YOLO26 vs. YOLOv9: Gerçek Zamanlı Görsel Yapay Zekanın Yeni Neslini Ortaya Çıkarma

Bilgisayar görüşü alanı hızlandıkça, geliştiriciler ve araştırmacılar hız, doğruluk ve dağıtım kolaylığının mükemmel dengesini sunan modeller aramaktadır. Bu teknik analiz, Ultralytics'in en yeni birleşik model ailesi olan YOLO26'yı, programlanabilir gradyan bilgisine odaklanan topluluk destekli bir model olan YOLOv9 ile karşılaştırmaktadır. Mimarlarını, performans metriklerini ve ideal kullanım durumlarını inceleyerek, makine öğrenimi projeleriniz için en iyi çözüme yönlendirmeyi amaçlıyoruz.

Yönetici Özeti

Her iki model de nesne algılama sınırlarını zorlarken, YOLO26 üretim olgunluğu ve ekosistem entegrasyonunda önemli bir ilerlemeyi temsil etmektedir. Yerel bir uçtan uca (NMS-free) mimari sunarak dağıtım hatlarını önemli ölçüde basitleştirir ve %43'e kadar daha hızlı CPU çıkarımı ile kenar cihazlar için özel olarak optimize edilmiştir. 2024'ün başlarında piyasaya sürülen YOLOv9, eğitim kararlılığını artırmak için Programlanabilir Gradyan Bilgisi (PGI) gibi yeni kavramlar sunmuştur ancak NMS gerektiren daha geleneksel, anchor tabanlı bir detectör olmaya devam etmektedir.

Detaylı Model Analizi

Ultralytics YOLO26

Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş:Ultralytics
Tarih: 14.01.2026
Bağlantılar:GitHub | Belgeler

YOLO26 sadece bir model olarak değil, eksiksiz bir ekosistem çözümü olarak tasarlanmıştır. Geleneksel anchor'ları ve Non-Maximum Suppression (NMS)'ı terk ederek daha akıcı, uçtan uca bir mimariyi tercih eder. Bu tasarım seçimi, genellikle işlem sonrası adımlarda gizlenen gecikmeyi ortadan kaldırır, bu da onu otonom araçlar ve robotik gibi gerçek zamanlı uygulamalar için ideal kılar.

Başlıca mimari yenilikler arasında Distribution Focal Loss (DFL)'nin kaldırılması yer alır, bu da TensorRT ve CoreML gibi formatlara dışa aktarımı basitleştirir. Eğitim kararlılığı, SGD ve Muon'un (Moonshot AI'nin Kimi K2'sinden esinlenilmiştir) bir hibriti olan MuSGD Optimize Edici tarafından artırılır ve Büyük Dil Modeli eğitim yeniliklerini görüş alanına taşır. Ayrıca, ProgLoss ve STAL (Soft-Target Anchor Loss) tanıtımı, hava görüntüleri ve IoT cihazları için kritik bir yetenek olan küçük nesneleri algılamada önemli iyileştirmeler sağlar.

YOLO26 hakkında daha fazla bilgi edinin

YOLOv9

Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
Kuruluş: Bilgi Bilimi Enstitüsü, Academia Sinica, Tayvan
Tarih: 21.02.2024
Bağlantılar:Arxiv | GitHub | Belgeler

YOLOv9, derin öğrenme teorisine odaklanır, özellikle derin ağlardaki "bilgi darboğazı" sorununu ele alır. Temel katkısı, derin katmanlardan geçerken girdi verisi bilgisini korumaya yardımcı olan Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN)'dır. Bu özellikler, YOLOv9'un etkileyici parametre verimliliği elde etmesini sağlar. Ancak, geleneksel anchor tabanlı bir model olarak, nihai tahminler için hala NMS'ye dayanır, bu da uçtan uca çözümlere kıyasla kısıtlı donanımlarda dağıtımı zorlaştırabilir.

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, COCO doğrulama veri kümesindeki performans farklılıklarını vurgulamaktadır. YOLO26, özellikle CPU hızında üstün verimlilik sergilerken, rekabetçi veya üstün doğruluğu korur.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

Temel Teknik Farklılıklar

1. Mimari ve Çıkarım Akışı

YOLO26'nın NMS-free tasarımı bir paradigma değişimidir. Modeli yerel olarak bire bir tahminler üretecek şekilde eğiterek, çıkarım hattı basit bir ileri geçiş haline gelir. Bu, FPGAs veya NPUs gibi kenar yapay zeka cihazlarında optimize edilmesi genellikle zor olan sezgisel NMS adımını ortadan kaldırır. Tersine, YOLOv9, IoU eşiklerinin dikkatli ayarlanmasını gerektiren ve çıkarım sırasında hesaplama yükü ekleyen geleneksel tahmin et-sonra-bastır metodolojisine dayanır.

