YOLOv9 ve YOLO11#

Bilgisayarlı görü alanındaki hızlı gelişim, gerçek zamanlı nesne algılama konusunda mümkün olanların sınırlarını sürekli olarak ileri taşıdı. Önde gelen mimariler karşılaştırıldığında YOLOv9 ve Ultralytics YOLO11 öne çıkıyor; her biri farklı teknik ihtiyaçlara hizmet eden, çığır açıcı ilerlemeler sunuyor. YOLOv9, derin ağ eğitimi sırasında gradyan akışını korumak için yeni yöntemler sunarken YOLO11, benzersiz verimliliği, çok yönlülüğü ve kullanım kolaylığıyla genel amaçlı görü ekosisteminde devrim yarattı.

Bu kapsamlı teknik karşılaştırma, bir sonraki yapay zeka projen için en uygun modeli seçmene yardımcı olmak amacıyla mimarilerini, performans metriklerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını analiz ediyor.

Teknik Özellikler ve Yazarlık#

Bu modellerin soy ağacını anlamak, mimari kararları ve framework bağımlılıkları hakkında temel bir bağlam sağlar.

YOLOv9#

YOLOv9, özel ağ blokları aracılığıyla maksimum özellik sadakatine büyük öncelik vererek derin öğrenmedeki bilgi darboğazlarına güçlü bir akademik odak getirdi.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica
• Tarih: 21 Şubat 2024
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLO11#

YOLO11, en başından üretim ortamları için tasarlandı ve üst düzey doğruluk, gerçek dünya dağıtım hızları ve çoklu görev çok yönlülüğü arasında denge kurmaya odaklandı.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 27 Eylül 2024
• GitHub: https://github.com/ultralytics/ultralytics

Mimari Yenilikler#

YOLOv9'da Programlanabilir Gradyan Bilgisi#

YOLOv9, Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ile birlikte Programlanabilir Gradyan Bilgisi (PGI) kavramını ortaya koyuyor. Sinir ağları derinleştikçe, ileri besleme süreci sırasında kritik ayrıntıların kaybolduğu bilgi darboğazlarından sıklıkla etkilenir. PGI, ince ayrıntılı uzamsal bilgileri koruyan güvenilir gradyan güncellemeleri sağlayarak bu sorunu ele alırken GELAN parametre verimliliğini en üst düzeye çıkarır. Bu, YOLOv9'u yüksek özellik sadakati gerektiren görevlerde özellikle başarılı kılar; ancak son işleme sırasında standart Maksimum Olmayan Bastırma (NMS) yöntemine dayanır ve bu da uç cihazlarda gecikmeye neden olabilir.

YOLO11'de Sadeleştirilmiş Verimlilik#

YOLO11, yüksek düzeyde optimize edilmiş bir mimari sunmak için yıllar süren temel araştırmaların üzerine inşa edilmiştir. Özellik çıkarımını en üst düzeye çıkarırken hesaplama yükünü azaltarak önceki sürümlerin geliştirilmiş hâlini sunar. CPU performansında darboğaz oluşturan geleneksel NMS işlem hatlarının aksine YOLO11, gecikme ve kesinlik arasında inanılmaz bir denge sağlayan iyileştirilmiş algılama başlıkları kullanır. Ayrıca YOLO11, genellikle daha yavaş eğitilen ve çok büyük miktarda CUDA belleği gerektiren ağır Transformer modellerine kıyasla hem model eğitimi hem de çıkarım sırasında doğal olarak daha az bellek kullanır.

Performans Metriklerinin Karşılaştırması#

Bu modelleri standart COCO veri kümesi üzerinde karşılaştırdığında her ikisi de etkileyici yetenekler sergiliyor; ancak ham parametre sayısı ile çalışma hızı arasında ödünleşimler ortaya çıkıyor.

Aşağıda YOLO Performans Metrikleri ayrıntılı olarak açıklanmıştır.

