YOLO11 ve YOLOv9#

Bilgisayarlı görü alanı, gerçek zamanlı nesne tespitinde mümkün olanın sınırlarını zorlayan yeni mimarilerle sürekli gelişiyor. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLO11 ve YOLOv9'dur. Her iki model de olağanüstü performans sunsa da derin öğrenmede çıkarım ve eğitimin temel zorluklarını çözmek için farklı yaklaşımları temsil eder.

Bu kılavuz, bir sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak üzere YOLO11 ile YOLOv9'un mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını analiz eden kapsamlı bir teknik karşılaştırma sunar.

Model Genel Bakışı#

Ultralytics YOLO11#

YOLO11, üretim düzeyindeki ortamlar için tasarlanmış, son derece optimize edilmiş ve çok yönlü bir modeldir. En yeni doğruluğu, uç bilişimin 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

YOLOv9#

YOLOv9, derin sinir ağlarındaki bilgi kaybını azaltmak için yeni kavramlar ortaya koyan, özellik çıkarımındaki kuramsal gelişmelere yoğunlaşan güçlü bir akademik 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. Yazarlar bu sorunu çözmek için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) yöntemlerini geliştirdi. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların eksiksiz bilgi içermesini sağlayarak son derece hassas özellik temsilleri elde edilmesini sağlar. GELAN mimarisi parametre verimliliğini en üst düzeye çıkararak YOLOv9'un nispeten hafif bir yapıyla yüksek doğruluğa ulaşmasına imkân tanır.

YOLO11: Ekosistem ve Verimlilik#

YOLOv9 gradyan akışına odaklanırken YOLO11, gerçek dünyada sağlamlık ve çok yönlülük sunacak şekilde tasarlanmıştır. Temel YOLO mimarisini geliştirerek, eğitim sırasında CUDA bellek gereksinimlerini Transformer ağırlıklı alternatiflere kıyasla büyük ölçüde azaltır. Ayrıca YOLO11 yalnızca bir nesne algılayıcı değildir; yerel olarak örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.

Performans Karşılaştırması#

Üretim için model seçerken Ortalama Hassasiyet (mAP), çıkarım hızı ve parametre sayısı arasındaki ödünleşimi değerlendirmek çok önemlidir.

Tabloda görüldüğü gibi YOLOv9e, genel doğrulukta en yüksek sonuca ulaşarak akademik kıyaslamalar için mükemmel bir seçenek oluyor. Ancak YOLO11, genel olarak hız-doğruluk oranında daha üstün. Örneğin YOLO11m, 4,7 ms'de (TensorRT) 51,5 mAP elde ederek benzer boyuttaki YOLOv9m'den daha hızlı çalışıyor.

Eğitim Yöntemleri ve Ekosistem#

İki çerçevedeki geliştirici deneyimi önemli ölçüde farklıdır.

YOLOv9 Eğitimi#

YOLOv9 eğitimi genellikle büyük ölçüde özelleştirilmiş araştırma kodlarıyla çalışmayı, belirli bağımlılık sürümlerini yönetmeyi ve karmaşık komut satırı bağımsız değişkenlerini kullanmayı gerektirir. Güçlü olmasına karşın hızlı tempolu kurumsal ortamlar için göz korkutucu olabilir.

YOLO11 Eğitimi#

YOLO11, bakımı iyi yapılan Ultralytics Python API'den yararlanarak sorunsuz bir "sıfırdan uzmana" deneyimi sunar. Verimli eğitim süreçleri, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve güçlü topluluk desteğiyle 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 incelemek isteyen araştırmacılar için harika bir seçenektir. PGI çerçevesi, yoğun veri kümelerinde olağanüstü doğruluk gerektiren yüksek hızlı perakende analitiği için ideal bir adaydır; bu tür uygulamalarda dağıtım karmaşıklığı algoritmik performansa kıyasla ikinci plandadır.

YOLO11'i Ne Zaman Seçmeli#

YOLO11, üretim ortamları için en ideal araçtır. Sadeleştirilmiş nesne tespiti özellikleri, onu akıllı şehirlerde trafik yönetimi ve Raspberry Pi ya da NVIDIA Jetson gibi uç cihazlar için ideal kılar. Ayrıca, çeşitli görevlerdeki çok yönlülüğü sayesinde tek bir geliştirme işlem hattı, üretimde segmentasyon ve spor analitiğinde poz tahmini görevlerini yürütebilir.

En Yeni Gelişme: YOLO26#

YOLO11 ve YOLOv9 etkileyici modeller olsa da yapay zekâ alanı hızla gelişiyor. Bugün yeni projelere başlayan geliştiricilere Ultralytics, bilgisayarlı görünün sınırlarını daha da ileri taşıyan YOLO26 modelini (Ocak 2026'da yayımlandı) önemle öneriyor.

YOLO26, yakın dönem yeniliklerinin en iyi özelliklerini üretime hazır güçlü bir modelde bir araya getiriyor:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak dağıtım işlem hatlarını çok daha basit ve hızlı hâle getirir.
• DFL Kaldırma: Distribution Focal Loss'un kaldırılması, düşük güçlü mikrodenetleyiciler ve uç AI hızlandırıcılarıyla daha iyi uyumluluk sağlar.
• MuSGD Optimizer: LLM eğitimindeki yeniliklerden esinlenen MuSGD optimizer (SGD ve Muon'un bir hibriti), kararlı eğitim ve daha hızlı yakınsama sağlar.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: Özel GPU bulunmayan uç bilişim cihazları için optimize edilmiştir.
• ProgLoss + STAL: Geliştirilmiş bu kayıp fonksiyonları, tarımsal izleme ve havadan çekilen görüntüler için kritik olan küçük nesne tanımayı büyük ölçüde iyileştirir.

Farklı mimarileri keşfetmek isteyen kullanıcılar, Transformer tabanlı izleme için RT-DETR modelini veya sıfır örnekli açık kelime dağarcıklı tespit için YOLO-World modelini de inceleyebilir.

Sonuç#

Hem YOLO11 hem de YOLOv9, bilgisayarlı görü tarihindeki yerini sağlamlaştırdı. YOLOv9, özellikleri en iyi şekilde koruyan çarpıcı mimari yenilikler sunuyor. Ancak kurumsal AI uygulamalarından mobil uç cihazlara kadar gerçek dünyadaki dağıtımların büyük çoğunluğunda YOLO11'in kullanım kolaylığı, bellek verimliliği ve çok yönlü görev desteği eşsiz bir avantaj sağlıyor. Sektör ilerledikçe daha yeni YOLO26 modelini benimsemek, sistemlerinin bugün mevcut olan en hızlı ve en güvenilir çıkarımı çalıştırmasını garanti eder.