YOLO26 ile YOLOv9 karşılaştırması#

Bilgisayarlı görü dünyası, hız ve doğruluk sınırlarını sürekli zorlayan yeni mimarilerle hızla ilerliyor. Bu teknik karşılaştırmada, gerçek zamanlı nesne tespiti alanında oldukça etkili iki model olan YOLO26 ve YOLOv9 arasındaki farkları inceliyoruz. Her iki model de kendine özgü mimari yenilikler sunsa da, performans ödünleşimlerini, dağıtım yeteneklerini ve donanım gereksinimlerini anlamak, bir sonraki görü projen için doğru aracı seçmek adına çok önemlidir.

YOLO26: Uç Birim (Edge) İçin Optimize Edilmiş Güç Merkezi#

2026'nın başlarında piyasaya sürülen Ultralytics YOLO26, dağıtım verimliliği ve model eğitimi kararlılığında nesilsel bir sıçramayı temsil eder. Yerel olarak uçtan uca bir çerçeve olarak tasarlanmış olup, tarihsel olarak uç yapay zeka uygulamalarını aksatan dağıtım darboğazlarını doğrudan ele alır.

Model Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Repository
• Dokümanlar: YOLO26 Documentation

Mimari ve Yenilikler#

YOLO26, Uçtan Uca NMS İçermeyen Tasarım (End-to-End NMS-Free Design) sunarak işlem sonrası ardışık düzenini kökten yeniden tasarlar. Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak model, gecikme değişkenliğinde önemli ölçüde daha düşük bir oran elde eder. Bu durum, özellikle ONNX ve Apple CoreML gibi çerçevelere dışarı aktarırken mobil ve uç platformlara dağıtım yapmayı çok daha kolay hale getirir.

Ayrıca, Distribution Focal Loss (DFL) kaldırılması, dışa aktarma sürecini kolaylaştırır ve düşük güç tüketen mikrodenetleyicilerle uyumluluğu artırır. Eğitim kararlılığını iyileştirmek için YOLO26, Stochastic Gradient Descent (SGD) ve Muon'un (Büyük Dil Modeli eğitimindeki yeniliklerden esinlenmiştir) bir hibriti olan yeni MuSGD Optimizer'ı entegre eder. Bu, zorlu veri setlerinde daha hızlı yakınsama ve daha sağlam özellik çıkarımı sağlar.

Drone havadan çekim görüntüleri gibi sahnelerdeki son derece zorlu öğeleri tespit etmek için YOLO26, güncellenmiş ProgLoss + STAL kayıp fonksiyonlarını kullanır. Bunlar, küçük nesne tanıma geri çağrımında belirgin iyileştirmeler sağlar. Dahası; örütüt bölütleme için çok ölçekli proto, poz kestirimi için Kalıntı Günlük-Olabilirlik Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutuların (OBB) tespiti için özelleştirilmiş açı kaybı dahil olmak üzere göreve özgü geliştirmelere sahiptir.

YOLO26 hakkında daha fazla bilgi edin

YOLOv9: Programlanabilir Gradyan Bilgisi#

2024'ün başlarında tanıtılan YOLOv9, parametre verimliliğine ve derin özellik korumasına odaklanarak, sinir ağlarının eğitim aşamasında gradyan akışını yönetme biçimine teorik ilerlemeler getirdi.

Model Detayları:

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2024-02-21
• Arxiv: YOLOv9 Paper
• GitHub: YOLOv9 Repository
• Dokümanlar: YOLOv9 Documentation

Mimari ve Güçlü Yönler#

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Etkili Katman Birleştirme Ağı (GELAN) kavramları etrafında oluşturulmuştur. Bu kavramlar, derin sinir ağlarında sıklıkla gözlemlenen bilgi darboğazı problemini ele alır. İleri besleme süreci boyunca temel bilgileri koruyarak GELAN, ağırlık güncellemeleri için kullanılan gradyanların güvenilir kalmasını sağlar. Bu mimari, yüksek doğruluk sunar ve YOLOv9'u PyTorch çerçevesini kullanarak sinir ağı teorisi ve gradyan yolu optimizasyonu üzerine akademik araştırmalar için güçlü bir aday yapar.

