YOLO26 ve YOLOv9#

Bilgisayarlı görü alanı hızla ilerliyor; yeni mimariler hız ve doğruluğun sınırlarını sürekli zorluyor. Bu teknik karşılaştırmada, gerçek zamanlı nesne algılama alanında oldukça etkili iki model olan YOLO26 ile YOLOv9 arasındaki farkları inceliyoruz. Her iki model de kendine özgü mimari yenilikler sunsa da performans ödünleşimlerini, dağıtım olanaklarını ve donanım gereksinimlerini anlamak, sıradaki görü projen için doğru aracı seçmede kritik önem taşıyor.

YOLO26: Uç Cihazlar İçin Optimize Edilmiş Güç Merkezi#

2026'nın başlarında yayımlanan Ultralytics YOLO26, dağıtım verimliliğinde ve model eğitimi kararlılığında nesilsel bir sıçramayı temsil ediyor. Yerel olarak uçtan uca çalışan bir çerçeve olarak tasarlanan model, uç yapay zekâ uygulamalarının önünde tarihsel olarak engel oluşturan dağıtım darboğazlarını doğrudan gideriyor.

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. İsteğe bağlı bire bir başlığıyla (nms=False) çalıştırıldığında model, Maksimum Olmayan Bastırma (NMS) adımını atlıyor ve gecikme değişkenliğini önemli ölçüde azaltıyor. Bu sayede mobil ve uç platformlara dağıtım, özellikle ONNX ve Apple CoreML gibi çerçevelere dışa aktarım sırasında çok daha kolay hâle geliyor.

Ayrıca Distribution Focal Loss'un (DFL) kaldırılması, dışa aktarma sürecini kolaylaştırıyor ve düşük güç tüketimli mikrodenetleyicilerle uyumluluğu artırıyor. Eğitim kararlılığını iyileştirmek için YOLO26, Stokastik Gradyan İnişi (SGD) ile Muon'un hibriti olan yeni MuSGD Optimizasyonunu entegre ediyor (Büyük Dil Modeli eğitimindeki yeniliklerden ilham alıyor). Bu, daha hızlı yakınsama ve zorlu veri kümelerinde daha sağlam özellik çıkarımı sağlıyor.

Drone ile çekilen hava görüntüleri gibi sahnelerdeki son derece zorlu nesneleri algılamak için YOLO26, güncellenmiş ProgLoss + STAL kayıp fonksiyonlarını kullanıyor. Bu fonksiyonlar, küçük nesne tanımada dikkate değer iyileştirmeler sağlıyor. 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 özel geliştirmeler de sunuyor.

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#

Mükemmel parametre verimliliğine rağmen YOLOv9, sınırlayıcı kutuların son işlenmesi için büyük ölçüde geleneksel NMS'ye dayanıyor; bu da uç cihazlarda çıkarım sırasında hesaplama darboğazları oluşturabiliyor. Ayrıca resmî depo büyük ölçüde nesne algılamaya odaklanıyor; bu nedenle izleme veya poz tahmini gibi özel görevlere uyarlamak için kapsamlı özel mühendislik çalışmaları gerekiyor.

YOLOv9 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek dünya dağıtımları için değerlendirirken doğruluğu (mAP), çıkarım hızını ve bellek kullanımını dengelemek kritik önem taşır. Ultralytics modelleri, hem eğitim hem de çıkarım sırasında düşük bellek gereksinimleriyle tanınır; RT-DETR gibi Transformer tabanlı alternatiflerden çok daha az CUDA belleği kullanırlar.

Aşağıda, YOLO26 ile YOLOv9'un COCO veri kümesindeki performanslarının doğrudan karşılaştırması yer alıyor. Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.

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

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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• 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 karşılaştırma testini okumaktan ibaret değildir; çevresindeki yazılım ekosistemi, veri toplamadan üretime ne kadar hızlı geçebileceğini belirler.

Kullanım Kolaylığı ve Ekosistem#

Ultralytics Python API, sorunsuz bir "sıfırdan uzmana" deneyimi sunuyor. Geliştiriciler karmaşık depoları klonlamak veya dağıtık eğitim betiklerini elle yapılandırmak yerine paketi pip aracılığıyla yükleyip hemen eğitime başlayabilir. Sürekli bakımı yapılan Ultralytics ekosistemi, sık güncellemeler, Weights & Biases gibi ML platformlarıyla otomatik entegrasyonlar ve kapsamlı belgeler sunar.

Görü Görevlerinde Çok Yönlülük#

YOLOv9 öncelikle bir algılama motoruyken YOLO26 genel amaçlı bir görü aracıdır. Tek ve tutarlı bir söz dizimi kullanarak nesne algılamadan piksel düzeyinde görüntü segmentasyonuna veya tüm görüntüyü kapsayan sınıflandırmaya kolayca geçebilirsin. Bu çok yönlülük, farklı bilgisayarlı görü özellikleri için birbiriyle bağlantısız birden fazla kod tabanını sürdürmenin getirdiği teknik borcu azaltıyor.

Verimli Eğitim ve Dağıtım#

Eğitim verimliliği, Ultralytics felsefesinin temel taşlarından biridir. YOLO26, kolayca erişilebilen önceden eğitilmiş ağırlıkları kullanır ve hantal görü Transformer'larına kıyasla çok daha az bellek kullanır. Eğitim tamamlandığında yerleşik dışa aktarma hatları, TensorRT veya LiteRT gibi optimize edilmiş biçimlere tek tıklamayla dönüştürme olanağı sunarak üretime geçişi kolaylaştırır.

Kod Örneği: YOLO26 ile Başlangıç#

YOLO26'yı uygulamak son derece kolaydır. Aşağıdaki Python kodu, önceden eğitilmiş bir modelin nasıl yükleneceğini, özel verilerle nasıl eğitileceğini ve Ultralytics API'si kullanılarak nasıl çıkarım yapılacağını gösteriyor.

from ultralytics import YOLO

# En yeni, son teknoloji 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 hızından, sadeleştirilmiş mimarisinden ve güçlü ekosisteminden yararlanan ekipler, gelişmiş görü yapay zekâ uygulamalarını her zamankinden daha hızlı ve daha az teknik engelle pazara sunabilir.