YOLOv9 ve YOLO26#

Gerçek zamanlı nesne algılama alanı son birkaç yılda önemli ölçüde gelişti. Makine öğrenimi uygulayıcıları modelleri çeşitli donanımlarda dağıtmayı hedeflerken doğru mimariyi seçmek kritik önem taşıyor. Bu kapsamlı teknik kılavuzda, bilgisayarlı görü alanındaki iki önemli dönüm noktasını karşılaştırıyoruz: gradyan yolu optimizasyonlarına odaklanılarak 2024'ün başlarında tanıtılan YOLOv9 ve 2026'nın başlarında yayımlanan, uç cihaz çıkarımını ve eğitim kararlılığını tamamen yeniden tanımlayan en güncel teknoloji ürünü çerçeve Ultralytics YOLO26.

Yönetici Özeti: Model Soyu ve Yazarlık#

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

YOLOv9#

Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Model, özellikle derin evrişimli sinir ağlarındaki (CNNs) bilgi darboğazı sorununu ele alarak teorik derin öğrenme kavramlarına büyük ölçüde odaklanır.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLO26#

Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen YOLO26, 14 Ocak 2026'da yayımlandı. YOLO11 ve YOLOv8 gibi önceki modellerin büyük başarısı üzerine inşa edilen YOLO26; üretime hazır olmayı, uç dağıtımı ve yerel uçtan uca verimliliği önceliklendirmek üzere sıfırdan tasarlandı.

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 başlıca katkısı, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) kavramlarının tanıtılmasıdır. Sinir ağları derinleştikçe ileri besleme sürecinde sıklıkla bilgi kaybı yaşar. PGI, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğru ve güvenilir kalmasını sağlayarak GELAN mimarisinin daha az parametreyle yüksek doğruluk elde etmesine olanak tanır.

Bununla birlikte YOLOv9, gerçek dünya çıkarımı sırasında gecikme darboğazına dönüşebilen, işlem sonrası için büyük ölçüde geleneksel Maksimum Olmayan Bastırma'ya (NMS) dayanır.

YOLO26'nın Uç Öncelikli Mimarisi#

YOLO26, eğitimden gerçek zamanlı dağıtıma kadar tüm işlem hattını optimize ederek kökten farklı bir yaklaşım benimser. İlk olarak YOLOv10 ile öncülüğü yapılan Uçtan Uca NMS'siz Tasarım üzerine inşa edilir ve işlem sonrası NMS gereksinimini tamamen ortadan kaldırır. Bu, son derece düşük gecikmeyle sonuçlanır ve modeli Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için büyük ölçüde optimize eder.

Ayrıca YOLO26, Dağılımsal Odak Kayıbını (DFL) tamamen kaldırır. Bu yapısal değişiklik, modelin ONNX'e aktarılmasını basitleştirir ve düşük güçlü mikrodenetleyicilerle çok daha iyi uyumluluk sağlar.

Eğitim aşamasında YOLO26, Stokastik Gradyan İnişi ile Muon'un birleşimi olan yeni MuSGD Optimize Edicisini entegre eder (Moonshot AI'ın Kimi K2'sini eğitme yöntemlerinden esinlenilmiştir). Bu yaklaşım, Büyük Dil Modeli (LLM) eğitim yenilikleri ile bilgisayarlı görü arasındaki boşluğu kapatarak çok daha kararlı eğitim ve daha hızlı yakınsama süreleri sunar.

Performans ve Metrik Karşılaştırması#

Yaygın olarak kullanılan COCO veri kümesi üzerinde kıyaslama yapıldığında her iki model de olağanüstü yetenekler sergiliyor, ancak Ultralytics ekosistemi pratik çıkarım hızları ve parametre verimliliğiyle öne çıkıyor.

Sonuçların Analizi#

• Hız ve Verimlilik: YOLO26, NMS'siz bir mimari ve basitleştirilmiş kayıp fonksiyonları kullandığından eski mimarilere kıyasla CPU çıkarımında %43'e kadar daha hızlıdır. YOLO26n modeli, TensorRT kullanarak NVIDIA T4 GPU üzerinde 1,7 ms gibi baş döndürücü bir sürede çalışır ve bu da onu gerçek zamanlı video akışları için ideal seçenek haline getirir.
• Doğruluk: YOLO26x modeli, daha düşük gecikmeyi korurken en büyük YOLOv9e modelini geride bırakarak eşi benzeri görülmemiş 57,5 mAP değerine ulaşır.
• Bellek Gereksinimleri: Ultralytics modelleri verimlilikleriyle bilinir. YOLO26, karmaşık Transformer tabanlı görü modellerine kıyasla model eğitimi ve çıkarım sırasında çok daha az CUDA belleği gerektirir; böylece geliştiricilerin tüketici sınıfı donanımlarda daha büyük batch boyutlarından yararlanmasına olanak tanır.