Sınırlamalar#

Mükemmel parametre verimliliğine rağmen YOLOv9, sınırlayıcı kutu son işlem işleme için büyük ölçüde geleneksel NMS'ye güvenir; bu durum, uç cihazlarda çıkarım sırasında hesaplama darboğazları yaratabilir. Dahası, resmi depo büyük ölçüde nesne tespiti üzerine odaklanmıştır ve izleme veya poz kestirimi gibi özel görevlere uyarlamak için önemli ölçüde özel mühendislik gerektirir.

YOLOv9 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek dünya dağıtımı için değerlendirirken; doğruluk (mAP), çıkarım hızı ve bellek kullanımını dengelemek kritik önem taşır. Ultralytics modelleri, hem eğitim hem de çıkarım sırasında düşük bellek gereksinimleriyle bilinir; RT-DETR gibi transformer tabanlı alternatiflere kıyasla çok daha az CUDA belleği gerektirir.

Aşağıda COCO veri kümesi üzerindeki YOLO26 ve YOLOv9 performansının doğrudan bir karşılaştırması yer almaktadır. Her sütundaki en iyi değerler kalın harflerle vurgulanmıştır.

Not: YOLOv9 için CPU hızları, NMS yapılandırmasına göre büyük ölçüde değiştiğinden ve genellikle YOLO26'nın yerel NMS-free uygulamasından daha yavaş olduğundan hariç tutulmuştur.

Kullanım Durumları ve Öneriler#

YOLO26 ile YOLOv9 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için güçlü bir tercihtir:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için önerilir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Ultralytics Avantajı#

Bir model seçmek sadece bir doğruluk kıyaslaması okumaktan daha fazlasını içerir; çevredeki yazılım ekosistemi, veri toplamadan üretime ne kadar hızlı geçebileceğini belirler.

Kullanım Kolaylığı ve Ekosistem#

Ultralytics Python API, kesintisiz bir "sıfırdan kahraman" deneyimi sunar. Geliştiriciler, karmaşık depoları klonlamak veya dağıtık eğitim betiklerini manuel olarak yapılandırmak yerine paketi pip üzerinden kurabilir ve hemen eğitime başlayabilir. Aktif olarak sürdürülen Ultralytics ekosistemi; sık güncellemeleri, Weights & Biases gibi ML platformlarıyla otomatik entegrasyonları ve kapsamlı belgeleri garanti eder.

Görü Görevlerinde Çok Yönlülük#

YOLOv9 öncelikle bir tespit motoruyken, YOLO26 genel amaçlı bir görü aracıdır. Tek ve birleştirilmiş bir sözdizimi kullanarak nesne tespitinden piksel düzeyinde kusursuz görüntü bölütlemeye veya tüm görüntü sınıflandırmasına kolayca geçiş yapabilirsin. Bu çok yönlülük, farklı bilgisayarlı görü özellikleri için birden fazla bağlantısız kod tabanını koruma teknik borcunu azaltır.

Verimli Eğitim ve Dağıtım#

Eğitim verimliliği, Ultralytics felsefesinin temel taşlarından biridir. YOLO26, kolayca erişilebilen önceden eğitilmiş ağırlıkları kullanır ve hantal görü transformatörlerine kıyasla önemli ölçüde daha düşük bellek kullanımı sunar. Eğitildikten sonra yerleşik dışa aktarma ardışık düzenleri, TensorRT veya TensorFlow Lite gibi optimize edilmiş formatlara tek tıkla dönüşümlere izin vererek üretime giden yolu pürüzsüzleştirir.

Kod Örneği: YOLO26 ile Başlarken#

YOLO26 uygulamak oldukça basittir. Aşağıdaki Python kod parçası, önceden eğitilmiş bir modelin nasıl yükleneceğini, özel veriler üzerinde nasıl eğitileceğini ve Ultralytics API'si kullanılarak nasıl çıkarım çalıştırılacağını gösterir.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset utilizing the MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU 0, or use 'cpu' for CPU training
)

# Run an NMS-free inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the bounding boxes and confidences
predictions[0].show()

YOLO26'nın hızından, basitleştirilmiş mimarisinden ve sağlam ekosisteminden yararlanarak ekipler, gelişmiş görü AI uygulamalarını her zamankinden daha hızlı ve daha az teknik engelle pazara sunabilir.