Link to this sectionYOLO11 ile YOLOv9#
Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler gerçek zamanlı nesne algılamada nelerin mümkün olduğunun sınırlarını zorluyor. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLO11 ve YOLOv9'dur. Her iki model de olağanüstü performans sunsa da, derin öğrenme çıkarımı ve eğitimiyle ilgili temel zorlukları çözmek için farklı yaklaşımları temsil ediyorlar.
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.
Link to this sectionModel Genel Bakışı#
Link to this sectionUltralytics YOLO11#
YOLO11, üretim odaklı ortamlar için tasarlanmış, oldukça optimize edilmiş ve çok yönlü bir modeldir. En ileri doğruluk düzeyini, uç bilişim ve geniş ölçekli dağıtımın pratik gereksinimleriyle dengeler.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Dokümantasyon: https://docs.ultralytics.com/models/yolo11/
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionYOLOv9#
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
- Dokümanlar: https://docs.ultralytics.com/models/yolov9/
YOLOv9 hakkında daha fazla bilgi edin
Link to this sectionMimari Yenilikler#
Link to this sectionYOLOv9: 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.
Link to this sectionYOLO11: Ekosistem ve Verimlilik#
YOLOv9 gradyan akışına odaklanırken, YOLO11 gerçek dünya dayanıklılığı ve çok yönlülüğü için geliştirilmiştir. Temel YOLO mimarisini, eğitim sırasındaki CUDA bellek gereksinimlerini transformer ağırlıklı alternatiflere kıyasla önemli ölçüde azaltacak şekilde iyileştirir. Ayrıca YOLO11 sadece bir nesne algılayıcı değildir; örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.
YOLO11'in en büyük güçlerinden biri, veri yükleme, artırma ve dağıtık eğitim karmaşıklıklarını birleşik bir API'de soyutlayan Ultralytics Platform ile olan entegrasyonudur.
Link to this sectionPerformans Karşılaştırması#
Üretim için bir model seçerken, ortalama Hassasiyet (mAP), çıkarım hızı ve parametre sayısı arasındaki dengenin değerlendirilmesi kritik öneme sahiptir.
| Model | boyut (piksel) | mAPval 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.
Link to this sectionEğitim Metodolojileri ve Ekosistem#
Geliştirici deneyimi, iki çerçeve arasında önemli ölçüde farklılık gösteriyor.
Link to this sectionYOLOv9 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.
Link to this sectionYOLO11 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")Geliştiriciler sadece üç satırlık Python koduyla bir modeli yükleyebilir, optimize edilmiş varsayılan hiperparametrelerle eğitimi başlatabilir ve eğitilen mimariyi uç dağıtım için ONNX veya TensorRT gibi çerçevelere aktarabilirler.
Link to this sectionGerçek Dünya Uygulamaları#
Link to this sectionNe 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.
Link to this sectionYOLO11 Ne Zaman Seçilmeli#
YOLO11 üretim için nihai araçtır. Modernize edilmiş nesne algılama yetenekleri, onu akıllı şehir trafik yönetimi ve Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için mükemmel kılar. Ayrıca, çeşitli görevlerdeki çok yönlülüğü, tek bir geliştirme hattının üretimde bölümleme ve spor analitiğinde poz tahmini süreçlerini yönetebileceği anlamına gelir.
Link to this sectionEn İleri Nokta: YOLO26 ile Tanış#
YOLO11 ve YOLOv9 dikkat çekici olsa da, yapay zeka alanı hızla gelişiyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics, bilgisayarlı görünün sınırlarını daha da zorlayan (Ocak 2026'da piyasaya sürülen) YOLO26 modelini şiddetle önerir.
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 olan küçük nesne tanımayı büyük ölçüde geliştirir.
Çeşitli mimarileri keşfetmek isteyen kullanıcılar, transformer tabanlı takip için RT-DETR veya sıfır örnekli açık sözcüklü algılama için YOLO-World modellerine de göz atmak isteyebilirler.
Link to this sectionSonuç#
Hem YOLO11 hem de YOLOv9, bilgisayarlı görü tarihindeki yerlerini sağlamlaştırdı. YOLOv9, maksimum özellik tutma için parlak mimari yenilikler sunuyor. Ancak, kurumsal yapay zeka uygulamalarından mobil uç cihazlara kadar gerçek dünyadaki çoğu dağıtım için YOLO11'in kullanım kolaylığı, bellek verimliliği ve çok yönlü görev desteği rakipsiz bir avantaj sağlıyor. Sektör ilerledikçe, daha yeni YOLO26 modelini benimsemek, sistemlerinin bugün mevcut olan kesinlikle en hızlı ve en güvenilir çıkarımı çalıştırmasını garanti eder.