Ultralytics YOLO27:
Get Started

YOLOv10 ile YOLOv9#

Gerçek zamanlı bilgisayarlı görünün gelişimi; hız, doğruluk ve mimari verimlilik alanlarındaki kesintisiz atılımlarla şekillendi. Bir sonraki dağıtımın için modern çözümleri değerlendirirken YOLOv10 ile YOLOv9'u karşılaştırmak, derin öğrenme darboğazlarını çözmeye yönelik iki farklı yaklaşımı gözler önüne serer. YOLOv9 eğitim sırasında gradyan bilgi akışını en üst düzeye çıkarmaya odaklanırken YOLOv10, geleneksel son işleme engellerini tamamen ortadan kaldıran yerel uçtan uca tasarıma öncülük eder.

Bu kapsamlı kılavuz, geliştiricilerin ve araştırmacıların kendi bilgisayarlı görü görevlerine en uygun modeli seçmelerine yardımcı olmak için mimari yenilikleri, performans ölçütlerini ve ideal kullanım alanlarını inceler.

YOLOv10: NMS İçermeyen Uçtan Uca Tasarımın Öncüsü#

Geleneksel nesne algılayıcılarının gecikme darboğazlarını gidermek üzere geliştirilen YOLOv10, Maksimum Olmayan Bastırma (NMS) gereksinimini yerel olarak ortadan kaldıran çığır açıcı bir uçtan uca mimari sunar.

Teknik Ayrıntılar ve Köken:

YOLOv10 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv10'un alana en önemli katkısı, NMS içermeyen eğitim için geliştirdiği tutarlı ikili atama stratejisidir. NMS'yi ortadan kaldırarak çıkarım gecikmesini, özellikle son işlemenin tüm işlem hattında darboğaz oluşturabildiği uç cihazlarda önemli ölçüde azaltır. Çeşitli bileşenleri hem verimlilik hem doğruluk açısından optimize ederek dikkat çekici bir hız-parametre dengesi sunar. Örneğin YOLOv10-S seçeneği son derece hızlıdır; bu da onu yüksek hızlı video analitiği ve gerçek zamanlı robot navigasyonu için son derece uygun kılar.

Zayıf Yönler#

NMS içermeyen tasarım, sınırlayıcı kutu tespiti açısından çığır açıcı olsa da YOLOv10 öncelikli olarak salt nesne algılayıcısı olarak optimize edilmiştir. Örnek Segmentasyonu veya Poz Tahminini yerel olarak destekleyen yeni ekosistemlerin kullanıma hazır çok yönlülüğüne sahip değildir.

YOLOv10'u Dışa Aktarma

YOLOv10'u üretime hazırlarken modeli her zaman TensorRT veya ONNX gibi optimize edilmiş biçimlere aktardığından emin ol. Dağıtımda ham PyTorch ağırlıklarını çalıştırmak, optimize edilmemiş grafik işlemleri nedeniyle beklenenden daha yavaş çıkarıma yol açabilir.

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv10'dan önce YOLOv9, derin sinir ağlarının doğasında bulunan bilgi darboğazı sorununu çözmek ve parametrelerin son derece verimli kullanılmasını sağlamak için yeni mimari kavramlar ortaya koydu.

Teknik Ayrıntılar ve Köken:

YOLOv9 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv9, Programlanabilir Gradyan Bilgisini (PGI) Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte sunar. PGI, veriler ağın derin katmanlarından geçerken önemli hedef bilgilerinin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar üretir. GELAN, ağ parametrelerinin verimliliğini en üst düzeye çıkarır. Bu yenilikler birlikte, YOLOv9'un ortalama Hassasiyet (mAP) değerini MS COCO veri kümesinde çok yüksek seviyelere çıkarmasını sağlar; çoğu zaman daha az FLOP kullanırken daha ağır modelleri geride bırakır. Teorik doğruluk ölçütlerini en üst düzeye çıkarmaya odaklanan araştırmacılar için olağanüstü bir modeldir.

Zayıf Yönler#

Yüksek doğruluğuna rağmen YOLOv9, standart NMS son işlemeye dayanmaya devam eder. Bu, sinir ağı işlemleri hızlı olsa da son sınırlayıcı kutu filtrelemesinin sahnedeki nesne yoğunluğuna bağlı olarak değişken gecikme yaratabileceği anlamına gelir. Ayrıca eğitim süreci, sonraki modellere kıyasla yoğun bellek kullanabilir ve özel veri kümelerinde ince ayar için daha güçlü GPU kaynakları gerektirebilir.

