YOLO26 ve YOLOv9
Bu teknik karşılaştırma, gerçek zamanlı nesne algılamada etkili iki model olan YOLO26 ile YOLOv9 arasındaki farkları inceler. Her ikisi de farklı mimari yenilikler sunar; performans ödünleşimlerini, dağıtım yeteneklerini ve donanım gereksinimlerini anlamak, bir sonraki görü projen için doğru aracı seçmek açısından kritik önemdedir.
YOLO26: Uç Cihazlar İçin Optimize Edilmiş Tespit#
2026'nın başlarında yayımlanan Ultralytics YOLO26, dağıtım verimliliğine ve eğitim kararlılığına odaklanır. İsteğe bağlı uçtan uca çıkarımı, uç yapay zekâ uygulamalarını uzun süredir etkileyen dağıtım darboğazlarını giderir.
Model Ayrıntıları:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2026-01-14
- GitHub: Ultralytics Deposu
- Belgeler: YOLO26 Belgeleri
Mimari ve Yenilikler#
YOLO26, Uçtan Uca NMS'siz Tasarım sunarak son işlem hattını yeniden düzenler. İsteğe bağlı bire bir başlığıyla (nms=False) çalıştırıldığında model Maksimum Olmayan Bastırma'yı (NMS) atlar ve gecikme değişkenliğini düşürür. Bu, özellikle ONNX ve Apple CoreML gibi çerçevelere aktarım yaparken mobil ve uç platformlara dağıtımı kolaylaştırır.
Ayrıca Dağılımsal Odak Kaybı'nın (DFL) kaldırılması, dışa aktarma sürecini basitleştirir ve düşük güçlü uç cihazlarla uyumluluğu artırır. Eğitim kararlılığını iyileştirmek için YOLO26, Ayırt Edici Gradyan İnişi (SGD) ile büyük dil modeli (LLM) eğitimi yeniliklerinden esinlenen Muon'u birleştiren hibrit bir yöntem olan MuSGD Optimize Edicisini entegre eder. Bu, daha hızlı yakınsama sağlar.
Mimari basitleştirmeler ve DFL'nin kaldırılması sayesinde YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım yapar; bu da onu Raspberry Pi veya NVIDIA Jetson Nano gibi kaynakları kısıtlı uç cihazlar için güçlü bir seçenek hâline getirir.
Drone hava görüntüleri gibi sahnelerdeki küçük nesneleri algılamak için YOLO26, küçük nesne duyarlılığını artıran ProgLoss + STAL'ı (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) kullanır. Ayrıca örnek segmentasyonu için çok ölçekli proto, poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) algılamak için özel açı kaybı gibi göreve özgü iyileştirmeler içerir.
YOLOv9: Programlanabilir Gradyan Bilgisi#
2024'ün başlarında tanıtılan YOLOv9, parametre verimliliği ve derin özelliklerin korunmasına odaklanarak, sinir ağlarının eğitim aşamasında gradyan akışını ele alış biçimine yönelik kuramsal yenilikler getirdi.
Model Ayrıntıları:
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 2024-02-21
- arXiv: YOLOv9 Makalesi
- GitHub: YOLOv9 Deposu
- Belgeler: YOLOv9 Belgeleri
Mimari ve Güçlü Yönler#
YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) kavramlarını temel alıyor. Bu kavramlar, derin sinir ağlarında sıkça görülen bilgi darboğazı sorununu ele alıyor. GELAN, ileri beslemeli süreç boyunca temel bilgileri koruyarak ağırlık güncellemelerinde kullanılan gradyanların güvenilir kalmasını sağlıyor. Bu mimari, yüksek doğruluk sunuyor ve YOLOv9'u PyTorch çerçevesini kullanarak sinir ağı kuramı ve gradyan yolu optimizasyonu üzerine akademik araştırmalar için güçlü bir aday hâline getiriyor.
Sınırlamalar#
YOLOv9 güçlü parametre verimliliğine rağmen sınırlayıcı kutuların son işlemesi için geleneksel NMS'ye dayanır; bu da uç cihazlarda çıkarım sırasında hesaplama darboğazlarına yol açabilir. Ayrıca resmî deposu büyük ölçüde nesne algılamaya odaklanır; izleme veya poz tahmini gibi özel görevlere uyarlamak için izleme amacıyla özel mühendislik gerekir.
