Link to this sectionYOLOv9 ile YOLO11 karşılaştırması#
Bilgisayarlı görüdeki hızlı gelişim, gerçek zamanlı nesne algılama alanında mümkün olanın sınırlarını sürekli zorluyor. Önde gelen mimarileri karşılaştırdığımızda, YOLOv9 ve Ultralytics YOLO11, her biri farklı teknik ihtiyaçlara hizmet eden devrim niteliğindeki adımlar olarak öne çıkıyor. YOLOv9, derin ağ eğitimi sırasında gradyan akışını korumak için yeni yöntemler sunarken, YOLO11 benzersiz verimliliği, çok yönlülüğü ve kullanım kolaylığı ile genel amaçlı görü ekosisteminde devrim yarattı.
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 olsalar da, yeni piyasaya sürülen YOLO26 bir sonraki büyük adımı temsil ediyor. Basitleştirilmiş dağıtım için uçtan uca NMS-free tasarım, %43'e varan daha hızlı CPU çıkarımı ve hızlı yakınsama için yenilikçi MuSGD optimize edici özelliklerini içeriyor. Tüm yeni üretim projeleri için YOLO26 şiddetle önerilir.
Link to this sectionTeknik Özellikler ve Yazarlık#
Bu modellerin geçmişini anlamak, mimari kararları ve çerçeve bağımlılıkları için temel bir bağlam sağlar.
Link to this sectionYOLOv9#
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
Link to this sectionUltralytics 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
Link to this sectionMimari Yenilikler#
Link to this sectionYOLOv9'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.
Link to this sectionYOLO11'de Modernize Edilmiş Verimlilik#
YOLO11, son derece optimize edilmiş bir mimari sunmak için yılların temel araştırmalarının üzerine inşa edilmiştir. Önceki yinelemelerin üzerine, hesaplama yükünü azaltırken özellik çıkarımını maksimize ederek geliştirmeler yapar. CPU performansını darboğaza sokan geleneksel NMS hatlarının aksine, YOLO11, gecikme ve hassasiyet arasında inanılmaz bir denge sağlayan geliştirilmiş tespit başlıkları kullanır. Ayrıca YOLO11, hem model eğitimi hem de çıkarım sırasında, genellikle eğitilmesi daha yavaş olan ve muazzam miktarda CUDA belleği gerektiren ağır Transformer modellerine kıyasla doğal olarak daha düşük bellek kullanımıyla öne çıkar.
Link to this sectionPerformans Metrikleri Karşılaştırması#
Bu modelleri standart COCO dataset üzerinde karşılaştırdığımızda her ikisi de inanılmaz yetenekler sergiler, ancak ham parametre sayısı ile çalışma hızı 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 |
Link to this sectionSonuçların Analizi#
- Speed and Hardware Efficiency: YOLO11 consistently outperforms YOLOv9 in inference speed. For example, the YOLO11n achieves an astonishing 1.5ms on an NVIDIA T4 GPU using TensorRT, making it incredibly viable for strict real-time pipelines.
- Hesaplama Gereksinimleri: YOLO11 modelleri genellikle daha az FLOP gerektirir (örneğin YOLO11m için 68.0B'ye karşı YOLOv9m için 76.3B), bu da Raspberry Pi gibi pille çalışan uç cihazlarda veya mobil donanımlarda 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.
Link to this sectionEkosistem ve Kullanım Kolaylığı#
Ham metrikler önemli olsa da, çerçeve ekosistemi genellikle proje başarısını belirler. İşte Ultralytics Avantajı tam olarak burada parlar.
Orijinal YOLOv9 deposu, en son araştırma uygulamalarını sunan oldukça uzmanlaşmış bir depodur. Ancak Ultralytics Platform ve buna karşılık gelen açık kaynaklı paket; akıcı bir kullanıcı deneyimi, basit bir API ve pazara sunma süresini ciddi ölçüde azaltan kapsamlı dokümantasyon sunar.
Link to this sectionÇok Görevli Çok Yönlülük#
YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdakileri yerel olarak destekleyen birleşik, çok görevli bir güç merkezidir:
Link to this sectionKesintisiz Dağıtım#
Using the Ultralytics ecosystem allows developers to seamlessly export models to an array of formats with a single line of Python code. Whether targeting ONNX, OpenVINO, TFLite, or CoreML, the transition from training to production is effortless.
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")Link to this sectionİdeal Kullanım Senaryoları#
Link to this sectionYOLOv9 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.
Link to this sectionNeden 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 standard processors kullanarak ürünleri ve müşterileri sorunsuz bir şekilde takip etmek.
- Otonom Drone'lar: Düşük FLOP mimarilerinin, küçük nesne algılamada sağlam sonuçlar verirken pil ömrünü koruduğu yerlerde.
- Dinamik Projeler: Algılama olarak başlayıp daha sonra poz tahmini veya segmentasyon gerektirecek şekilde evrilen iş akışları.
Link to this sectionGeleceğe Bakış: Bir Sonraki Evrim#
YOLO11 kendi nesli için en son teknolojiyi temsil etse de, bilgisayarlı görü alanı ilerlemeye devam ediyor. Yapay zekanın sınırlarını keşfeden kullanıcılar YOLO26'ya da bakmalıdır.
İlk olarak YOLOv10 içinde keşfedilen uçtan uca NMS-free tasarımın öncülüğünü yapan YOLO26, eşi görülmemiş bir eğitim kararlılığı için MuSGD optimize ediciyi (SGD ve Muon hibriti) sunar. Dışa aktarımı basitleştirmek için Distribution Focal Loss (DFL) kaldırılmış ve ProgLoss ve STAL gibi gelişmiş kayıp mekanizmalarıyla YOLO26, %43'e varan daha hızlı CPU çıkarımı sağlar. Modern projeler için akademik yenilik ve üretime hazır güvenilirliğin nihai birleşimini sunar. Ayrıca Ultralytics YOLOv8 gibi eski sistemlerden yükseltme yapan ekipler, birleşik Ultralytics API sayesinde YOLO26 veya YOLO11'e geçişin tamamen sorunsuz olduğunu görecekler.