Performans Karşılaştırması#

Aşağıdaki tabloda her iki modelin temel ölçütleri gösteriliyor. YOLOv10'un genellikle TensorRT ile daha düşük gecikme sağladığına, YOLOv9'un ise en büyük yapılandırmasında doğruluğun üst sınırlarını zorladığına dikkat et.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Yeni Nesil: YOLO26 Neden Nihai Öneri?#

YOLOv9 ve YOLOv10 etkileyici dönüm noktaları olsa da makine öğrenimi alanı hızla değişiyor. Modern üretim ortamlarında geliştiriciler giderek daha fazla Ultralytics Platform ile sunulan bütünleşik ve bakımı iyi yapılan ekosisteme güveniyor. 2026 itibarıyla hem araştırma hem kurumsal kullanım için en açık öneri, yeni yayımlanan YOLO26'dır.

YOLO26, önceki sürümlerin temel kavramlarını alıp sadeleştirilmiş bir kullanıcı deneyimi, basit bir API ve hantal Transformer tabanlı mimarilere kıyasla eğitim sırasında çok daha düşük bellek gereksinimleriyle ileri taşır.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca, NMS İçermeyen Tasarım: YOLOv10'un çığır açan yeniliklerini temel alan YOLO26, yerel uçtan uca çıkarımı destekler; daha basit dağıtım ve son derece öngörülebilir gecikme profilleri için nms=False ile NMS son işlemeyi atlar.
  • CPU Çıkarımında %43'e Varan Hız Artışı: Kutudan çıktığı gibi Uç Yapay Zekâ için optimize edilmiştir; bu sayede özel GPU'su olmayan gömülü sistemler için mükemmel bir seçenektir.
  • MuSGD İyileştiricisi: SGD ile Muon'un çığır açan hibritidir (büyük dil modeli optimizasyonlarından esinlenmiştir); son derece kararlı eğitim süreçleri ve inanılmaz hızlı yakınsama süreleri sağlar.
  • DFL'nin Kaldırılması: YOLO26, Dağılımsal Odak Kayıp işlevini kaldırarak model dışa aktarma sürecini basitleştirir; düşük güçlü cihazlarla ve çeşitli uç dağıtım çerçeveleriyle uyumluluğu önemli ölçüde artırır.
  • Göreve Özel İyileştirmeler: YOLO26, özel tek görevli algılayıcıların aksine çok yönlü ve güçlü bir modeldir. Piksel düzeyinde daha hassas doğruluk için Anlamsal Segmentasyon Kaybından, kusursuz Poz Tahmini için Artık Log-Olasılık Tahmininden (RLE) ve OBB (Yönlendirilmiş Sınırlayıcı Kutu) sınır sorunlarını çözmek için özel açı kaybından yararlanır.
Ultralytics Ekosisteminin Avantajı

YOLO11 veya YOLO26 gibi bir Ultralytics modeli seçmek benzersiz bir kullanım kolaylığı sunar. En yeni çıkarım altyapıları olan OpenVINO ve CoreML ile uyumluluğu garantileyen etkin geliştirmeye, canlı bir topluluğa ve sık güncellemelere erişirsin.

Uygulamaya Geçirme#

Bu modelleri eğitmek ve dağıtıma almak Python SDK kullanılarak kolayca yapılabilir. Aşağıdaki örnekte, hiperparametre zamanlamasını ve optimum bellek tahsisini otomatik olarak yöneten Ultralytics ekosisteminin son derece verimli eğitim süreçlerinden nasıl yararlanabileceğin gösteriliyor.

from ultralytics import YOLO

# Önerilen en gelişmiş modeli yükle
model = YOLO("yolo26n.pt")  # 'yolov10n.pt' veya 'yolov9c.pt' ile de uyumludur

# Modeli özel bir veri kümesinde verimli şekilde eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Çok hızlı çıkarım çalıştır
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Uç dağıtımını kolaylaştırmak için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv10 ile YOLOv9 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

  • NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

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'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • 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.

Sonuç#

YOLOv9 ve YOLOv10 farklı avantajlar sunar. YOLOv9, ağ parametrelerinin verimliliğini ve teorik gradyan akışını en üst düzeye çıkararak üst düzey doğruluk elde eder. Öte yandan YOLOv10, NMS'nin gecikme bedeli olmaksızın uçtan uca sınırlayıcı kutu tespitine öncülük eden akademik bir modeldir.

Ancak performans, çok yönlülük ve kullanım kolaylığı arasında kusursuz dengeyi arayan geliştiricilerin en yeni modellere geçmesi büyük önem taşır. Gelişmiş MuSGD iyileştiricisi, küçük nesne tespitinde üstün sonuçlar sunan ProgLoss + STAL işlevselliği ve kapsamlı çoklu görev desteğiyle YOLO26, gerçek dünyadaki tüm bilgisayarlı görü zorlukları için kesin ve en ileri çözümü temsil eder.

Katkıda Bulunanlar
GLglenn-jocher18

Yorumlar