YOLO Vision 2026:

YOLOv10 ve YOLOv9#

Gerçek zamanlı bilgisayarlı görü dünyasının evrimi, hız, doğruluk ve mimari verimlilikteki sürekli çığır açan gelişmelerle şekillenmiştir. Bir sonraki dağıtımın için modern çözümleri değerlendirirken, YOLOv10 ve YOLOv9 karşılaştırması, derin öğrenme darboğazlarını çözmeye yönelik iki farklı yaklaşıma büyüleyici bir bakış sunar. YOLOv9 eğitim sırasında gradyan bilgi akışını en üst düzeye çıkarmaya odaklanırken, YOLOv10 geleneksel son işleme engellerini tamamen ortadan kaldıran yerel uçtan uca bir tasarımı öncülük eder.

Bu kapsamlı rehber, geliştiricilerin ve araştırmacıların belirli bilgisayarla görü görevleri için en uygun modeli seçmesine yardımcı olmak amacıyla mimari yenilikleri, performance metrics ve ideal kullanım alanlarını analiz eder.

YOLOv10: NMS-Free Uçtan Uca Öncü#

Geleneksel nesne dedektörlerinin gecikme darboğazlarını çözmek için geliştirilen YOLOv10, Non-Maximum Suppression (NMS) ihtiyacını yerel olarak ortadan kaldıran devrim niteliğinde uçtan uca bir mimari sunar.

Teknik Detaylar & Köken:

YOLOv10 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv10'un alana sağladığı en önemli katkı, NMS gerektirmeyen eğitim için tutarlı ikili atama stratejisidir. Model, NMS'yi ortadan kaldırarak özellikle son işlemin tüm işlem hattını yavaşlatabileceği uç cihazlarda çıkarım gecikmesini büyük ölçüde azaltır. Hem verimlilik hem de doğruluk perspektifinden çeşitli bileşenleri optimize ederek trade-off between speed and parameters konusunda dikkat çekici bir dengeye sahip bir model ortaya çıkarır. Örneğin, YOLOv10-S varyantı son derece hızlıdır ve bu da onu yüksek hızlı video analytics ile gerçek zamanlı robotik navigasyon için son derece uygun hale getirir.

Zayıf Yönler#

NMS gerektirmeyen tasarım sınırlayıcı kutu tespiti için çığır açıcı olsa da YOLOv10 öncelikle saf bir nesne dedektörü olarak optimize edilmiştir. Instance Segmentation veya Pose Estimation özelliklerini yerel olarak destekleyen daha yeni ekosistemlerin kutudan çıkan çok yönlülüğünden yoksundur. Dahası, erken dönem uygulamaları, cv2 gibi işlemlerin çıkarım grafiğinden tam olarak optimize edilmesini sağlamak için dikkatli dışa aktarma yönetimi gerektiriyordu.

YOLOv10'u Dışa Aktarma

YOLOv10'u üretime hazırlarken, modeli her zaman TensorRT veya ONNX gibi optimize edilmiş formatlara aktardığınızdan emin olun. Dağıtımda ham PyTorch ağırlıklarını çalıştırmak, optimize edilmemiş grafik işlemlerinden dolayı beklenenden daha yavaş çıkarımla sonuçlanabilir.

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv10'dan önce YOLOv9, derin sinir ağlarında doğuştan gelen bilgi darboğazı sorununu çözmek için yeni mimari kavramlar ortaya koyarak, parametrelerin son derece verimli kullanılmasını sağladı.

Teknik Detaylar & Köken:

YOLOv9 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağının (GELAN) yanı sıra Programlanabilir Gradyan Bilgisi'ni (PGI) sunar. PGI, veriler ağın derin katmanlarından geçerken kritik hedef bilgilerin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar üretir. GELAN, ağın parametrelerinin verimliliğini en üst düzeye çıkarır. Bu yenilikler birlikte, YOLOv9'un MS COCO dataset üzerinde inanılmaz derecede yüksek ortalama Ortalama Kesinlik (mAP) elde etmesini sağlayarak genellikle daha az FLOP kullanırken daha ağır modellerden daha iyi performans göstermesini sağlar. Teorik doğruluk metriklerini en üst düzeye çıkarmaya odaklanan araştırmacılar için olağanüstü bir modeldir.

Zayıf Yönler#

Yüksek doğruluğuna rağmen YOLOv9 hala standart NMS son işlemine dayanır. Bu, sinir ağı işlemlerinin hızlı olmasına rağmen, sahnedeki nesnelerin yoğunluğuna bağlı olarak son sınırlayıcı kutu filtrelemesinin değişken gecikme süresi sokabileceği anlamına gelir. Ek olarak, eğitim süreci daha sonraki modellere kıyasla yüksek oranda bellek yoğun olabilir ve özel veri seti ince ayarı için daha güçlü GPU resources gerektirebilir.

