YOLOv9 ve YOLO11: Modern Nesne Algılamaya Teknik Bir Bakış
Bilgisayarlı görüdeki hızlı gelişim, gerçek zamanlı nesne algılama alanında mümkün olanın sınırlarını sürekli zorluyor. Lider mimarileri karşılaştırdığımızda, YOLOv9 ve Ultralytics YOLO11, her biri farklı teknik ihtiyaçlara hizmet eden anıtsal ilerlemeler olarak öne çıkıyor. YOLOv9, derin ağ eğitimi sırasında gradyan akışını korumak için yeni yollar sunarken, YOLO11 eşsiz 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 amacıyla mimarilerini, performans metriklerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını analiz ediyor.
YOLOv9 ve YOLO11 mükemmel modeller olsa da, yeni çıkan YOLO26 bir sonraki büyük adımı temsil ediyor. Basitleştirilmiş dağıtım için uçtan uca NMS içermeyen bir tasarım, %43'e kadar daha hızlı CPU çıkarımı ve hızlı yakınsama için yenilikçi MuSGD optimize edici özelliklerini içeriyor. Tüm yeni üretim projeleri için YOLO26 şiddetle önerilir.
Teknik Özellikler ve Yazarlık
Bu modellerin geçmişini anlamak, mimari kararları ve çerçeve bağımlılıkları için gerekli bağlamı sağlar.
YOLOv9
YOLOv9, derin öğrenme bilgi darboğazlarına yönelik güçlü bir akademik odak getirerek, özel ağ blokları aracılığıyla maksimum özellik sadakatine büyük öncelik verdi.
- 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 temelden tasarlandı.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Organizasyon: Ultralytics
- Tarih: 27 Eylül 2024
- GitHub: https://github.com/ultralytics/ultralytics
YOLO11 hakkında daha fazla bilgi edin
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, genellikle ileri besleme sürecinde kritik detayların kaybolduğu bilgi darboğazlarından muzdarip olurlar. PGI, ince taneli uzamsal bilgileri koruyan güvenilir gradyan güncellemeleri sağlayarak bunu çözerken, GELAN parametre verimliliğini maksimize eder. Bu, YOLOv9'u yüksek özellik sadakati gerektiren görevlerde özellikle yetenekli kılar, ancak işlem sonrası süreçte kenar cihazlarda gecikmeye neden olabilen standart NMS'ye (Non-Maximum Suppression) dayanır.
YOLO11'de Sadeleştirilmiş Verimlilik
YOLO11 builds on years of foundational research to deliver a highly optimized architecture. It improves upon previous iterations by reducing computational overhead while maximizing feature extraction. Unlike traditional NMS pipelines that bottleneck CPU performance, YOLO11 uses refined detection heads that achieve an incredible balance between latency and precision. Furthermore, YOLO11 boasts inherently lower memory usage during both model training and inference compared to heavy Transformer models, which are often slower to train and require massive amounts of CUDA memory.
Performans Metrikleri Karşılaştırması
Bu modelleri standart COCO dataset üzerinde karşılaştırdığımızda, her ikisi de inanılmaz yetenekler sergiliyor, ancak ham parametre sayısı ile operasyonel hız arasında ödünleşimler ortaya çıkıyor.
Aşağıda YOLO Performans Metrikleri hakkında detaylı bir döküm yer almaktadır.
| 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 | 7.1 | 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
- 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 veya mobil donanım gibi pille çalışan uç cihazlarda daha düşük güç tüketimi anlamına gelir.
- Doğruluk Eşitliği: YOLOv9e mutlak mAP'de YOLO11x'i biraz geride bıraksa da (55.6'ya karşı 54.7), YOLO11 önemli ölçüde daha az gecikmeyle (11.3ms'ye karşı 16.77ms) zirve doğruluğuna ulaşır ve 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. Ultralytics Avantajı'nın gerçekten parladığı nokta burasıdır.
Orijinal YOLOv9 deposu oldukça özelleşmiştir ve en son teknoloji araştırma uygulamaları sunar. Bununla birlikte, Ultralytics Platform ve ilgili açık kaynak paketi, pazara sunma süresini ciddi ölçüde azaltan sadeleştirilmiş bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunar.
Çoklu Görev Çok Yönlülüğü
YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdakileri yerel olarak destekleyen birleşik, çok görevli bir güç merkezidir:
Sorunsuz 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")İdeal Kullanım Durumları
YOLOv9 Ne Zaman Kullanılmalı
YOLOv9, donanım gecikmesinin birincil kısıtlaması olmadığı, araştırmaya odaklı ortamlar veya aşırı özellik sadakatine öncelik veren senaryolar için harika bir araçtır. GELAN mimarisi, en küçük piksel değişimlerini algılamanın hayati önem taşıdığı tıbbi görüntüleme analizinde çok avantajlı olabilir.
Neden YOLO11 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 standart işlemciler kullanarak ürünleri ve müşterileri sorunsuz bir şekilde takip etme.
- Otonom Drone'lar: Düşük FLOP mimarilerinin pil ömrünü korurken sağlam küçük nesne algılama performansı sunduğu yerler.
- Dinamik Projeler: Başlangıçta algılama olarak başlayıp daha sonra poz tahmini veya segmentasyon gerektirecek şekilde evrilen iş akışları.
Geleceğe Bakış: Bir Sonraki Evrim
YOLO11 nesli için en son teknolojiyi temsil etse de, bilgisayarlı görü dünyası ilerlemeye devam ediyor. Yapay zekanın sınırlarını keşfeden kullanıcılar YOLO26'ya da bakmalıdır.
İlk olarak YOLOv10'da keşfedilen uçtan uca NMS içermeyen tasarımın öncülüğünü yapan YOLO26, eşi benzeri görülmemiş eğitim kararlılığı için MuSGD optimize edicisini (SGD ve Muon'un bir melezi) sunuyor. Dışa aktarmayı basitleştirmek için Distribution Focal Loss (DFL) kaldırılmış ve ProgLoss ve STAL gibi gelişmiş kayıp mekanizmaları eklenmiştir; YOLO26 %43'e kadar 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 geçişi tamamen sorunsuz bulacaklardır.