Link to this sectionYOLOv9 ile YOLO26 karşılaştırması#

Gerçek zamanlı nesne tespiti dünyası, geçtiğimiz birkaç yıl içinde önemli ölçüde evrim geçirdi. Makine öğrenimi uzmanları modelleri çeşitli donanımlar üzerinde dağıtmayı hedeflerken, doğru mimariyi seçmek kritik öneme sahiptir. Bu kapsamlı teknik rehberde, bilgisayarlı görü alanındaki iki önemli kilometre taşını karşılaştırıyoruz: Gradyan yolu iyileştirmelerine odaklanarak 2024 başlarında tanıtılan YOLOv9 ve uçta çıkarım ile eğitim kararlılığını tamamen yeniden tanımlayan, 2026 başında piyasaya sürülen en yeni ve en gelişmiş çerçeve olan Ultralytics YOLO26.

Link to this sectionYönetici Özeti: Model Soy ağacı ve Yazarlık#

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

Link to this sectionYOLOv9#

Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından hazırlanan YOLOv9, 21 Şubat 2024'te yayınlandı. Model, derin evrişimli sinir ağlarındaki (CNN'ler) bilgi darboğazı sorununu ele alarak teorik derin öğrenme kavramlarına yoğun bir şekilde odaklanıyor.

YOLOv9 hakkında daha fazla bilgi edin

Link to this sectionUltralytics YOLO26#

Ultralytics'ten Glenn Jocher ve Jing Qiu tarafından hazırlanan YOLO26, 14 Ocak 2026'da yayınlandı. YOLO11 ve YOLOv8 gibi seleflerinin büyük başarısının üzerine inşa edilen YOLO26, üretime hazırlığı, uçta dağıtımı ve yerel uçtan uca verimliliği önceliklendirmek için sıfırdan tasarlandı.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

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

Link to this sectionYOLOv9'da Programlanabilir Gradyan Bilgisi#

YOLOv9'un alana temel katkısı, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) tanıtımıdır. 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 mimarisinin 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.

Link to this sectionYOLO26'nın Uç Öncelikli Mimarisi#

YOLO26, eğitimden gerçek zamanlı dağıtıma kadar tüm hattı optimize ederek kökten farklı bir yaklaşım sergiler. İlk kez YOLOv10'da öncülük edilen ve NMS sonrası işlem ihtiyacını tamamen ortadan kaldıran Uçtan Uca NMS'siz Tasarım üzerine inşa edilmiştir. Bu, inanılmaz derecede düşük gecikme süresi sağlar ve onu Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için yüksek oranda optimize edilmiş hale getirir.

Ayrıca, YOLO26, Dağılımsal Odak Kaybını (DFL) tamamen kaldırır. Bu yapısal değişiklik, ONNX'e model dışa aktarmayı basitleştirir ve düşük güçlü mikro denetleyicilerle önemli ölçüde daha iyi uyumluluk sağlar.

Eğitim aşaması için YOLO26, Stokastik Gradyan İnişi ve Muon'un (Moonshot AI'ın Kimi K2'sinin LLM eğitim metodolojilerinden esinlenilmiştir) bir hibriti olan yeni MuSGD Optimizer'ı entegre eder. Bu, Büyük Dil Modeli (LLM) eğitim yenilikleri ile bilgisayarlı görü arasındaki boşluğu doldurarak çok daha kararlı bir eğitim ve daha hızlı yakınsama süreleri sunar.

Link to this sectionPerformans ve Metrik Karşılaştırması#

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

Link to this sectionSonuçların Analizi#

• Hız ve Verimlilik: YOLO26, NMS'siz bir mimari ve basitleştirilmiş kayıp fonksiyonları kullandığından, eski mimarilere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlar. YOLO26n modeli, TensorRT kullanılarak bir NVIDIA T4 GPU üzerinde 1,7 ms gibi çok kısa bir sürede çalışır, bu da onu gerçek zamanlı video akışları için en üst düzey tercih yapar.
• 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, model eğitimi ve çıkarım sırasında karmaşık transformer tabanlı görü modellerine kıyasla önemli ölçüde daha az CUDA belleği gerektirir, bu da geliştiricilerin tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanmasına olanak tanır.

Link to this sectionEkosistem, Kullanım Kolaylığı ve Çok Yönlülük#

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

Link to this sectionKolaylaştırılmış API Örneği#

En gelişmiş bir YOLO26 modelini eğitmek sadece birkaç satır Python kodu 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")

Link to this sectionBenzersiz Görev Çok Yönlülüğü#

Öncelikli olarak standart nesne tespitine göre uyarlanmış olan YOLOv9'un aksine, YOLO26 kutudan çıktığı anda çok çeşitli bilgisayarlı görü görevlerini destekler. Mimari, çeşitli uygulamalar için özel geliştirmeler içerir:

• Örnek Segmentasyonu: Kusursuz piksel düzeyinde maskeler için özel bir anlamsal segmentasyon kaybı ve çok ölçekli proto özellikleri içerir.
• Poz Tahmini: İskelet anahtar noktalarını aşırı hassasiyetle izlemek için Artık Log-Olabilirlik Tahminini (RLE) entegre eder.
• Yönelimli Sınırlayıcı Kutular (OBB): Hava görüntülerinde döndürülmüş nesne tespitindeki sınır sorunlarını çözmek için özel olarak tasarlanmış bir açı kaybı fonksiyonu içerir.
• Görüntü Sınıflandırma: ImageNet standartlarına dayalı tüm görüntüler için sağlam kategorizasyon.

Link to this sectionGerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak genellikle dağıtılacakları ortama bağlıdır.

Link to this sectionIoT ve Uçta Robotik#

Robotik, otonom dronlar ve akıllı ev IoT cihazları için YOLO26 tartışmasız şampiyondur. ProgLoss + STAL entegrasyonu, yüksek irtifa dronlarından tarımsal izleme için kritik olan küçük nesne tanımasında önemli gelişmeler sağlar. %43 daha hızlı CPU çıkarımı ve NMS'siz tasarımıyla birleştiğinde, YOLO26 özel GPU'lar olmadan donanım üzerinde akıcı bir şekilde çalışabilir.

Link to this sectionAkademik Araştırma ve Gradyan Analizi#

YOLOv9, akademik çevrelerde oldukça saygı gören bir model olarak kalmaya devam ediyor. Gradyan akışının teorik sınırlarını araştıran veya PGI kavramına dayalı özel PyTorch katmanları oluşturmak isteyen araştırmacılar, YOLOv9'un kod tabanını derin öğrenme teorisi keşfi için mükemmel bir temel olarak bulacaklardır.

Link to this sectionYüksek Hızlı Üretim Hatları#

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

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionNe 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.

Link to this sectionNe 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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionSonuç#

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.