YOLOv9 ve YOLO11#
Bilgisayarlı görüdeki hızlı gelişmeler, gerçek zamanlı nesne algılama alanında mümkün olanın sınırlarını sürekli olarak ileri taşıdı. Önde gelen mimariler karşılaştırıldığında YOLOv9 ve Ultralytics YOLO11 öne çıkıyor; her biri farklı teknik ihtiyaçlara yönelik önemli atılımlar sunuyor. YOLOv9, derin ağ eğitimi sırasında gradyan akışını korumanın yeni yollarını getirirken YOLO11, benzersiz verimliliği, çok yönlülüğü ve kullanım kolaylığıyla genel amaçlı görü ekosisteminde devrim yarattı.
Bu kapsamlı teknik karşılaştırma, bir sonraki yapay zekâ projen için en uygun modeli seçmene yardımcı olmak üzere modellerin mimarilerini, performans ölçütlerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını inceliyor.
YOLOv9 ve YOLO11 mükemmel modeller olsa da yeni yayımlanan YOLO26 ileriye yönelik yeni bir atılımı temsil ediyor. Dağıtımı kolaylaştıran uçtan uca, NMS içermeyen bir tasarım; CPU çıkarımında %43'e kadar daha yüksek hız ve hızlı yakınsama sağlayan yenilikçi MuSGD optimizer sunuyor. Yeni üretim projelerinin tümü için YOLO26 önemle tavsiye edilir.
Teknik Özellikler ve Yazarlar#
Bu modellerin kökenini anlamak, mimari tercihler ve framework bağımlılıkları için gerekli bağlamı sağlar.
YOLOv9#
YOLOv9, özel ağ blokları aracılığıyla özelliklerin aslına uygunluğunu en üst düzeye çıkarmaya öncelik vererek derin öğrenmedeki bilgi darboğazlarına güçlü bir akademik odak getirdi.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- 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, üst düzey doğruluk, gerçek dünyadaki dağıtım hızı ve çoklu görev esnekliği arasında denge kurmaya odaklanarak en başından üretim ortamları için tasarlandı.
- 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 sunar. Sinir ağları derinleştikçe, ileri beslemeli süreçte önemli ayrıntıların kaybolduğu bilgi darboğazları ortaya çıkabilir. PGI, ince ayrıntılı uzamsal bilgileri koruyan güvenilir gradyan güncellemeleri sağlayarak bu sorunu ele alırken GELAN parametre verimliliğini en üst düzeye çıkarır. Bu, YOLOv9'u özelliklerin aslına uygunluğunu gerektiren görevlerde özellikle başarılı kılar; ancak model, son işlem aşamasında standart Maksimum Olmayan Bastırma (NMS) yöntemine dayanır ve bu da uç cihazlarda gecikmeye yol açabilir.
YOLO11 ile Verimli ve Basit Kullanım#
YOLO11, son derece optimize edilmiş bir mimari sunmak için yılların temel araştırmalarından yararlanır. Özellik çıkarımını en üst düzeye çıkarırken hesaplama yükünü azaltarak önceki sürümlerden daha iyi sonuç verir. YOLO11, son işlem için hâlâ standart NMS yöntemini kullanır; ancak geliştirilmiş algılama başlıkları gecikme ile hassasiyet arasında olağanüstü bir denge sağlar. Ayrıca YOLO11, eğitimi genellikle daha yavaş olan 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 Ölçütlerinin Karşılaştırması#
Bu modeller standart COCO veri kümesi üzerinde karşılaştırıldığında her ikisi de olağanüstü beceriler sergiliyor; ancak parametre sayısı ve çalışma hızı arasında bazı ödünleşimler ortaya çıkıyor.
Aşağıda YOLO performans ölçütlerinin ayrıntılı dökümü yer alıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Sonuçların Analizi#
- Hız ve Donanım Verimliliği: YOLO11, çıkarım hızında sürekli olarak YOLOv9'u geride bırakıyor. Örneğin YOLO11n, TensorRT kullanarak NVIDIA T4 GPU'da şaşırtıcı biçimde 1,5 ms'de çalışıyor; bu da onu katı gerçek zamanlı işlem hatları için son derece uygun kılıyor.
- Hesaplama Gereksinimleri: YOLO11 modelleri genellikle daha az FLOP gerektirir (ör. YOLO11m için 68,1B, YOLOv9m için 76,8B). Bu, Raspberry Pi veya mobil donanım gibi pille çalışan uç cihazlarda daha düşük güç tüketimi anlamına gelir.
