Başla

YOLOv8 ve YOLOv9

Gerçek zamanlı nesne tespitinin gelişimi; daha iyi doğruluk, daha düşük gecikme ve donanım kaynaklarından daha iyi yararlanma arayışıyla şekillendi. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLOv8 ve YOLOv9. Her iki model de bilgisayarlı görü alanında son teknoloji yetenekleri temsil etse de farklı dağıtım gereksinimlerine, mimari yaklaşımlara ve geliştirici ekosistemlerine hitap ediyor.

Bu kılavuz, bir sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak üzere teknik farklılıkları, mimari yenilikleri ve uygulamadaki dağıtım gereksinimlerini ele alıyor.

Model Soy Ağacı ve Temel Yaklaşımlar#

Ölçütleri incelemeden önce her modelin kökenini ve temel tasarım hedeflerini anlamak yararlı olur.

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 tasarlandı. Sorunsuz bir geliştirici deneyimine, düşük bellek gereksinimlerine ve geniş donanım uyumluluğuna öncelik verir.

YOLOv9: Programlanabilir Gradyan Bilgisi#

Academia Sinica araştırmacılarının bağımsız olarak geliştirdiği YOLOv9, mimari kurama odaklanıyor; özellikle derin sinir ağlarındaki bilgi darboğazı olgusunu ele alıyor.

  • Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
  • Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
  • Tarih: 2024-02-21
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

YOLOv9 hakkında daha fazla bilgi edin

Kurumsal Dağıtım

Büyük ölçekli ticari bir dağıtım planlıyorsan bulut eğitimini, veri kümesi yönetimini ve özel API uç noktalarını kolaylaştıran Ultralytics Platform seçeneğini değerlendirebilirsin.

Mimarinin Derinlemesine İncelenmesi#

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

YOLOv8 Mimarisi: C2f ve Ayrıştırılmış Başlıklar#

YOLOv8, eski C3 modülünün yerini alan C2f modülünü (iki evrişimli Çapraz Aşamalı Kısmi darboğaz) tanıttı. Bu değişiklik, gradyan akışını iyileştirir ve ağın GPU belleğini aşırı zorlamadan daha zengin özellik temsilleri öğrenmesini sağlar.

YOLOv8 ayrıca çapasız bir tasarım ve ayrıştırılmış bir başlık kullanır. Sınıflandırma ve regresyonu ayrı yollardan işleyen model, eğitim sırasında daha hızlı yakınsar ve çeşitli özel veri kümelerine daha iyi genellenir.

YOLOv9 Mimarisi: PGI ve GELAN#

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) özelliklerini sunar. PGI, kritik verilerin ağın katmanlarından geçerken kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar üretir. GELAN, parametre verimliliğini en üst düzeye çıkarır ve FLOPs miktarını yönetilebilir düzeyde tutarak modelin yüksek doğruluk elde etmesini sağlar.

Ancak yalnızca eğitim sırasında kullanılan YOLOv9'un yardımcı tersinir dalları, eğitim kodunu standart işlem hatlarına kıyasla özelleştirmeyi daha karmaşık hâle getirebilir.

Performans Ölçütleri ve Kıyaslamalar#

Aşağıdaki tabloda farklı boyutlardaki modeller doğrudan karşılaştırılıyor. Performans, nesne tespiti için standart bir kıyaslama olan MS COCO veri kümesi üzerinde ölçülmüştür.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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

Not: Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.

Ödünleşimlerin Analizi#

YOLOv9, karşılaştırılabilir her boyutta daha yüksek mAP elde eder ve her boyutta daha az parametre kullanır. Ancak GPU'daki çıkarım hızı bakımından Ultralytics YOLOv8 daha hızlıdır; örneğin TensorRT ile derlendiğinde YOLOv8n 1,47 ms, YOLOv9t ise 2,3 ms sürer ve model ONNX gibi biçimlere kolayca aktarılır. Raspberry Pi veya eski mobil yongalar gibi kaynakları kısıtlı uç donanımlarda saniyede yüksek kare sayısı (FPS) gerektiren uygulamalar için YOLOv8'in n ve s varyantları pratik bir performans dengesi sunar.

Eğitim Verimliliği ve Ekosistem Entegrasyonu#

Model seçerken doğruluk tablolarına bakmak yeterli değildir; geliştirici deneyimi de aynı derecede önemlidir.

