YOLO11 ve YOLOv9#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılamada mümkün olanların 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 öğrenme çıkarımı ve eğitiminin temel zorluklarını çözmek için farklı yaklaşımları temsil eder.

Bu kılavuz, YOLO11 ile YOLOv9 arasında kapsamlı bir teknik karşılaştırma sunarak mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını analiz eder ve sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olur.

Model Genel Bakışı#

Ultralytics YOLO11#

YOLO11, üretim ortamları için tasarlanmış, yüksek düzeyde optimize edilmiş ve çok yönlü bir modeldir. En son teknoloji doğruluğunu 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
• Dokümanlar: https://docs.ultralytics.com/models/yolo11

YOLOv9#

YOLOv9, derin sinir ağlarındaki bilgi kaybını azaltmaya yönelik yeni kavramlar sunan ve özellik çıkarımındaki teorik ilerlemelere güçlü biçimde odaklanan önemli bir akademik çalışmadır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• 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

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 Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) kavramlarını tanıttı. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların eksiksiz bilgi içermesini sağlar ve bunun sonucunda son derece doğru özellik temsilleri elde edilir. GELAN mimarisi, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un görece hafif bir yapıyla yüksek doğruluk elde etmesini sağlar.

YOLO11: Ekosistem ve Verimlilik#

YOLOv9 gradyan akışına odaklanırken YOLO11, gerçek dünyada dayanıklılık ve çok yönlülük için 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 bölütlemeyi, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) destekler.

Performans Karşılaştırması#

Üretim için bir model seçerken ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı arasındaki ödünleşimi değerlendirmek kritik öneme sahiptir.

Tabloda görüldüğü üzere YOLOv9e, genel doğrulukta en yüksek değere ulaşarak akademik kıyaslamalar için mükemmel bir seçenek olur. Ancak YOLO11, genel olarak hız-doğruluk oranında daha üstün sonuçlar sunar. Örneğin YOLO11m, 4,7 ms'de (TensorRT) 51,5 mAP elde ederek benzer boyuttaki YOLOv9m'yi hız açısından geride bırakır.

Eğitim Yöntemleri ve Ekosistem#

Geliştirici deneyimi, iki çerçeve arasında önemli ölçüde farklılık gösterir.

YOLOv9 Eğitimi#

YOLOv9'u eğitmek çoğu zaman büyük ölçüde özelleştirilmiş araştırma koduyla etkileşim kurmayı, belirli bağımlılık sürümlerini yönetmeyi ve karmaşık komut satırı bağımsız değişkenlerini kullanmayı gerektirir. Güçlü olsa da hızlı tempolu kurumsal ortamlar için göz korkutucu olabilir.

YOLO11 Eğitimi#

YOLO11, bakımı iyi yapılan Ultralytics Python API'sinden yararlanarak kesintisiz bir "sıfırdan uzmana" deneyimi sunar. Verimli eğitim süreçleri, hazır bulunan önceden eğitilmiş ağırlıklar ve mükemmel topluluk desteğiyle 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 yalnızca üç Python satırıyla bir modeli yükleyebilir, optimize edilmiş hiperparametre varsayılanlarıyla eğitimi başlatabilir ve eğitilmiş mimariyi uç dağıtımı için ONNX veya TensorRT gibi çerçevelere aktarabilir.

Gerçek Dünya Uygulamaları#

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9, derin öğrenme mimarilerini keşfetmek isteyen araştırmacılar için harika bir seçimdir. PGI çerçevesi, yoğun veri kümelerinde en yüksek doğruluğun gerektiği ve dağıtım karmaşıklığının algoritmik performanstan daha az önemli olduğu yüksek hızlı perakende analitiği için onu ideal bir aday hâline getirir.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11, üretim için nihai araçtır. Kolaylaştırılmış nesne algılama özellikleri, onu akıllı şehirlerde trafik yönetimi ve Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için mükemmel kılar. Ayrıca çeşitli görevlerdeki çok yönlülüğü, tek bir geliştirme işlem hattının üretimde bölütleme ve spor analitiğinde poz tahmini işlemlerini gerçekleştirmesini sağlar.

En Son Teknoloji: YOLO26 Sahneye Çıkıyor#

YOLO11 ve YOLOv9 dikkate değer olsa da yapay zekâ alanı hızla gelişiyor. Günümüzde yeni projelere başlayan geliştiriciler için Ultralytics, bilgisayarlı görünün sınırlarını daha da ileri taşıyan YOLO26 modelini (Ocak 2026'da yayımlandı) önemle tavsiye ediyor.

YOLO26, yakın dönemdeki yeniliklerin en iyilerini üretime hazır, güçlü bir yapıda bir araya getirir:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırarak çok daha basit ve hızlı dağıtım işlem hatları sağlar.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, düşük güçlü mikrodenetleyiciler ve uç yapay zekâ hızlandırıcılarıyla daha iyi uyumluluk sağlar.
• MuSGD Optimize Edicisi: LLM eğitimi yeniliklerinden ilham alan MuSGD optimize edicisi (SGD ve Muon'un hibriti), kararlı eğitim ve daha hızlı yakınsama sunar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU'lara sahip olmayan uç bilişim cihazları için özel olarak optimize edilmiştir.
• ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, tarımsal izleme ve hava görüntüleri için kritik olan küçük nesne algılamayı büyük ölçüde iyileştirir.

Çeşitli mimarileri keşfetmek isteyen kullanıcılar, Transformer tabanlı izleme için RT-DETR veya sıfır atışlı açık kelime dağarcıklı algılama için YOLO-World modellerini de incelemek isteyebilir.

Sonuç#

Hem YOLO11 hem de YOLOv9, bilgisayarlı görü tarihindeki yerini sağlamlaştırdı. YOLOv9, özelliklerin azami ölçüde korunmasını sağlayan parlak mimari yenilikler sunar. Ancak kurumsal yapay zekâ 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. Sektör ilerledikçe daha yeni YOLO26 modelini benimsemek, sistemlerinin bugün mevcut olan en hızlı ve en güvenilir çıkarımı çalıştırmasını garanti eder.