- Doğrulukta Eşdeğerlik: YOLOv9e mutlak mAP değerinde (55,6'ya karşı 54,7) YOLO11x'i az farkla geride bıraksa da YOLO11, en yüksek doğruluk düzeyine belirgin biçimde daha düşük gecikmeyle ulaşır (11,3 ms'ye karşı 16,77 ms). Bu da gerçek dünyadaki dağıtımlar için daha elverişli bir performans dengesi ortaya koyar.
Ekosistem ve Kullanım Kolaylığı#
Ham ölçütler önemli olsa da projenin başarısını çoğu zaman framework ekosistemi belirler. Ultralytics'in Avantajı tam da burada öne çıkar.
Orijinal YOLOv9 deposu, son teknoloji araştırma uygulamaları sunan, son derece özelleşmiş bir kaynaktır. Ancak Ultralytics Platform ve ona karşılık gelen açık kaynaklı paket; basitleştirilmiş bir kullanıcı deneyimi, kolay bir API ve pazara sunma süresini önemli ölçüde kısaltan kapsamlı belgeler sunar.
Çoklu Görev Esnekliği#
YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdaki görevleri yerel olarak destekleyen bütünleşik bir çoklu görev çözümüdür:
Sorunsuz Dağıtım#
Ultralytics ekosistemini kullanmak, geliştiricilerin çeşitli biçimlerde sorunsuzca modelleri dışa aktarmasını tek satır Python koduyla mümkün kılar. Hedefin ONNX, OpenVINO, LiteRT veya CoreML olsun, eğitimden üretime geçiş zahmetsizdir.
from ultralytics import YOLO
# Yüksek verimli bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")
# Özel bir veri kümesinde en az bellek kullanarak hızla eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli, Intel CPU hızlandırması için OpenVINO'ya aktar
model.export(format="openvino")İdeal Kullanım Alanları#
YOLOv9'u Ne Zaman Kullanmalı?#
YOLOv9; araştırma odaklı ortamlar veya donanım gecikmesinin birincil kısıt olmadığı, özelliklerin aslına uygunluğunun en üst düzeyde tutulmasının amaçlandığı senaryolar için harika bir araçtır. GELAN mimarisi, en küçük piksel farklılıklarının bile önemli olduğu tıbbi görüntü analizi alanında büyük avantaj sağlayabilir.
YOLO11 Neden Daha İyi Bir Seçenek?#
Geliştiriciler, mühendisler ve üretim ekipleri için YOLO11 önemle tavsiye edilir. Yüksek hızlı ve ölçeklenebilir dağıtım gerektiren ortamlarda öne çıkar:
- Akıllı Perakende Analitiği: Standart Intel işlemcileri kullanarak ürünleri ve müşterileri sorunsuzca takip etme.
- Otonom Dronlar: Düşük FLOP gerektiren mimarilerin, güvenilir küçük nesne algılama sağlarken pil ömrünü koruduğu kullanım alanları.
- Değişken Projeler: Algılama ile başlayıp sonrasında poz tahmini veya segmentasyon gerektirecek şekilde gelişebilen iş akışları.
İleriye Bakış: Bir Sonraki Gelişim#
YOLO11 kendi nesli için son teknolojiyi temsil etse de bilgisayarlı görü alanı gelişmeye devam ediyor. Yapay zekânın sınırlarını araştıran kullanıcılar YOLO26 modelini de incelemeli.
İlk olarak YOLOv10 ile araştırılan uçtan uca, NMS içermeyen tasarıma öncülük eden YOLO26, benzeri görülmemiş eğitim kararlılığı için MuSGD optimizer'ı (SGD ile Muon'un birleşimi) sunuyor. Dışa aktarımı kolaylaştırmak için Dağılım Odaklı Kaybı (DFL) kaldıran ve ProgLoss ile STAL gibi gelişmiş kayıp mekanizmaları kullanan YOLO26, CPU çıkarımını %43'e kadar hızlandırıyor. Günümüz projeleri için akademik yenilik ile üretime hazır güvenilirliği bir araya getiren ideal çözümü sunuyor. Ayrıca Ultralytics YOLOv8 gibi eski sistemlerden yükseltme yapan ekipler, birleşik Ultralytics API'si sayesinde YOLO26 veya YOLO11'e sorunsuzca geçebilir.