Ultralytics'in Avantajı: Kullanım Kolaylığı#

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

Buna karşılık Ultralytics YOLOv8, kolaylaştırılmış bir Python API'si sunar. Kullanım kolaylığı için tasarlanan bu API, veri artırma, Weights & Biases ve Comet ML gibi araçlara günlük kaydı ve yerel çoklu GPU eğitimini yönetir.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv8 modeli yükle
model = YOLO("yolov8s.pt")

# Modeli özel verilerle verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Uç dağıtım için dışa aktar
model.export(format="engine", quantize=16)  # TensorRT dışa aktarımı

Bu tek API, prototipten üretime geçiş süresini kısaltır. Ayrıca YOLOv8, eğitim sırasında genellikle daha az CUDA belleği gerektirerek geliştiricilerin tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanmasına olanak tanır.

Görev Çok Yönlülüğü#

YOLOv9 güçlü bir sınırlayıcı kutu algılayıcısı olsa da gerçek dünyadaki görü yapay zekâsı genellikle daha fazlasını gerektirir. YOLOv8 yerel olarak Örnek Segmentasyonunu, Görüntü Sınıflandırmayı, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekler. Birden fazla görev için tek bir çerçeve kullanmak yazılım karmaşıklığını ve bakım yükünü azaltır.

İleriye Bakış

Yeni bir projeye başlıyorsan, isteğe bağlı uçtan uca NMS'siz çıkarım sunan güncel önerilen model Ultralytics YOLO11 veya YOLO26 modellerini de değerlendirebilirsin.

Gerçek Dünya Kullanım Senaryoları#

Bu modeller üretimde nasıl performans gösteriyor?

Otonom Dronlar ve Robotik#

Hızlı engelden kaçınma gerektiren robotik uygulamalar için YOLOv8 tercih edilen seçenektir. YOLOv8n düşük gecikme sunarak otonom sistemlerin çevrelerine gerçek zamanlı tepki vermesine ve çarpışmaları önlemesine yardımcı olur. OpenVINO ve CoreML biçimlerine yerel dışa aktarma, ticari dronlarda yaygın olan düşük güç tüketimli yongalara dağıtımı kolaylaştırır.

Yüksek Çözünürlüklü Kusur Tespiti#

Mikroskobik anormalliklerin algılanmasının kritik, çevrimdışı işlemenin ise kabul edilebilir olduğu özel üretim ortamlarında YOLOv9 etkili olabilir. PGI mimarisi, ağın ince çatlakları veya PCB lehimleme hatalarını belirlemek için gereken ayrıntılı görsel bilgileri korumasına yardımcı olur.

Akıllı Perakende ve Güvenlik Analitiği#

Mağaza koridorlarında müşterileri izlemek 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 getiriyor.

Kullanım Alanları ve Öneriler#

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

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

  • Çok Görevli Esnek Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

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:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Bir Sonraki Evrim: YOLO26#

YOLOv8 ve YOLOv9 yetenekli modeller olsa da yapay zekâ alanı hızla ilerliyor. Yeni projeler için Ocak 2026'da yayımlanan YOLO26, önceki nesillerin güçlü yönlerini temel alıyor.

YOLO26, NMS son işlemesini ortadan kaldıran isteğe bağlı bir uçtan uca NMS'siz tasarım (nms=False) sunarak dağıtımı basitleştirir ve gecikmeyi daha öngörülebilir kılar. MuSGD Optimize Edici, ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama) ve DFL'nin Kaldırılması (daha basit dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Dağılım Odaklı Kaybın kaldırılması) sayesinde YOLO26n, küçük nesne algılamayı iyileştirirken YOLO11n'e kıyasla CPU çıkarımını %43'e kadar hızlandırır. Uç bilişim projeleri için önerilen başlangıç noktası YOLO26'dır.

Özetle, YOLOv9 değerli mimari araştırmaları ve mükemmel en yüksek doğruluk değerleri sunsa da güvenilir yazılımları hızlıca yayımlamak isteyen bilgisayarlı görü mühendisleri için Ultralytics YOLOv8 pratik, iyi desteklenen ve çok yönlü bir seçenek olmaya devam ediyor.

Katkıda Bulunanlar

Yorumlar

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