Ultralytics YOLO27:

YOLOv10 ve YOLOv9#

Gerçek zamanlı bilgisayarlı görü alanının gelişimi; hız, doğruluk ve mimari verimlilikteki sürekli atılımlarla şekillenmiştir. Bir sonraki dağıtımın için modern çözümleri değerlendirirken YOLOv10 ve YOLOv9 karşılaştırması, derin öğrenmedeki darboğazları çözmeye yönelik iki farklı yaklaşıma dair ilgi çekici 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 tasarıma öncülük eder.

Bu kapsamlı kılavuz, geliştiricilerin ve araştırmacıların kendi bilgisayarlı görü görevleri için en uygun modeli seçmesine yardımcı olmak amacıyla mimari yeniliklerini, performans ölçümlerini ve ideal kullanım alanlarını analiz eder.

YOLOv10: NMS'siz Uçtan Uca Öncü#

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

Teknik Ayrıntılar ve Geçmiş:

YOLOv10 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv10'un alana en önemli katkısı, NMS'siz eğitim için tutarlı çift atama stratejisidir. NMS'yi ortadan kaldırarak model, özellikle son işlemenin tüm işlem hattında darboğaz oluşturabildiği uç cihazlarda çıkarım gecikmesini büyük ölçüde azaltır. Verimlilik ve doğruluk açısından çeşitli bileşenleri optimize ederek etkileyici bir hız-parametre dengesi sunan bir model ortaya çıkarır. Örneğin YOLOv10-S varyantı son derece hızlıdır; bu da onu yüksek hızlı video analizi ve gerçek zamanlı robotik navigasyon için oldukça uygun kılar.

Zayıf yönler#

NMS içermeyen tasarım, sınırlayıcı kutu tespiti için çığır açıcı olsa da YOLOv10 öncelikle saf bir nesne dedektörü olarak optimize edilmiştir. Örnek Bölütleme veya Poz Tahmini işlemlerini yerel olarak destekleyen daha yeni ekosistemlerin kutudan çıkan çok yönlülüğünden yoksundur.

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 için yeni mimari kavramlar sunarak parametrelerin son derece verimli kullanılmasını sağladı.

Teknik Ayrıntılar ve Geçmiş:

YOLOv9 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte Programlanabilir Gradyan Bilgisini (PGI) sunar. PGI, veriler ağın derin katmanlarından geçerken kritik hedef bilgilerinin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar üretir. GELAN, ağ parametrelerinin verimliliğini en üst düzeye çıkarır. Bu yenilikler birlikte, YOLOv9'un MS COCO veri kümesinde son derece yüksek ortalama Kesinlik değerine (mAP) ulaşmasını sağlar; model, daha az FLOP kullanırken çoğu zaman daha ağır modellerden daha iyi performans gösterir. Teorik doğruluk ölçümlerini en üst düzeye çıkarmaya odaklanan araştırmacılar için olağanüstü bir modeldir.

Zayıf yönler#

Yüksek doğruluğuna rağmen YOLOv9, standart NMS son işlemesine hâlâ dayanır. Bu, sinir ağı işlemleri hızlı olsa da son sınırlayıcı kutu filtrelemesinin sahnedeki nesne yoğunluğuna bağlı olarak değişken gecikme oluşturabileceği anlamına gelir. Ayrıca eğitim süreci, sonraki modellere kıyasla yüksek bellek tüketebilir ve özel veri kümelerinde ince ayar yapmak için daha güçlü GPU kaynakları gerektirebilir.

Performans Karşılaştırması#

Aşağıdaki tablo, her iki modelin temel ölçümlerini gösterir. YOLOv10'un TensorRT aracılığıyla genellikle daha düşük gecikme elde ederken YOLOv9'un 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)
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: YOLO26 Neden Nihai Öneri?#

YOLOv9 ve YOLOv10 etkileyici kilometre taşları olsa da makine öğrenimi dünyası hızla ilerliyor. Modern üretim ortamlarında geliştiriciler, giderek daha fazla Ultralytics Platform'un entegre ve iyi bakımı yapılan ekosistemine güveniyor. 2026 itibarıyla hem araştırma hem de kurumsal kullanım için açık öneri, yeni yayımlanan YOLO26'dır.

