YOLOv9 ile YOLO11 karşılaştırması#
Bilgisayarlı görü alanındaki hızlı evrim, gerçek zamanlı nesne algılama alanında mümkün olanın sınırlarını sürekli olarak zorlamıştır. Önde gelen mimariler karşılaştırıldığında, YOLOv9 ve Ultralytics YOLO11, her biri farklı teknik ihtiyaçlara hizmet eden anıtsal sıçramalar olarak öne çıkmaktadır. YOLOv9, derin ağ eğitimi sırasında gradyan akışını korumak için yeni yöntemler sunarken, YOLO11 rakipsiz verimlilik, çok yönlülük ve kullanım kolaylığı ile genel amaçlı görü ekosisteminde devrim yaratmıştır.
Bu kapsamlı teknik karşılaştırma; bir sonraki yapay zeka projen için en uygun modeli seçmene yardımcı olmak adına mimarilerini, performans metriklerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını analiz ediyor.
YOLOv9 ve YOLO11 mükemmel modeller olsa da, yeni piyasaya sürülen YOLO26 bir sonraki büyük sıçramayı temsil etmektedir. Basitleştirilmiş dağıtım için uçtan uca NMS içermeyen bir tasarıma, %43'e varan daha hızlı CPU çıkarımına ve hızlı yakınsama için yenilikçi MuSGD optimizasyonuna sahiptir. Tüm yeni üretim projeleri için YOLO26 şiddetle tavsiye edilir.
Teknik Özellikler ve Yazarlık#
Bu modellerin geçmişini anlamak, mimari kararları ve çerçeve bağımlılıkları için temel bir bağlam sağlar.
YOLOv9#
YOLOv9, derin öğrenme bilgi darboğazları konusunda güçlü bir akademik odak getirmiş ve özel ağ blokları aracılığıyla maksimum özellik doğruluğuna büyük öncelik vermiştir.
- 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, üst düzey doğruluk, gerçek dünya dağıtım hızları ve çok görevli çok yönlülük dengesine odaklanarak üretim ortamları için sıfırdan tasarlandı.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 27 Eylül 2024
- GitHub: https://github.com/ultralytics/ultralytics
YOLO11 hakkında daha fazla bilgi edinin
Mimari Yenilikler#
YOLOv9'da Programlanabilir Gradyan Bilgisi#
YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte Programlanabilir Gradyan Bilgisi (PGI) kavramını sunar. Sinir ağları derinleştikçe, ileri besleme sürecinde kritik detayların kaybolduğu bilgi darboğazlarından muzdarip olurlar. PGI, ince ayrıntılı uzamsal bilgiyi koruyan güvenilir gradyan güncellemeleri sağlayarak bunu çözerken, GELAN parametre verimliliğini maksimize eder. Bu, YOLOv9'u yüksek özellik doğruluğu gerektiren görevlerde özellikle usta kılar, ancak işlem sonrası süreçte kenar cihazlarda gecikmeye neden olabilen standart Non-Maximum Suppression (NMS) mekanizmasına dayanır.
YOLO11'de Modernize Edilmiş Verimlilik#
YOLO11, son derece optimize edilmiş bir mimari sunmak için yıllara dayanan temel araştırmaların üzerine inşa edilmiştir. Hesaplama yükünü azaltırken özellik çıkarımını maksimize ederek önceki yinelemeleri geliştirir. CPU performansını dar boğaza sokan geleneksel NMS boru hatlarının aksine YOLO11, gecikme ve hassasiyet arasında inanılmaz bir denge sağlayan gelişmiş algılama başlıkları kullanır. Dahası YOLO11, eğitilmesi genellikle daha yavaş olan ve devasa miktarlarda CUDA belleği gerektiren ağır Transformer modellerine kıyasla hem model training hem de çıkarım sırasında doğası gereği daha düşük bellek kullanımı sunar.
Performans Metrikleri Karşılaştırması#
Bu modeller standart COCO veri kümesi üzerinden karşılaştırıldığında, her ikisi de inanılmaz yetenekler sergiler ancak ham parametre sayısı ile operasyonel hız arasında ödünleşimler ortaya çıkar.
Aşağıda YOLO Performans Metrikleri hakkında ayrıntılı bir döküm bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Sonuçların Analizi#
- Hız ve Donanım Verimliliği: YOLO11, çıkarım hızında YOLOv9'u sürekli olarak geride bırakır. Örneğin YOLO11n, TensorRT kullanarak bir NVIDIA T4 GPU üzerinde şaşırtıcı bir şekilde 1,5 ms elde eder ve bu da onu katı gerçek zamanlı boru hatları için inanılmaz derecede uygulanabilir kılar.