Performans Karşılaştırması#

Aşağıdaki tablo, her iki modelin temel metriklerini göstermektedir. YOLOv10'un genellikle TensorRT aracılığıyla daha düşük gecikme süresi elde ettiğine, 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)		parametreler
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

Yeni Nesil: Neden YOLO26 Nihai Öneridir#

YOLOv9 ve YOLOv10 etkileyici kilometre taşları olsa da, makine öğrenimi alanı hızla ilerlemektedir. Modern üretim ortamları için geliştiriciler giderek Ultralytics Platform ekosisteminin entegre ve iyi bakımı yapılan yapısına güvenmektedir. 2026 yılı itibarıyla, hem araştırma hem de kurumsal kullanım için net öneri yeni piyasaya sürülen YOLO26'dır.

YOLO26, öncüllerinin temel kavramlarını alır ve bunları hantal transformer tabanlı mimarilere kıyasla eğitim sırasında kolaylaştırılmış bir kullanıcı deneyimi, basit bir API ve olağanüstü derecede düşük bellek gereksinimleriyle bir üst seviyeye taşır.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS-Free Tasarım: YOLOv10'un çığır açan özelliklerini temel alan YOLO26, yerel olarak uçtan uca çalışır ve daha basit bir dağıtım ile son derece belirleyici gecikme profilleri için NMS son işlemesini tamamen ortadan kaldırır.
  • 43%'e Kadar Daha Hızlı CPU Çıkarımı: Kutudan çıktığı gibi Edge AI için optimize edilmiştir, bu da onu adanmış GPU'lardan yoksun gömülü sistemler için mükemmel bir seçim haline getirir.
  • MuSGD Optimize Edici: (büyük dil modeli optimizasyonlarından esinlenen) SGD ve Muon'un çığır açan bir hibritidir, son derece kararlı eğitim süreçleri ve inanılmaz derecede hızlı yakınsama süreleri sağlar.
  • DFL Kaldırma: Distribution Focal Loss'u kaldırarak, YOLO26 model dışa aktarma sürecini basitleştirir, düşük güç tüketen cihazlar ve çeşitli uç dağıtım çerçeveleriyle uyumluluğu önemli ölçüde artırır.
  • Göreve Özel İyileştirmeler: Özel tek görevli dedektörlerin aksine, YOLO26 çok yönlü bir güç merkezidir. Rafine piksel seviyesinde doğruluk için Semantik segmentasyon kaybını, kusursuz Pose tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB (Oriented Bounding Box) sınır sorunlarını çözmek için özel bir açı kaybını kullanır.
Ultralytics Ekosistemi Avantajı

YOLO11 veya YOLO26 gibi bir Ultralytics modeli seçmek benzersiz bir kullanım kolaylığı sağlar. Modellerinizin OpenVINO ve CoreML gibi en son çıkarım motorlarıyla uyumlu kalmasını sağlayan aktif geliştirmeye, büyüyen bir topluluğa ve sık güncellemelere erişim kazanırsınız.

Pratik Uygulama#

Bu modelleri eğitmek ve dağıtmak, Python SDK kullanılarak oldukça basittir. Aşağıdaki örnek, hiperparametre zamanlamasını ve optimum bellek tahsisini otomatik olarak yöneten Ultralytics ekosisteminin son derece verimli eğitim süreçlerinden nasıl yararlanılacağını gösterir.

from ultralytics import YOLO

# Load the recommended state-of-the-art model
model = YOLO("yolo26n.pt")  # Also compatible with 'yolov10n.pt' or 'yolov9c.pt'

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Run ultra-fast inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for simplified edge deployment
model.export(format="onnx")

Kullanım Durumları ve Öneriler#

YOLOv10 ve YOLOv9 arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

  • NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
  • Tutarlı Gecikme Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Ne 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.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

  • 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

Hem YOLOv9 hem de YOLOv10 benzersiz avantajlar sunar. YOLOv9, ağ parametresi verimliliğini ve teorik gradyan akışını en üst düzeye çıkarmanın bir kanıtıdır ve sonuç olarak üst düzey doğruluk sağlar. Bu arada, YOLOv10, NMS gecikme cezası olmadan uçtan uca bounding box tespiti yapan akademik bir öncü olarak hizmet eder.

Ancak performansın, çok yönlülüğün ve kullanım kolaylığının mükemmel dengesini arayan geliştiriciler için en son modellere yükseltme yapmak çok önemlidir. Gelişmiş MuSGD optimizatörü, üstün küçük nesne tespiti için ProgLoss + STAL işlevselliği ve kapsamlı çoklu görev desteğiyle YOLO26, herhangi bir gerçek dünya bilgisayarla görü zorluğu için kesin son teknoloji çözümü temsil eder.

Katkıda Bulunanlar
GLglenn-jocher15

Yorumlar