YOLOv9 ile YOLO26 karşılaştırması#

Gerçek zamanlı object detection alanı son birkaç yılda önemli ölçüde gelişti. Makine öğrenimi uzmanları modelleri çeşitli donanımlarda dağıtmayı amaçlarken doğru mimariyi seçmek çok önemlidir. Bu kapsamlı teknik kılavuzda, bilgisayarlı görü alanındaki iki büyük milestonu karşılaştırıyoruz: Gradyan yolu optimizasyonlarına odaklanarak 2024'ün başlarında tanıtılan YOLOv9 ve uç cihaz çıkarımını ve eğitim kararlılığını tamamen yeniden tanımlayan, 2026'nın başlarında yayınlanan en son son teknoloji çerçeve Ultralytics YOLO26.

Yönetici Özeti: Model Soy ağacı ve Yazarlık#

Bu derin öğrenme modellerinin kökenlerini anlamak, mimari tasarım tercihleri ve hedef kitleleri konusunda değerli bir bağlam sağlar.

YOLOv9#

Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından yazılan YOLOv9, 21 Şubat 2024'te yayınlandı. Model, teorik derin öğrenme kavramlarına, özellikle de derin evrişimli sinir ağlarındaki (CNN) bilgi darboğazı sorununa büyük ölçüde odaklanmaktadır.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLO26#

Ultralytics şirketinden Glenn Jocher ve Jing Qiu tarafından yazılan YOLO26, 14 Ocak 2026'da yayınlandı. YOLO11 ve YOLOv8 gibi öncüllerinin devasa başarısının üzerine inşa edilen YOLO26, üretime hazırlığı, uç dağıtımı ve yerel uçtan uca verimliliği önceliklendirmek için sıfırdan tasarlanmıştır.

YOLO26 hakkında daha fazla bilgi edin

Mimari Yenilikler#

Her iki model de sinir ağlarının görsel verileri işleme biçiminde çığır açan değişiklikler sunuyor ancak soruna farklı açılardan yaklaşıyorlar.

YOLOv9'da Programlanabilir Gradyan Bilgisi#

YOLOv9'un alana sunduğu başlıca katkı, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) entegrasyonudur. Sinir ağları derinleştikçe, ileri besleme sürecinde genellikle bilgi kaybı yaşarlar. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğru ve güvenilir kalmasını sağlayarak GELAN architecture bileşeninin daha az parametreyle yüksek doğruluk elde etmesine olanak tanır.

Bununla birlikte, YOLOv9 işlem sonrası süreçte yoğun bir şekilde geleneksel NMS'ye (Non-Maximum Suppression) güvenir, bu da gerçek dünya çıkarımı sırasında bir gecikme darboğazı haline gelebilir.

YOLO26'nın Uç Öncelikli Mimarisi#

YOLO26, eğitimden gerçek zamanlı dağıtıma kadar tüm süreci optimize ederek tamamen farklı bir yaklaşım benimser. YOLOv10 ile öncülük edilen Uçtan Uca NMS İçermeyen Tasarım (End-to-End NMS-Free Design) üzerine inşa edilmiş olup NMS son işlem ihtiyacını tamamen ortadan kaldırır. Bu, inanılmaz derecede düşük gecikme süresi sağlayarak modeli Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için son derece optimize edilmiş hale getirir.

Ayrıca YOLO26, Dağılım Odak Kaybı'nı (DFL) tamamen kaldırır. Bu yapısal değişiklik, modelin exporting to ONNX işlemini basitleştirir ve düşük güçlü mikrodenetleyicilerle önemli ölçüde daha iyi uyumluluk sağlar.

Eğitim aşaması için YOLO26, Stochastic Gradient Descent ile Muon'un (Moonshot AI'nın Kimi K2'sinin LLM eğitim metodolojilerinden esinlenilmiştir) bir melez olan yeni MuSGD Optimizer bileşenini entegre eder. Bu, Büyük Dil Modeli (LLM) eğitim yenilikleri ile bilgisayarlı görü arasındaki boşluğu kapatarak çok daha kararlı bir eğitim ve daha hızlı yakınsama süreleri sunar.

Performans ve Metrik Karşılaştırması#

Yaygın olarak kullanılan COCO dataset üzerinde kıyaslama yapıldığında, her iki model de olağanüstü yetenekler sergiler, ancak Ultralytics ekosistemi pratik çıkarım hızları ve parametre verimliliğinde öne çıkar.