Ekosistem, Kullanım Kolaylığı ve Çok Yönlülük#

Ultralytics ekosisteminin gerçek gücü kullanıcı deneyiminde yatar. YOLOv9 GitHub kod tabanını kullanan araştırmacıların karmaşık ortam kurulumları ve manuel betiklerle uğraşması gerekirken YOLO26, sezgisel Ultralytics Python API'sine tamamen entegre edilmiştir.

Basitleştirilmiş API Örneği#

En güncel teknoloji ürünü bir YOLO26 modelini eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

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")

Eşsiz Görev Çok Yönlülüğü#

Öncelikle standart nesne algılama için tasarlanan YOLOv9'un aksine YOLO26, çok çeşitli bilgisayarlı görü görevlerini kutudan çıktığı hâliyle yerel olarak destekler. Mimari, çeşitli uygulamalar için özel geliştirmeler içerir:

• Örnek Segmentasyonu: Kusursuz piksel düzeyinde maskeler için özel bir anlamsal segmentasyon kaybı ve çok ölçekli proto içerir.
• Poz Tahmini: İskelet anahtar noktalarını olağanüstü hassasiyetle izlemek için Artık Log-Olasılık Tahmini'ni (RLE) entegre eder.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Havadan çekilmiş görüntülerde döndürülmüş nesne algılamasındaki sınır sorunlarını çözmek üzere özel olarak tasarlanmış bir açı kaybı fonksiyonu içerir.
• Görüntü Sınıflandırma: ImageNet standartlarına dayalı olarak tüm görüntüler için sağlam kategorilendirme sunar.

Gerçek Dünya Uygulamaları#

Bu modeller arasındaki seçim çoğunlukla dağıtılacakları ortama bağlıdır.

IoT ve Uç Robotik#

Robotik, otonom dronlar ve akıllı ev IoT cihazları için YOLO26 tartışmasız şampiyondur. ProgLoss + STAL entegrasyonu, yüksek irtifalı dronlarla yapılan tarımsal izleme için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar. %43 daha hızlı CPU çıkarımı ve NMS'siz tasarımıyla bir araya geldiğinde YOLO26, özel GPU'lar içermeyen donanımlarda akıcı biçimde çalışabilir.

Akademik Araştırma ve Gradyan Analizi#

YOLOv9, akademik çevrelerde saygınlığını koruyan bir modeldir. Gradyan akışının teorik sınırlarını araştıran veya PGI kavramına dayalı özel PyTorch katmanları oluşturmak isteyen araştırmacılar, YOLOv9'un kod tabanını derin öğrenme teorisini keşfetmek için mükemmel bir temel olarak değerlendirecektir.

Yüksek Hızlı Üretim İşlem Hatları#

Yüksek hızlı konveyör bantlarında otomatik kusur algılama gibi endüstriyel ortamlarda YOLO26 modellerinin son derece hızlı TensorRT performansı, hiçbir karenin atlanmamasını sağlayarak kalite güvence sistemlerinin verimini en üst düzeye çıkarır.

Kullanım Alanları ve Öneriler#

YOLOv9 ve YOLO26 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için güçlü bir seçenektir:

• Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için önerilir:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

Her iki model de açık kaynak topluluğu için inanılmaz ilerlemeleri temsil ediyor. YOLOv9, gradyan akışına gelecekte yıllarca mimarilere ilham verecek önemli teorik iyileştirmeler getirdi. Ancak kusursuz hız, doğruluk ve dağıtım kolaylığı dengesi arayan modern geliştiriciler, startup'lar ve kurumsal ekipler için Ultralytics YOLO26 açıkça önerilen seçenektir.

YOLO26, NMS'yi ortadan kaldırarak, güçlü MuSGD optimize edicisini tanıtarak ve algılama, segmentasyon ve poz görevlerinde benzersiz bir araç paketi sunarak bilgisayarlı görü projelerinin bugün mevcut olan en güvenilir ve geleceğe hazır çerçeve üzerine kurulmasını sağlar.