YOLOv8 ve YOLOv9#

Gerçek zamanlı nesne algılamanın gelişimi; daha iyi doğruluk, daha düşük gecikme ve gelişmiş donanım kullanımına yönelik sürekli bir çabayla şekillenmiştir. Bu yolculuktaki iki önemli kilometre taşı Ultralytics YOLOv8 ve YOLOv9 modelleridir. Her iki model de bilgisayarlı görü alanında son teknoloji yetenekleri temsil etse de farklı dağıtım ihtiyaçlarına, mimari yaklaşımlara ve geliştirici ekosistemlerine hitap eder.

Bu kapsamlı kılavuz, bir sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak üzere teknik farklılıkları, mimari yenilikleri ve pratik dağıtım hususlarını ele alır.

Model Soyu ve Temel Yaklaşımlar#

Metriklere geçmeden önce her modelin kökenini ve temel tasarım hedeflerini anlamak çok önemlidir.

Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#

Ultralytics ekibi tarafından yayımlanan YOLOv8, yalnızca bağımsız bir nesne algılayıcı olarak değil, birleşik ve çok görevli bir çerçeve olarak tasarlanmıştır. Kusursuz bir geliştirici deneyimine, düşük bellek gereksinimlerine ve geniş donanım uyumluluğuna öncelik verir.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Dokümantasyon: YOLOv8 Belgeleri

YOLOv9: Programlanabilir Gradyan Bilgisi#

Academia Sinica'daki araştırmacılar tarafından bağımsız olarak geliştirilen YOLOv9, özellikle derin sinir ağlarındaki bilgi darboğazı olgusunu ele alarak mimari teoriye yoğun şekilde odaklanır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

YOLOv9 hakkında daha fazla bilgi edin

Mimariye Derinlemesine Bakış#

Derin öğrenmedeki mimari seçimler, bir modelin ne kadar verimli öğrendiğini ve NVIDIA Jetson veya Intel CPU gibi hedef donanımlarda ne kadar hızlı çalıştığını belirler.

YOLOv8 Mimarisi: C2f ve Ayrıştırılmış Başlıklar#

YOLOv8, eski C3 modülünün yerine C2f modülünü (iki evrişimli aşamalar arası kısmi darboğaz) tanıttı. Bu değişiklik gradyan akışını iyileştirir ve ağın GPU belleğini aşırı tüketmeden daha zengin özellik temsilleri öğrenmesini sağlar.

Ayrıca YOLOv8, anchor-free tasarımı ve ayrıştırılmış başlığı kullanır. Model, nesne olasılığını, sınıflandırmayı ve regresyonu ayrı yollardan işleyerek eğitim sırasında daha hızlı yakınsar ve çeşitli özel veri kümelerine daha iyi genelleme yapar.

YOLOv9 Mimarisi: PGI ve GELAN#

YOLOv9, Programlanabilir Gradyan Bilgisini (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağını (GELAN) tanıtır. PGI, ağın katmanlarından geçerken kritik verilerin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar sunar. GELAN, parametre verimliliğini en üst düzeye çıkararak modelin FLOPs değerini yönetilebilir tutmaya çalışırken yüksek doğruluk elde etmesini sağlar.

Matematiksel açıdan etkileyici olsa da YOLOv9'un eğitim sırasında belirli yardımcı tersinir dallara dayanması, eğitim kodunun standart işlem hatlarına kıyasla özelleştirilmesini daha karmaşık hâle getirebilir.

Performans Ölçümleri ve Karşılaştırmalı Testler#

Aşağıdaki tablo, modelleri farklı boyutlar genelinde doğrudan karşılaştırır. Performans, nesne algılama için standart bir kıyaslama olan MS COCO veri kümesi üzerinde ölçülmüştür.

Not: Her sütundaki en iyi değerler kalın yazıyla vurgulanmıştır.

Ödünleşimlerin Analizi#

YOLOv9, özellikle daha büyük e varyantında biraz daha yüksek tepe doğruluğuna (mAP) ulaşır. Ancak bunun bir bedeli vardır. Ultralytics YOLOv8, özellikle TensorRT veya ONNX gibi biçimlere derlendiğinde çıkarım hızında önemli bir avantaja sahiptir. Kısıtlı uç donanımlarda (örneğin bir Raspberry Pi veya eski mobil çiplerde) saniye başına yüksek kare (FPS) gerektiren uygulamalar için YOLOv8'in n ve s varyantları çok daha pratik bir performans dengesi sunar.

Eğitim Verimliliği ve Ekosistem Entegrasyonu#

Model seçmek, yalnızca doğruluk tablolarına bakmaktan fazlasını gerektirir; geliştirici deneyimi çok önemlidir.