- Hesaplama Gereksinimleri: YOLO11 modelleri genellikle daha az FLOP gerektirir (örneğin YOLO11m için 68.0B'ye karşılık YOLOv9m için 76.3B), bu da Raspberry Pi veya mobil donanım gibi pille çalışan uç cihazlarda daha düşük güç tüketimi anlamına gelir.
- Doğruluk Eşitliği: YOLOv9e, mutlak mAP değerinde YOLO11x'i (55.6'ya karşı 54.7) biraz geride bıraksa da, YOLO11 önemli ölçüde daha az gecikmeyle (11.3ms'ye karşı 16.77ms) en yüksek doğruluğuna ulaşır ve bu da gerçek dünya dağıtımları için daha avantajlı bir performans dengesi sergiler.
Ekosistem ve Kullanım Kolaylığı#
Ham metrikler önemli olsa da, çerçeve ekosistemi genellikle proje başarısını belirler. İşte Ultralytics Avantajı tam olarak burada parlar.
Orijinal YOLOv9 deposu, son teknoloji araştırma uygulaması sunarak oldukça özelleşmiştir. Bununla birlikte Ultralytics Platform ve buna karşılık gelen açık kaynaklı paket, pazara çıkış süresini büyük ölçüde kısaltan akıcı bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunar.
Çok Görevli Çok Yönlülük#
YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdakileri yerel olarak destekleyen birleşik, çok görevli bir güç merkezidir:
Kesintisiz Dağıtım#
Ultralytics ekosistemini kullanmak, geliştiricilerin tek bir Python kod satırıyla modelleri dışarı aktarmasını sorunsuz bir şekilde sağlar. İster ONNX, ister OpenVINO, ister TFLite, ister CoreML hedefliyor ol, 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 Senaryoları#
YOLOv9 Ne Zaman Kullanılmalı#
YOLOv9, araştırma odaklı ortamlar veya donanım gecikmesinin birincil kısıt olmadığı, aşırı özellik doğruluğuna öncelik veren senaryolar için harika bir araçtır. GELAN mimarisi, en küçük piksel değişimlerini algılamanın kritik olduğu tıbbi görüntüleme analizinde oldukça avantajlı olabilir.
Neden YOLO11 Üstün Bir Seçim#
Geliştiriciler, mühendisler ve üretim ekipleri için YOLO11 şiddetle önerilir. Yüksek hızlı, ölçeklenebilir dağıtım gerektiren ortamlarda mükemmeldir:
- Akıllı Perakende Analitiği: Standart Intel standart işlemciler kullanarak ürünleri ve müşterileri sorunsuz bir şekilde takip etme.
- Otonom Drone'lar: Düşük FLOP mimarilerinin, küçük nesne algılamada sağlam sonuçlar verirken pil ömrünü koruduğu yerlerde.
- Dinamik Projeler: Algılama olarak başlayabilen ancak daha sonra poz tahmini veya segmentasyon gerektirecek şekilde evrilebilen iş akışları.
Geleceğe Bakış: Bir Sonraki Evrim#
YOLO11 kendi nesli için en son teknolojiyi temsil etse de, bilgisayarlı görü alanı ilerlemeye devam etmektedir. Yapay zekanın sınırlarını keşfeden kullanıcılar YOLO26 yönüne de bakmalıdır.
İlk olarak YOLOv10 içinde keşfedilen uçtan uca NMS içermeyen tasarımı öncülük eden YOLO26, benzeri görülmemiş eğitim kararlılığı için MuSGD optimizasyonunu (SGD ve Muon'un bir hibriti) sunar. Dışarı aktarmayı basitleştirmek için Dağıtım Odak Kaybı'nın (DFL) kaldırılması ve ProgLoss ve STAL gibi gelişmiş kayıp mekanizmaları ile YOLO26, %43'e varan daha hızlı CPU çıkarımı elde eder. Modern projeler için akademik yenilik ve üretime hazır güvenilirliğin nihai kombinasyonunu sunar. Dahası, Ultralytics YOLOv8 gibi eski sistemlerden yükseltme yapan ekipler, birleşik Ultralytics API sayesinde YOLO26 veya YOLO11'e geçişi tamamen sorunsuz bulacaktır.