Link to this sectionYOLO26 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.

Link to this sectionYOLO26: 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 ediyor. Yerel olarak uçtan uca bir çerçeve olacak şekilde tasarlanmıştır ve tarihsel olarak uç birim (edge) AI uygulamalarını sekteye uğratan dağıtım darboğazlarını doğrudan ele alır.

Model Detayları:

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics Deposu
• Dokümantasyon: YOLO26 Dokümantasyonu

Link to this sectionMimari ve Yenilikler#

YOLO26, Uçtan Uca NMS'siz Tasarım (NMS-Free Design) tanıtarak işlem sonrası (post-processing) hattını temelden yeniden tasarlar. Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak, model belirgin şekilde daha düşük gecikme değişkenliği elde eder. Bu, özellikle ONNX ve Apple CoreML gibi çerçevelere dışa aktarırken mobil ve uç platformlara dağıtımı önemli ölçüde kolaylaştırır.

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.

İnsansız hava aracı görüntüleri gibi sahnelerdeki oldukça zorlu öğeleri tespit etmek için YOLO26, güncellenmiş ProgLoss + STAL kayıp fonksiyonlarını kullanır. Bunlar, küçük nesne tanıma geri çağrımında kayda değer iyileştirmeler sağlar. Ayrıca, örnek segmentasyonu için çok ölçekli proto, poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönelimli Sınırlayıcı Kutular (OBB) tespiti için özel açı kaybı dahil olmak üzere göreve özel geliştirmelere sahiptir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionYOLOv9: 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 Makalesi
• GitHub: YOLOv9 Deposu
• Dokümanlar: YOLOv9 Dokümantasyonu

Link to this sectionMimari ve Güçlü Yönler#

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (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 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.

Link to this sectionSınırlamalar#

Mükemmel parametre verimliliğine rağmen YOLOv9, sınırlayıcı kutu işlem sonrası süreçleri için büyük ölçüde geleneksel NMS'ye güvenir; bu da uç cihazlarda çıkarım sırasında hesaplama darboğazları yaratabilir. Ayrıca, resmi depo büyük ölçüde nesne tespitine odaklanmıştır ve takip veya poz tahmini gibi özel görevlere uyarlamak için önemli miktarda özel mühendislik gerektirir.

YOLOv9 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

When evaluating these models for real-world deployment, balancing accuracy (mAP), inference speed, and memory usage is critical. Ultralytics models are renowned for their low memory requirements during both training and inference, requiring far less CUDA memory than transformer-based alternatives like RT-DETR.

Aşağıda, YOLO26 ve YOLOv9'un COCO veri seti üzerindeki performanslarının doğrudan bir karşılaştırması yer almaktadır. Her sütundaki en iyi değerler kalın olarak 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.

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionNe 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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionNe 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.

Link to this sectionUltralytics Avantajı#

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

Link to this sectionKullanım Kolaylığı ve Ekosistem#

Ultralytics Python API kesintisiz bir "sıfırdan zirveye" deneyimi sunar. Geliştiriciler karmaşık depoları klonlamak veya dağıtık eğitim betiklerini manuel olarak yapılandırmak yerine, paketi pip aracılığıyla yükleyebilir ve hemen eğitime başlayabilirler. Aktif olarak korunan Ultralytics ekosistemi, sık güncellemeleri, Weights & Biases gibi ML platformlarıyla otomatik entegrasyonları ve kapsamlı dokümantasyonu garanti eder.

Link to this sectionGörü Görevlerinde Çok Yönlülük#

YOLOv9 birincil olarak bir tespit motoru olsa da, YOLO26 genel amaçlı bir görü aracıdır. Tek ve birleşik bir sözdizimi kullanarak, nesne tespitinden piksel mükemmelliğinde görüntü segmentasyonuna veya tüm görüntü sınıflandırmasına kolayca geçiş yapabilirsin. Bu çok yönlülük, farklı bilgisayarlı görü özellikleri için birden fazla kopuk kod tabanı sürdürmenin teknik borcunu azaltır.

Link to this sectionVerimli Eğitim ve Dağıtım#

Eğitim verimliliği, Ultralytics felsefesinin temel taşıdır. YOLO26, kolayca bulunabilen önceden eğitilmiş ağırlıkları kullanır ve hantal görü transformer'larına kıyasla önemli ölçüde daha düşük bellek kullanımıyla övünür. Eğitim tamamlandığında, yerleşik dışa aktarma hatları, TensorRT veya TensorFlow Lite gibi optimize edilmiş formatlara tek tıkla dönüşüme izin vererek üretime giden yolu pürüzsüzleştirir.

Link to this sectionKod 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.