Ultralytics Avantajı: Kullanım Kolaylığı#

YOLOv9'u eğitmek çoğu zaman karmaşık GitHub depolarını klonlamayı, PyTorch ortamlarını dikkatle yönetmeyi ve yardımcı kayıp ağırlıklarını manuel olarak yapılandırmayı gerektirir.

Buna karşılık Ultralytics YOLOv8, son derece yalın bir Python API ile desteklenir. Kullanım kolaylığı için oluşturulan bu API; veri artırma, günlük kaydı (Weights & Biases ve Comet ML gibi araçlara) ve donanım dağıtımını yerel olarak yönetir.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model efficiently on custom data
results = model.train(data="custom_dataset.yaml", epochs=100, imgsz=640)

# Export for edge deployment
model.export(format="engine", quantize=16)  # TensorRT export

Bu tek API, prototipten üretime geçiş süresini önemli ölçüde azaltır. Ayrıca YOLOv8, eğitim sırasında genellikle daha az CUDA belleği gerektirir ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük toplu iş boyutları kullanmasına olanak tanır.

Görev Çok Yönlülüğü#

YOLOv9 mükemmel bir sınırlayıcı kutu algılayıcı olsa da gerçek dünyadaki görüntü yapay zekâsı çoğu zaman daha fazlasını gerektirir. YOLOv8 yerel olarak Örnek Bölütlemeyi, Poz Tahminini, Görüntü Sınıflandırmayı ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekleyen çok yönlü bir güç merkezidir. Birden fazla görev için tek bir çerçeve kullanmak, yazılım şişkinliğini ve bakım yükünü büyük ölçüde azaltır.

Gerçek Dünya Kullanım Örnekleri#

Bu modeller üretimde nasıl performans gösteriyor?

Otonom Dronlar ve Robotik#

Hızlı engelden kaçınma gerektiren robotik uygulamalar için YOLOv8 tercih edilen seçenektir. YOLOv8n değerinin ultra düşük gecikmesi, otonom sistemlerin çevrelerine gerçek zamanlı tepki vermesini ve çarpışmaları önlemesini sağlar. OpenVINO ve CoreML'e yerel dışa aktarma yetenekleri, ticari dronlarda yaygın olan düşük güç tüketimli çiplere dağıtımı son derece kolaylaştırır.

Yüksek Çözünürlüklü Kusur Algılama#

Mikroskobik kusurların tespitinin kritik olduğu ve çevrim dışı işlemenin kabul edilebilir bulunduğu özel üretim ortamlarında YOLOv9 son derece etkili olabilir. PGI mimarisi, ağın saç teli inceliğindeki çatlakları veya PCB lehimleme hatalarını tanımlamak için gereken ince ayrıntılı görsel bilgileri korumasına yardımcı olur.

Akıllı Perakende ve Güvenlik Analitiği#

Mağaza koridorlarında müşterileri takip etmek veya otomatik ödeme sistemlerini yönetmek için YOLOv8 en iyi dengeyi sunar. BoT-SORT gibi standart algoritmaları kullanarak algılama ve çoklu nesne takibini aynı anda çalıştırabilmesi, onu çok kameralı perakende dağıtımları için sağlam bir çözüm hâline getirir.

Kullanım Alanları ve Öneriler#

YOLOv8 ile YOLOv9 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8 Ne Zaman Seçilmeli?#

YOLOv8 şu durumlar için güçlü bir seçenektir:

• Çok Görevli Çok Yönlü Dağıtım: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Kurulu Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve kapsamlı biçimde test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

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.

Bir Sonraki Evrim: YOLO26#

YOLOv8 ve YOLOv9 güçlü olsa da yapay zekâ dünyası hızla ilerliyor. Mutlak en iyi performansı talep eden ekipler için yeni yayımlanan YOLO26, bu önceki nesillerin başarılarını temel alır.

YOLO26, karmaşık son işleme darboğazlarını tamamen ortadan kaldıran uçtan uca NMS'siz tasarımı kullanıma sunar; bu da dağıtımı basitleştirir ve gecikmeyi daha öngörülebilir hâle getirir. Yeni MuSGD Optimizer ve geliştirilmiş ProgLoss + STAL kayıp işlevleriyle desteklenen model, ayrıca DFL Removal (basitleştirilmiş dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde küçük nesne tanımayı iyileştirirken %43'e kadar daha hızlı CPU çıkarımı elde eder. Uç bilişimin sınırlarını zorlayan geliştiricilerin YOLO26 modelini değerlendirmesi önemle tavsiye edilir.

Özetle, YOLOv9 büyüleyici mimari araştırmalar ve mükemmel tepe doğruluğu sunsa da Ultralytics YOLOv8, güvenilir yazılımları hızla kullanıma sunmayı hedefleyen bilgisayarlı görü mühendislerinin büyük çoğunluğu için en pratik, en iyi desteklenen ve en çok yönlü seçenek olmaya devam eder.