Sonuçların Analizi#

• Hız ve Verimlilik: YOLO26, NMS içermeyen bir mimari ve basitleştirilmiş kayıp fonksiyonları kullandığından, eski mimarilere kıyasla %43'e kadar daha hızlı CPU çıkarımı sunar. YOLO26n modeli, TensorRT kullanarak bir NVIDIA T4 GPU üzerinde göz açıp kapayıncaya kadar 1.7 ms'de çalışır ve bu da onu gerçek zamanlı video akışları için mükemmel bir seçim haline getirir.
• Doğruluk: YOLO26x modeli, en büyük YOLOv9e modelinden daha iyi performans gösterirken daha düşük gecikmeyi koruyarak eşsiz bir 57,5 mAP puanına ulaşır.
• Bellek Gereksinimleri: Ultralytics modelleri verimlilikleriyle bilinir. YOLO26, karmaşık transformer-based vision models ile karşılaştırıldığında model training ve çıkarım sırasında önemli ölçüde daha az CUDA belleği gerektirir, böylece geliştiricilerin tüketici sınıfı donanımlarda daha büyük grup boyutları kullanmasına olanak tanır.

Ekosistem, Kullanım Kolaylığı ve Çok Yönlülük#

Ultralytics ekosisteminin gerçek gücü kullanıcı deneyiminde yatar. YOLOv9 GitHub codebase kullanan araştırmacılar karmaşık ortam kurulumları ve manuel betiklerle uğraşmak zorundayken, YOLO26 sezgisel Ultralytics Python API ile tamamen entegredir.

Kolaylaştırılmış API Örneği#

Son teknoloji bir YOLO26 modelini eğitmek sadece birkaç satır Python code gerektirir:

from ultralytics import YOLO

# Load the latest native end-to-end YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the default MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export natively to ONNX format in a single command
model.export(format="onnx")

Benzersiz Görev Çok Yönlülüğü#

Öncelikle standart nesne tespiti için uyarlanmış olan YOLOv9'un aksine, YOLO26 kutudan çıktığı gibi çok çeşitli computer vision tasks desteğini doğal olarak sunar. Mimari, çeşitli uygulamalar için özel geliştirmeler içerir:

• Instance Segmentation: Kusursuz piksel düzeyinde maskeler için özel bir anlamsal segmentasyon kaybı ve çok ölçekli proto içerir.
• Pose Estimation: İskelet anahtar noktalarını aşırı hassasiyetle takip etmek için Artık Log-Olabilirlik Tahmini'ni (RLE) entegre eder.
• Oriented Bounding Boxes (OBB): Hava görüntülerinde döndürülmüş nesne tespitindeki sınır sorunlarını çözmek için özel olarak tasarlanmış özel bir açı kaybı fonksiyonu içerir.
• Image Classification: ImageNet standartlarına dayalı tüm görüntüler için sağlam sınıflandırma.

Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle dağıtılacakları ortama bağlıdır.

IoT ve Uçta Robotik#

Robotik, otonom dronlar ve akıllı ev IoT cihazları için YOLO26, tartışmasız liderdir. ProgLoss + STAL entegrasyonu, yüksek irtifa dronlarından yapılan agricultural monitoring için kritik olan küçük nesne tanıma konusunda belirgin iyileştirmeler getirir. %43 daha hızlı CPU çıkarımı ve NMS içermeyen tasarımıyla birleştiğinde YOLO26, özel GPU'lara ihtiyaç duymadan donanım üzerinde akıcı bir şekilde çalışabilir.

Akademik Araştırma ve Gradyan Analizi#

YOLOv9, akademik çevrelerde oldukça saygın bir model olmaya devam etmektedir. Gradyan akışının teorik sınırlarını araştıran veya PGI konseptine dayanarak özel PyTorch katmanları oluşturmak isteyen araştırmacılar, YOLOv9 kod tabanını derin öğrenme teorisi keşfi için mükemmel bir temel olarak bulacaklardır.

Yüksek Hızlı Üretim Hatları#

Yüksek hızlı konveyör bantları üzerinde otomatik defect detection gibi endüstriyel ortamlarda, YOLO26 modellerinin göz kamaştırıcı derecede hızlı TensorRT hızları, hiçbir karenin kaçırılmamasını sağlayarak kalite güvence sistemlerinin verimini en üst düzeye çıkarır.

Kullanım Durumları ve Öneriler#

YOLOv9 ile YOLO26 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için güçlü bir seçimdir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Ne Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için önerilir:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

Her iki model de açık kaynak topluluğu için inanılmaz ileriye dönük sıçramaları temsil ediyor. YOLOv9, gelecek yıllarda mimarilere ilham verecek olan gradyan akışına yönelik hayati teorik iyileştirmeler sundu. Ancak hız, doğruluk ve dağıtım kolaylığının kusursuz bir dengesini arayan modern geliştiriciler, girişimler ve kurumsal ekipler için tavsiyemiz net bir şekilde Ultralytics YOLO26'dır.

NMS'yi ortadan kaldırarak, güçlü MuSGD optimize ediciyi getirerek ve tespit, segmentasyon ve poz görevlerinde benzersiz bir araç paketi sağlayarak YOLO26, bilgisayarlı görü projelerinin günümüzde mevcut olan en güvenilir ve geleceğe hazır çerçeve üzerine inşa edilmesini sağlar.