teknik karşılaştırma sunuyor; mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz ediyor.

Model Genel Bakışı#

Ultralytics YOLO11#

YOLO11, üretim düzeyindeki ortamlar için tasarlanmış, son derece optimize edilmiş ve çok yönlü bir modeldir. En son teknoloji ürünü doğruluk oranını, uç bilgi işlem ve büyük ölçekli dağıtımın pratik gereksinimleriyle dengeler.

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

YOLO11 hakkında daha fazla bilgi edinin

YOLOv9#

YOLOv9, derin sinir ağlarında bilgi kaybını azaltmaya yönelik yeni kavramlar getiren ve özellik çıkarımındaki teorik ilerlemelere yoğun bir şekilde odaklanan güçlü bir akademik katkıdır.

Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
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, verinin derin bir ağın ardışık katmanlarından geçerken kaybolduğu "bilgi darboğazı" sorununu ele alıyor. Yazarlar bunu çözmek için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) tanıttı. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların eksiksiz bilgi içermesini sağlayarak oldukça doğru özellik temsilleriyle sonuçlanıyor. GELAN mimarisi ise parametre verimliliğini maksimize ederek YOLOv9'un nispeten hafif bir yapıyla yüksek doğruluk elde etmesine olanak tanıyor.

YOLO11: Ekosistem ve Verimlilik#

YOLOv9 gradyan akışına odaklanırken, YOLO11 gerçek dünyadaki sağlamlık ve çok yönlülük için tasarlanmıştır. Transformer ağırlıklı alternatiflere kıyasla eğitim sırasında CUDA bellek gereksinimlerini büyük ölçüde azaltmak için temel YOLO mimarisini iyileştirir. Ayrıca YOLO11 sadece bir nesne dedektörü değildir; yerleşik olarak örnek bölütleme, görüntü sınıflandırma, poz kestirimi ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.

Modernize Edilmiş Geliştirme

YOLO11'in en büyük güçlü yanlarından biri, veri yükleme, veri artırma ve dağıtık eğitim karmaşıklıklarını tek bir birleşik API'de soyutlayan Ultralytics Platform entegrasyonudur.

Performans Karşılaştırması#

Üretim için bir model seçerken, ortalama Hassasiyet (mAP), çıkarım hızı ve parametre sayısı arasındaki dengenin değerlendirilmesi kritik öneme sahiptir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(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	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

Tabloda görüldüğü gibi, YOLOv9e en yüksek genel doğruluğu elde ederek akademik kıyaslamalar için mükemmel hale geliyor. Ancak YOLO11, genel olarak daha üstün bir hız-doğruluk oranı sunuyor. Örneğin, YOLO11m 4,7 ms'de (TensorRT) 51,5 mAP elde ederek benzer boyuttaki YOLOv9m'i hız konusunda geride bırakıyor.

Eğitim Metodolojileri ve Ekosistem#

Geliştirici deneyimi, iki çerçeve arasında önemli ölçüde farklılık gösteriyor.

YOLOv9 Eğitimi#

YOLOv9'u eğitmek genellikle ağır bir şekilde özelleştirilmiş araştırma koduyla etkileşime girmeyi, belirli bağımlılık sürümlerini yönetmeyi ve karmaşık komut satırı argümanları kullanmayı gerektirir. Güçlü olsa da, hızlı tempolu kurumsal ortamlar için göz korkutucu olabilir.

YOLO11 Eğitimi#

YOLO11, kesintisiz bir "sıfırdan zirveye" deneyimi sunan ve iyi korunan Ultralytics Python API'sinden yararlanır. Verimli eğitim süreçleri, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve mükemmel topluluk desteği ile desteklenir.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX format for deployment
model.export(format="onnx")

Yalnızca üç satır Python kullanarak geliştiriciler bir model yükleyebilir, optimize edilmiş varsayılan hiperparametrelerle eğitimi başlatabilir ve uç dağıtım için eğitilmiş mimariyi ONNX veya TensorRT gibi çerçevelere dışarı aktarabilir.

Gerçek Dünya Uygulamaları#

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9, derin öğrenme mimarilerini keşfetmek isteyen araştırmacılar için harika bir seçimdir. PGI çerçevesi, onu yoğun veri kümelerinde aşırı doğruluğun gerekli olduğu ve dağıtım karmaşıklığının algoritmik performansın ikincil olduğu yüksek hızlı perakende analitiği için ideal bir aday yapar.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 üretim için nihai araçtır. Sadeleştirilmiş nesne tespiti özellikleri, onu akıllı şehir trafik yönetimi ve Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için mükemmel kılar. Dahası, çeşitli görevlerdeki çok yönlülüğü, tek bir geliştirme boru hattının üretimde bölütleme ve spor analitiğinde poz kestirimi işlemlerini gerçekleştirebileceği anlamına gelir.

En İleri Nokta: YOLO26 ile Tanış#

YOLO11 ve YOLOv9 dikkat çekici olsa da, yapay zeka alanı hızla gelişmektedir. Bugün yeni projelere başlayan geliştiriciler için Ultralytics, bilgisayarlı görü sınırlarını daha da ileri taşıyan YOLO26 (Ocak 2026'da yayınlandı) sürümünü şiddetle tavsiye etmektedir.

YOLO26, son dönemdeki yeniliklerin en iyilerini üretime hazır bir güç merkezinde birleştiriyor:

Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) son işlemini yerel olarak ortadan kaldırarak çok daha basit ve hızlı dağıtım hatları sağlar.
DFL Kaldırma: Dağılımsal Odak Kaybının (Distribution Focal Loss) kaldırılması, düşük güçlü mikro denetleyiciler ve uç yapay zeka hızlandırıcılarıyla daha iyi uyumluluk sağlar.
MuSGD Optimize Edici: LLM eğitimi yeniliklerinden ilham alan MuSGD optimize edici (SGD ve Muon'un bir melezi), kararlı eğitim ve daha hızlı yakınsama sunar.
%43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'su olmayan uç bilişim cihazları için özel olarak optimize edilmiştir.
ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, tarımsal izleme ve hava görüntüleri için kritik önem taşıyan küçük nesne tanıma yeteneğini büyük ölçüde artırır.

Farklı mimarileri keşfetmekle ilgilenen kullanıcılar, transformer tabanlı takiple ilgilenmek için RT-DETR veya sıfır örnekli (zero-shot) açık sözlük varlığı tespiti için YOLO-World modellerini incelemek isteyebilir.

Sonuç#

Hem YOLO11 hem de YOLOv9 bilgisayarlı görü tarihinde yerlerini sağlamlaştırmıştır. YOLOv9, maksimum özellik koruması için mükemmel mimari yenilikler sunar. Bununla birlikte, kurumsal yapay zeka uygulamalarından mobil uç cihazlara kadar gerçek dünyadaki dağıtımların büyük çoğunluğu için YOLO11'in kullanım kolaylığı, bellek verimliliği ve çok yönlü görev desteği rakipsiz bir avantaj sağlar. Endüstri ilerledikçe, daha yeni olan YOLO26 sürümünü benimsemek, sistemlerinin bugün mevcut olan en hızlı ve en güvenilir çıkarımı çalıştırmasını garanti eder.

Katkıda Bulunanlar

GLglenn-jocher¹³ PDpderrenger²

Oluşturulma 27 Oca 2025Güncellendi geçen hafta