Başla

YOLOv10 ile YOLOv9

Gerçek zamanlı bilgisayarlı görüdeki gelişmeler hız, doğruluk ve mimari verimlilikte istikrarlı kazanımlar sağladı. Bir sonraki dağıtımın için modelleri değerlendirirken YOLOv10 ile YOLOv9'u karşılaştırmak, derin öğrenmedeki darboğazları çözmeye yönelik iki farklı yaklaşımı ortaya koyar. YOLOv9 eğitim sırasında gradyan bilgi akışını en üst düzeye çıkarmaya odaklanırken YOLOv10, NMS son işlemesini ortadan kaldıran uçtan uca bir tasarım sundu.

Bu kılavuz, geliştiricilerin ve araştırmacıların bilgisayarlı görü görevleri için doğru modeli seçmesine yardımcı olmak üzere mimari yenilikleri, performans ölçümlerini ve ideal kullanım alanlarını inceler.

YOLOv10: NMS İçermeyen Gerçek Zamanlı Tespit#

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

Teknik Ayrıntılar ve Köken:

YOLOv10 hakkında daha fazla bilgi edin

Mimari ve Güçlü Yönler#

YOLOv10'un alana en önemli katkısı, NMS'siz eğitim için geliştirdiği tutarlı çift atama stratejisidir. NMS'yi ortadan kaldıran model, özellikle son işlemenin tüm işlem hattında darboğaz oluşturabildiği uç aygıtlarda çıkarım gecikmesini azaltır. Verimlilik ve doğruluk açısından çeşitli bileşenleri optimize ederek hız ve parametre sayısı arasında güçlü bir denge sağlar. Örneğin YOLOv10-S çeşidi, TensorRT ile T4 GPU'da 2,49 ms'de çalışır; bu da onu yüksek hızlı video analitiği ve gerçek zamanlı robot navigasyonu için son derece uygun kılar.

Zayıf Yönler#

NMS'siz tasarım, sınırlayıcı kutu algılama için önemli bir ilerleme olsa da YOLOv10 yalnızca nesne algılama yapar. Örnek Segmentasyonu veya Poz Tahminini yerel olarak destekleyen daha yeni modellerin kullanıma hazır çok yönlülüğüne sahip değildir.

YOLOv10'u Dışa Aktarma

YOLOv10'u üretime hazırlarken modeli TensorRT veya ONNX gibi optimize edilmiş biçimlere dışa aktar ve NMS'siz tekten teke başlığını seçmek için nms=False kullan. Dağıtım sırasında 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 MS COCO veri kümesinde daha az FLOP kullanırken çoğu zaman daha ağır modelleri geride bırakarak yüksek ortalama Ortalama Hassasiyet (mAP) elde etmesini sağlar. Doğruluk ölçümlerini en üst düzeye çıkarmaya odaklanan araştırmacılar için güçlü bir modeldir.

Zayıf Yönler#

Yüksek doğruluğuna rağmen YOLOv9, standart NMS son işlemesine dayanır. Bu, sinir ağı işlemleri hızlı olsa da son sınırlayıcı kutu filtrelemesinin sahnedeki nesne yoğunluğuna bağlı olarak değişken gecikmeye yol açabileceği anlamına gelir. Ayrıca eğitim süreci, daha yeni modellere kıyasla yoğun bellek kullanabilir ve özel veri kümelerinde ince ayar yapmak 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)
mAPval50-95Hız
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

YOLOv9 ve YOLOv10 önemli dönüm noktaları olsa da makine öğrenimi alanı hızla gelişiyor. Üretim ortamlarında birçok geliştirici, entegre ve etkin biçimde sürdürülen Ultralytics Platform ekosistemine güveniyor. 2026 itibarıyla Ultralytics'in hem araştırma hem kurumsal kullanım için önerisi YOLO26.

YOLO26, öncüllerinin fikirlerini geliştirerek kolaylaştırılmış bir kullanıcı deneyimi, basit bir API ve Transformer tabanlı mimarilere kıyasla eğitim sırasında daha düşük bellek gereksinimi sunar.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10'u temel alan YOLO26, daha basit dağıtım ve daha öngörülebilir gecikme için nms=False ile NMS son işlemesini atlayan isteğe bağlı uçtan uca çıkarımı destekler.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır. Bu da YOLO26'yı özel GPU'su olmayan uç yapay zekâ ve gömülü sistemler için uygun hâle getirir.
  • MuSGD Optimizer: SGD ile Muon'un, büyük dil modeli optimizasyonlarından esinlenen melezi; kararlı eğitim ve hızlı yakınsama sağlar.
  • DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u kaldırarak model dışa aktarma sürecini basitleştirir ve düşük güçlü cihazlarla çeşitli uç dağıtım çatılarıyla uyumluluğu artırır.
  • Göreve Özgü İyileştirmeler: Tek görevli algılayıcılardan farklı olarak YOLO26; algılama, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB'yi destekler. Örnek segmentasyonunu geliştirmek için anlamsal segmentasyon kaybı, daha doğru poz tahmini için Residual Log-Likelihood Estimation (RLE) ve OBB (Oriented Bounding Box) sınır sorunlarını çözmek için özel bir açı kaybı kullanır.
Ultralytics Ekosisteminin Avantajı

YOLO11 veya YOLO26 gibi bir Ultralytics modeli seçmek; kullanım kolaylığı, etkin geliştirme, geniş bir topluluk ve modellerini OpenVINO ile CoreML gibi çıkarım motorlarıyla uyumlu tutan sık güncellemeler sunar.

Uygulamaya Geçirme#

Bu modelleri eğitmek ve dağıtmak Ultralytics Python paketiyle kolaydır. Aşağıdaki örnek, öğrenme oranı zamanlamasını ve veri artırmayı otomatik olarak yöneten Ultralytics eğitim iş akışını gösterir.

from ultralytics import YOLO

# Önerilen YOLO26 modelini yükle
model = YOLO("yolo26n.pt")  # 'yolov10n.pt' veya 'yolov9c.pt' ile de uyumludur

# Modeli COCO8 örnek veri kümesi üzerinde eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Çıkarımı 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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Sonuç#

YOLOv9 ve YOLOv10'un her ikisi de kendine özgü avantajlar sunar. YOLOv9, parametre verimliliğini ve gradyan akışını en üst düzeye çıkarır; YOLOv9e ise bu karşılaştırmadaki en yüksek doğruluğa ulaşır. YOLOv10, NMS kaynaklı gecikme maliyeti olmadan YOLO ailesine uçtan uca sınırlayıcı kutu tespitini kazandırdı.

Performans, çok yönlülük ve kullanım kolaylığı arasında en iyi dengeyi arayan geliştiriciler için daha yeni modellere geçmek değerlidir. MuSGD optimizer'ı, küçük nesne algılamayı geliştiren ProgLoss + STAL ve çoklu görev desteğiyle YOLO26, gerçek dünyadaki bilgisayarlı görü projeleri için önerilen seçenektir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.