Sonuçların Analizi#

1. Hız ve Donanım Verimliliği: YOLO11, çıkarım hızında sürekli olarak YOLOv9'u geride bırakıyor. Örneğin YOLO11n, TensorRT kullanan bir NVIDIA T4 GPU üzerinde şaşırtıcı biçimde 1,5 ms'ye ulaşıyor ve bu da onu katı gerçek zamanlı işlem hatları için son derece elverişli kılıyor.
2. Hesaplama Gereksinimleri: YOLO11 modelleri genellikle daha az FLOPs gerektirir (ör. YOLO11m için 68,0B, YOLOv9m için 76,3B); bu da Raspberry Pi veya mobil donanım gibi pille çalışan uç cihazlarda daha düşük güç tüketimi anlamına gelir.
3. Doğruluk Denkliği: YOLOv9e mutlak mAP değerinde YOLO11x'i az farkla geride bıraksa da (55,6'ya karşı 54,7), YOLO11 en yüksek doğruluğuna önemli ölçüde daha düşük gecikmeyle ulaşıyor (11,3 ms'ye karşı 16,77 ms); bu da gerçek dünya dağıtımları için daha elverişli bir performans dengesi sergiliyor.

Ekosistem ve Kullanım Kolaylığı#

Ham metrikler önemli olsa da framework ekosistemi çoğu zaman projenin başarısını belirler. Ultralytics Avantajı tam olarak burada öne çıkar.

Orijinal YOLOv9 deposu, en son araştırma uygulamasını sunan oldukça uzmanlaşmış bir yapıya sahiptir. Ancak Ultralytics Platformu ve buna karşılık gelen açık kaynak paketi, pazara sunma süresini önemli ölçüde kısaltan sade bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunar.

Çoklu Görev Esnekliği#

YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdakileri yerel olarak destekleyen birleşik bir çoklu görev güç merkezidir:

• Örnek Segmentasyonu
• Poz Tahmini
• Yönlendirilmiş Sınırlayıcı Kutular (OBB)
• Görüntü Sınıflandırma

Sorunsuz Dağıtım#

Ultralytics ekosistemini kullanarak geliştiriciler, tek satır Python koduyla modelleri çeşitli biçimlere sorunsuz şekilde aktarabilir. Hedefin ONNX, OpenVINO, TFLite veya CoreML olması fark etmeksizin eğitimden üretime geçiş zahmetsizdir.

from ultralytics import YOLO

# Load a highly efficient YOLO11 model
model = YOLO("yolo11n.pt")

# Train rapidly on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to OpenVINO for Intel CPU acceleration
model.export(format="openvino")

İdeal Kullanım Alanları#

YOLOv9 Ne Zaman Kullanılmalı?#

YOLOv9, araştırma odaklı ortamlar veya donanım gecikmesinin birincil kısıt olmadığı, aşırı özellik sadakatine öncelik veren senaryolar için harika bir araçtır. GELAN mimarisi, en küçük piksel farklılıklarını algılamanın kritik olduğu tıbbi görüntü analizi gibi alanlarda son derece avantajlı olabilir.

YOLO11 Neden Daha Üstün Bir Seçimdir?#

Geliştiriciler, mühendisler ve üretim ekipleri için YOLO11 şiddetle önerilir. Yüksek hızlı, ölçeklenebilir dağıtım gerektiren ortamlarda üstün performans gösterir:

• Akıllı Perakende Analitiği: Standart Intel işlemcileri kullanarak ürünleri ve müşterileri sorunsuz bir şekilde takip etme.
• Otonom Drone'lar: Düşük FLOP'lu mimarilerin pil ömrünü korurken güçlü küçük nesne algılama sağlaması.
• Dinamik Projeler: Algılama olarak başlayıp daha sonra poz tahmini veya segmentasyon gerektirecek şekilde gelişebilen iş akışları.

Geleceğe Bakış: Bir Sonraki Evrim#

YOLO11 kendi nesli için en ileri teknoloji düzeyini temsil etse de bilgisayarlı görü dünyası ilerlemeye devam ediyor. Yapay zekanın sınırlarını keşfeden kullanıcılar YOLO26 modelini de değerlendirmeli.

İlk olarak YOLOv10 modelinde keşfedilen uçtan uca, NMS içermeyen tasarıma öncülük eden YOLO26, benzeri görülmemiş eğitim kararlılığı için MuSGD optimizer'ı (SGD ve Muon'un hibriti) sunuyor. Dışa aktarımı basitleştirmek için Distribution Focal Loss (DFL) kaldırılırken ProgLoss ve STAL gibi gelişmiş kayıp mekanizmaları sayesinde YOLO26, %43'e kadar daha hızlı CPU çıkarımı sağlıyor. Modern projeler için akademik yenilik ile üretime hazır güvenilirliğin en iyi birleşimini sunar. Ayrıca Ultralytics YOLOv8 gibi eski sistemlerden yükseltme yapan ekipler, birleşik Ultralytics API sayesinde YOLO26 veya YOLO11'e geçişi tamamen sorunsuz gerçekleştirebilir.