2. Eğitim Kararlılığı ve Yakınsama

YOLO26'daki MuSGD Optimize Edici, eğitim dinamiklerine modern bir yaklaşım sunar. SGD'yi Muon ile hibritleştirerek, YOLO26 önceki nesillere göre daha hızlı kararlı yakınsama sağlar. Bu, özellikle hiperparametre ayarının kaynak yoğun olabileceği özel veri kümeleri üzerinde eğitim yaparken faydalıdır. YOLOv9, teorik olarak sağlam olan ancak eğitim grafiğine ve geri yayılım aşamasında bellek kullanımına karmaşıklık katabilen PGI'yı denetimi desteklemek için kullanır.

3. Kenar ve CPU Optimizasyonu

YOLO26'nın öne çıkan özelliklerinden biri, %43'e kadar daha hızlı CPU çıkarımı sunmasıdır. Bu, mimarinin Raspberry Pi'ler veya temel bulut örnekleri gibi güçlü GPU'lara sahip olmayan cihazlar için özel olarak optimize edilmesiyle elde edilmiştir. DFL'nin (Distribution Focal Loss) kaldırılması, her algılama başlığı için gereken matematiksel işlemleri daha da azaltır. YOLOv9, GELAN aracılığıyla parametre açısından verimli olsa da, bu özel CPU odaklı optimizasyonlara sahip değildir, bu da YOLO26'yı uç cihazlarda dağıtım için açık ara kazanan yapar.

Ultralytics ile Kolaylaştırılmış Dışa Aktarım

YOLO26 modelleri, tek bir komutla ONNX, TensorRT ve OpenVINO gibi formatlara dışa aktarılabilir ve sorunsuz entegrasyon için NMS'siz yapıyı otomatik olarak yönetir.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx")  # Exports directly without NMS plugins

Ekosistem ve Kullanım Kolaylığı

Ultralytics ekosistemi önemli bir farklılaştırıcıdır. YOLO26, ultralytics Python paketine tamamen entegre edilmiştir ve eğitim, doğrulama ve dağıtım için standartlaştırılmış bir API sunar.

Basitlik: Geliştiriciler, poz tahmini veya yönelimli nesne algılama (OBB) sadece model ağırlık dosyasını değiştirerek (örn., yolo26n-pose.pt veya yolo26n-obb.pt). YOLOv9, bu özel görevler için daha az yerel desteğe sahip, öncelikli olarak bir nesne algılama modelidir.
Destek: Ultralytics, kapsamlı dokümantasyon, gelişen bir topluluk forumu ve kurumsal destek seçenekleri sunar. Bu, geliştiricilerin uygulama detayları nedeniyle asla engellenmemesini sağlar.
Çok Yönlülük: Algılamanın ötesinde, YOLO26, Poz için Kalıntı Log-Olasılık Tahmini (RLE) ve OBB için özel açı kaybı gibi göreve özgü iyileştirmeler sunarak farklı uygulamalarda yüksek doğruluk sağlar.

Kullanım Durumu Önerileri

YOLO26'yı seçin eğer:

sınıfının en hızlı CPU çıkarımına ihtiyacınız var veya uç cihazlara (Raspberry Pi, Jetson Nano, mobil) dağıtım yapıyorsunuz.
Boru hattınız, işlem sonrası mantığını basitleştiren NMS'siz çıktıdan faydalanır.
Tek bir birleşik çerçeve içinde segmentasyon, poz tahmini veya sınıflandırma desteğine ihtiyacınız var.
Veri kümesi analizi için Ultralytics Explorer gibi araçlarla iyi belgelenmiş, aktif bir ekosistemi önceliklendiriyorsunuz.
ProgLoss + STAL'ın ölçülebilir bir avantaj sağladığı küçük nesne algılama ile çalışıyorsunuz.

Şu durumlarda YOLOv9'u seçin:

Özellikle Programlanabilir Gradyan Bilgisi veya yardımcı denetim teknikleri üzerine akademik araştırma yapıyorsunuz.
Eski altyapınız, taşınması zor olan çapa tabanlı işlem sonrası boru hatlarına sıkıca bağlıdır.

Sonuç

YOLOv9, 2024'te önemli teorik gelişmeler sunsa da, YOLO26 bu kavramları 2026 ve sonrası için güçlü, üretime hazır bir araca dönüştürüyor. Uçtan uca tasarımı, önemli CPU hızlandırmaları ve birden fazla görme görevi için sağlam desteği ile YOLO26, gerçek dünya yapay zeka uygulamaları için daha çok yönlü ve geleceğe dönük bir çözüm sunar. İster akıllı şehir altyapısı, tarımsal izleme sistemleri veya gelişmiş robotik inşa ediyor olun, YOLO26 başarılı olmak için gereken performansı ve güvenilirliği sağlar.

Önceki son teknoloji modelleri keşfetmek isteyenler için YOLO11 ve YOLOv8 belgeleri, YOLO ailesinin evrimi hakkında ek bağlam sunar.