YOLOv9 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri gerçek dünya dağıtımları için değerlendirirken doğruluk (mAP), çıkarım hızı ve bellek kullanımı arasında denge kurmak kritik önem taşır. Ultralytics modelleri, hem eğitimde hem çıkarımda düşük bellek gereksinimleriyle bilinir ve genellikle RT-DETR gibi Transformer tabanlı alternatiflerden daha az CUDA belleği gerektirir.
Aşağıda, YOLO26 ile YOLOv9'un COCO veri kümesindeki performanslarının doğrudan karşılaştırması yer alıyor. Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Not: YOLOv9 için CPU ONNX hızları bu tabloda raporlanmamıştır. T4 TensorRT üzerinde YOLO26 her boyutta YOLOv9'dan daha hızlıdır ve karşılaştırılabilir her boyutta daha doğrudur (örneğin YOLO26x ile YOLOv9e için daha az parametreyle 57.5'e karşı 55.6 mAP).
Kullanım Alanları ve Öneriler#
YOLO26 ve YOLOv9 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLO26'yı Ne Zaman Seçmeli?#
YOLO26 şu durumlarda güçlü bir seçenektir:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
YOLOv9'u Ne Zaman Seçmeli?#
YOLOv9 şu durumlarda önerilir:
- Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarilerini inceleyen akademik projeler.
- Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
- Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.
Ultralytics Avantajı#
Model seçmek, yalnızca doğruluk kıyaslamasını okumaktan fazlasını gerektirir; veri toplamadan üretime ne kadar hızlı geçebileceğini çevresindeki yazılım ekosistemi belirler.
Kullanım Kolaylığı ve Ekosistem#
Ultralytics Python API iş akışını basit tutar. Geliştiriciler karmaşık depoları klonlamak veya dağıtık eğitim betiklerini elle yapılandırmak yerine paketi pip aracılığıyla kurup hemen eğitime başlayabilir. Etkin biçimde sürdürülen Ultralytics ekosistemi, sık güncellemeler, Weights & Biases gibi ML platformlarıyla entegrasyonlar ve kapsamlı belgeler sunar.
Görü Görevlerinde Çok Yönlülük#
YOLOv9 öncelikle bir algılama modeliyken YOLO26 genel amaçlı bir görü modelidir. Tek ve birleşik bir sözdizimiyle nesne algılamadan görüntü segmentasyonuna, anlamsal segmentasyona, derinlik tahminine, tüm görüntü sınıflandırmasına, poz tahminine veya OBB'ye geçebilirsin. Bu çok yönlülük, farklı bilgisayarlı görü özellikleri için birbirinden kopuk birden fazla kod tabanını sürdürmenin teknik borcunu azaltır.
Verimli Eğitim ve Dağıtım#
YOLO26, kolayca bulunabilen önceden eğitilmiş ağırlıkları kullanır ve genellikle büyük görü Transformer'larından daha az bellek gerektirir. Eğitim tamamlandığında yerleşik dışa aktarma işlem hatları, TensorRT veya LiteRT gibi optimize edilmiş biçimlere tek satırda dönüşüm yapılmasını sağlayarak üretime geçişi kolaylaştırır.
Kod Örneği: YOLO26 ile Başlangıç#
Aşağıdaki Python kod parçacığı, önceden eğitilmiş bir modelin nasıl yükleneceğini, özel verilerle nasıl eğitileceğini ve Ultralytics API'siyle nasıl çıkarım yapılacağını gösterir.
from ultralytics import YOLO
# En yeni YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# Modeli COCO8 veri kümesinde eğit (optimizer='auto', uzun eğitim çalışmaları için MuSGD'yi seçer)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # GPU 0'ı kullan; CPU'da eğitim için 'cpu' kullan
)
# Örnek bir görüntü üzerinde NMS'siz çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# Sınırlayıcı kutuları ve güven değerlerini göster
predictions[0].show()YOLO26'nın hızı, basitleştirilmiş mimarisi ve ekosistemi sayesinde ekipler görü yapay zekâ uygulamalarını daha az teknik engelle ve daha hızlı pazara sunabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.