YOLO26 ve YOLOv9#

Bilgisayarlı görü alanındaki gelişmeler hızla ilerliyor ve yeni mimariler hız ile doğruluğun sınırlarını sürekli zorluyor. Bu teknik karşılaştırmada, gerçek zamanlı nesne algılama 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 açısından kritik önem taşıyor.

YOLO26: Edge için Optimize Edilmiş Güç Merkezi#

2026'nın başlarında yayımlanan Ultralytics YOLO26, dağıtım verimliliği ve model eğitimi kararlılığında nesil atlayan bir gelişmeyi temsil ediyor. Yerel olarak uçtan uca bir framework olarak tasarlanan model, geçmişte edge AI uygulamalarını zorlayan dağıtım darboğazlarını doğrudan ele alıyor.

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 işleme hattını temelden yeniden tasarlıyor. Non-Maximum Suppression (NMS) gereksinimini ortadan kaldıran model, gecikme değişkenliğini önemli ölçüde azaltıyor. Bu, özellikle ONNX ve Apple CoreML gibi framework'lere dışa aktarım yapılırken mobil ve edge platformlarına dağıtımı önemli ölçüde kolaylaştırıyor.

Ayrıca Distribution Focal Loss'un (DFL) kaldırılması, dışa aktarım sürecini sadeleştiriyor ve düşük güç tüketimli mikrodenetleyicilerle uyumluluğu artırıyor. YOLO26, eğitim kararlılığını iyileştirmek için Stochastic Gradient Descent (SGD) ile Muon'un birleşimi olan yeni MuSGD Optimizer'ı entegre ediyor (Large Language Model eğitimindeki yeniliklerden esinlenilmiştir). Bunun sonucunda zorlayıcı veri kümelerinde daha hızlı yakınsama ve daha sağlam özellik çıkarımı elde ediliyor.

Drone hava görüntüleri gibi sahnelerdeki oldukça zorlu nesneleri algılamak için YOLO26, güncellenmiş ProgLoss + STAL kayıp fonksiyonlarını kullanıyor. Bunlar, küçük nesne tanımada geri çağırma oranında dikkate değer iyileştirmeler sağlıyor. Ayrıca instance segmentation için çok ölçekli proto, pose estimation için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Boxes (OBB) algılama için özel açı kaybı gibi göreve özgü geliştirmeler sunuyor.

YOLOv9: Programlanabilir Gradyan Bilgisi#

2024'ün başlarında tanıtılan YOLOv9, parametre verimliliğine ve derin özelliklerin korunmasına odaklanarak sinir ağlarının eğitim aşamasında gradyan akışını ele alma biçimine teorik yenilikler getirdi.

Model Ayrıntıları:

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2024-02-21
• Arxiv: YOLOv9 Makalesi
• GitHub: YOLOv9 Deposu
• Belgeler: YOLOv9 Belgeleri

Mimari ve Güçlü Yönler#

YOLOv9, Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) kavramları etrafında oluşturulmuştur. Bu kavramlar, derin sinir ağlarında sıklıkla gözlemlenen bilgi darboğazı sorununu ele alır. GELAN, ileri besleme süreci boyunca temel bilgileri koruyarak ağırlık güncellemelerinde kullanılan gradyanların güvenilir kalmasını sağlar. Bu mimari yüksek doğruluk sunar ve YOLOv9'u PyTorch framework'ünü kullanarak sinir ağı teorisi ve gradyan yolu optimizasyonu üzerine akademik araştırmalar için güçlü bir aday haline getirir.

Sınırlamalar#

Mükemmel parametre verimliliğine rağmen YOLOv9, bounding box son işlemesi için büyük ölçüde geleneksel NMS'ye dayanır; bu da edge cihazlarda çıkarım sırasında hesaplama darboğazları oluşturabilir. Ayrıca resmi depo büyük ölçüde nesne algılamaya odaklanır ve tracking veya pose estimation gibi özel görevlere uyarlanması için önemli ölçüde özel mühendislik çalışması 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 tanınır ve RT-DETR gibi Transformer tabanlı alternatiflere kıyasla çok daha az CUDA belleği kullanır.

Aşağıda, COCO veri kümesi üzerindeki YOLO26 ve YOLOv9 performanslarının doğrudan karşılaştırması yer alıyor. Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.

Not: YOLOv9 için CPU hızları, NMS yapılandırmasına bağlı olarak büyük ölçüde değiştiği ve genellikle YOLO26'nın yerel NMS'siz uygulamasından daha yavaş olduğu için verilmemiştir.

Kullanım Alanları ve Öneriler#

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

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için güçlü bir seçimdir:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için önerilir:

• Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (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 benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

Ultralytics Avantajı#

Bir model seçmek, yalnızca doğruluk benchmark'ını okumaktan fazlasını gerektirir; çevresindeki yazılım ekosistemi, veri toplamadan üretime ne kadar hızlı geçebileceğini belirler.

Kullanım Kolaylığı ve Ekosistem#

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

Görü Görevleri Arasında Çok Yönlülük#

YOLOv9 öncelikle bir algılama motoruyken YOLO26 genel amaçlı bir görü aracıdır. Tek bir birleşik söz dizimi kullanarak nesne algılamadan piksel düzeyinde hassas görüntü segmentasyonuna veya tüm görüntü sınıflandırmasına kolayca geçebilirsin. Bu çok yönlülük, farklı bilgisayarlı görü özellikleri için birden fazla, birbirinden kopuk kod tabanını sürdürmenin oluşturduğu teknik borcu azaltır.

Verimli Eğitim ve Dağıtım#

Eğitim verimliliği, Ultralytics felsefesinin temel taşlarından biridir. YOLO26, kolayca erişilebilen önceden eğitilmiş ağırlıkları kullanır ve hacimli görü Transformer'larına kıyasla önemli ölçüde daha az bellek kullanır. Eğitim tamamlandıktan sonra yerleşik dışa aktarım hatları, TensorRT veya TensorFlow Lite gibi optimize edilmiş formatlara tek tıklamayla dönüştürme olanağı sunarak üretime geçişi kolaylaştırır.

Kod Örneği: YOLO26 ile Başlarken#

YOLO26'yı uygulamak son derece kolaydır. Aşağıdaki Python kod parçacığı, önceden eğitilmiş bir modelin nasıl yükleneceğini, özel verilerle nasıl eğitileceğini ve Ultralytics API kullanılarak nasıl çıkarım yapılacağını 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, sadeleştirilmiş mimarisinden ve sağlam ekosisteminden yararlanan ekipler, gelişmiş görü AI uygulamalarını her zamankinden daha hızlı ve daha az teknik engelle pazara sunabilir.