YOLO26, önceki modellerinin temel kavramlarını alır ve sadeleştirilmiş bir kullanıcı deneyimi, basit bir API ve hantal Transformer tabanlı mimarilere kıyasla eğitim sırasında olağanüstü düşük bellek gereksinimleriyle bunları ileri taşır.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10'un atılımları üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır ve daha basit dağıtım ile son derece deterministik gecikme profilleri için NMS son işlemesini tamamen ortadan kaldırır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Kutudan çıktığı hâliyle Edge AI için optimize edilmiştir; bu da onu özel GPU'lara sahip olmayan gömülü sistemler için mükemmel bir seçenek hâline getirir.
  • MuSGD Optimize Edicisi: SGD ve Muon'un çığır açıcı bir hibritidir (büyük dil modeli optimizasyonlarından esinlenmiştir); son derece kararlı eğitim süreçleri ve inanılmaz hızlı yakınsama süreleri sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılmasıyla YOLO26, model dışa aktarma sürecini basitleştirir ve düşük güçlü cihazlarla çeşitli uç dağıtım çerçeveleriyle uyumluluğu büyük ölçüde artırır.
  • Göreve Özel İyileştirmeler: Uzmanlaşmış tek görevli algılayıcıların aksine YOLO26, çok yönlü ve güçlü bir modeldir. Daha hassas piksel düzeyinde doğruluk için Semantik segmentasyon kaybını, kusursuz Poz tahmini için Artık Log-Olasılık Tahminini (RLE) ve OBB (Yönlendirilmiş Sınırlayıcı Kutu) sınır sorunlarını çözmek için özel bir açı kaybını kullanır.
Ultralytics Ekosisteminin Avantajı

YOLO11 veya YOLO26 gibi bir Ultralytics modeli seçmek eşsiz bir kullanım kolaylığı sunar. Aktif geliştirmeye, canlı bir topluluğa ve modellerinin OpenVINO ve CoreML gibi en yeni çıkarım motorlarıyla uyumlu kalmasını sağlayan sık güncellemelere erişim kazanırsın.

Pratik Uygulama#

Bu modelleri Python SDK kullanarak eğitmek ve dağıtmak kolaydır. Aşağıdaki örnek, hiperparametre zamanlamasını ve optimum bellek tahsisini otomatik olarak yöneten Ultralytics ekosisteminin son derece verimli eğitim süreçlerinden nasıl yararlanabileceğini 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 Alanları ve Öneriler#

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

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

  • NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
  • Dengeli Hız-Doğruluk Dengesi: 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 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için önerilir:

  • Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (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 benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

  • NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
  • Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

YOLOv9 ve YOLOv10 benzersiz avantajlar sunar. YOLOv9, ağ parametrelerinin verimliliğini ve teorik gradyan akışını en üst düzeye çıkarmanın bir göstergesidir ve bunun sonucunda üst düzey doğruluk elde eder. Buna karşılık YOLOv10, NMS'nin neden olduğu gecikme maliyeti olmadan uçtan uca sınırlayıcı kutu algılamanın akademik öncüsüdür.

Bununla birlikte performans, çok yönlülük ve kullanım kolaylığı arasında mükemmel dengeyi arayan geliştiriciler için en yeni modellere geçmek büyük önem taşır. Gelişmiş MuSGD optimize edicisi, üstün küçük nesne algılama için ProgLoss + STAL işlevi ve kapsamlı çok görevli desteğiyle YOLO26, her türlü gerçek dünya bilgisayarlı görü sorunu için kesin son teknoloji çözümü temsil eder.

Katkıda Bulunanlar
GLglenn-jocher17

Yorumlar