Başla

YOLOv9 ve YOLO26

Gerçek zamanlı nesne algılamanın kapsamı son birkaç yılda önemli ölçüde gelişti. Makine öğrenimi uygulayıcıları modelleri farklı donanımlarda dağıtmayı hedeflerken doğru mimariyi seçmek kritik önem taşıyor. Bu teknik kılavuz, bilgisayarlı görü alanındaki iki önemli kilometre taşını karşılaştırıyor: 2024'ün başlarında gradyan yolu optimizasyonlarına odaklanarak sunulan YOLOv9 ve uç çıkarımı ile eğitim kararlılığına odaklanarak Ocak 2026'da yayımlanan en yeni Ultralytics modeli Ultralytics YOLO26.

Yönetici Özeti: Modelin Kökeni ve Geliştiricileri#

Bu derin öğrenme modellerinin kökenlerini anlamak, mimari tasarım tercihleri ve hedef kitleleri hakkında değerli bir bakış açısı sunar.

YOLOv9#

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

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLO26#

Ultralytics bünyesinden Glenn Jocher ve Jing Qiu tarafından geliştirilen YOLO26, 14 Ocak 2026'da yayımlandı. YOLO11 ve YOLOv8 gibi önceki modellerin üzerine inşa edilen YOLO26, üretime hazır olmayı, uç dağıtımını ve yerel uçtan uca verimliliği önceliklendirmek üzere en baştan tasarlandı.

YOLO26'yı Bugün Dene

Bilgisayarlı görü işlem hattını yükseltmeye hazır mısın? Ultralytics Platform platformunu kullanarak hiçbir kod yazmadan YOLO26 modellerini bulutta kolayca eğitip dağıtabilirsin.

Mimari Yenilikler#

Her iki model de sinir ağlarının görsel verileri işleme biçiminde önemli değişiklikler sunuyor, ancak soruna farklı açılardan yaklaşıyor.

YOLOv9'da Programlanabilir Gradyan Bilgisi#

YOLOv9'un alana temel katkısı, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) kavramlarını sunmasıdır. Sinir ağları derinleştikçe ileri beslemeli süreçte sıklıkla bilgi kaybına uğrar. 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.

Ancak YOLOv9, gerçek dünya çıkarımında gecikme darboğazına dönüşebilen son işlem için geleneksel Maksimum Olmayanların Bastırılması (NMS) yöntemine dayanır.

YOLO26'nın Uç Cihazları Önceleyen Mimarisi#

YOLO26, eğitimden gerçek zamanlı dağıtıma kadar tüm işlem hattını optimize eden, uç cihazları önceleyen farklı bir yaklaşım benimser. YOLO modellerine YOLOv10 tarafından kazandırılan Uçtan Uca NMS İçermeyen Tasarımı temel alır ve NMS son işleme ihtiyacını ortadan kaldırır. Bu, gecikmeyi azaltır ve modeli Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için uygun hâle getirir.

YOLO26 ayrıca Dağılımsal Odak Kaybı'nı (DFL) da kaldırır. Bu yapısal değişiklik, modelin ONNX biçimine aktarılmasını kolaylaştırır ve düşük güçlü uç cihazlarla uyumluluğu artırır.

Eğitim aşamasında YOLO26, MuSGD Optimizasyon Algoritmasını kullanır; bu yöntem Stokastik Gradyan İnişi ile Muon'un bir melezidir ve Moonshot AI'ın Kimi K2 modelinin LLM eğitim yöntemlerinden esinlenmiştir. Büyük Dil Modeli (LLM) eğitimindeki yenilikleri bilgisayarlı görüye taşıyarak daha istikrarlı eğitim ve daha hızlı yakınsama sağlar.

Performans ve Metrik Karşılaştırması#

Yaygın olarak kullanılan COCO veri kümesinde yapılan kıyaslamalarda her iki model de güçlü performans gösterir; ancak benzer parametre sayılarına sahip YOLO26, her boyutta doğruluk ve T4 çıkarım hızı açısından öne çıkar.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Sonuçların Analizi#

  • Hız ve Verimlilik: YOLO26, NMS içermeyen bir mimari ve sadeleştirilmiş bir algılama başlığı kullandığı için YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar. YOLO26n modeli, TensorRT kullanılarak NVIDIA T4 GPU'da 1.7 ms'de çalışır ve gerçek zamanlı video akışları için güçlü bir seçenektir.
  • Doğruluk: YOLO26x modeli 57.5 mAP değerine ulaşarak en büyük YOLOv9e modelinden daha iyi performans gösterir ve daha düşük gecikmeyi korur.
  • Bellek Gereksinimleri: Ultralytics modelleri verimlilikleriyle tanınır. YOLO26, karmaşık Transformer tabanlı görü modellerine kıyasla model eğitimi ve çıkarım sırasında çok daha az CUDA belleği gerektirir; bu da geliştiricilerin tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanmasını sağlar.

Ekosistem, Kullanım Kolaylığı ve Çok Yönlülük#

Ultralytics ekosisteminin en güçlü yanlarından biri kullanıcı deneyimidir. YOLOv9 GitHub kod tabanını kullanan araştırmacılar karmaşık ortam kurulumları ve elle betik yazmayla uğraşırken YOLO26, kullanımı kolay Ultralytics Python API'sine tamamen entegredir.

Basitleştirilmiş API Örneği#

YOLO26 modelini eğitmek için yalnızca birkaç satır Python kodu gerekir:

from ultralytics import YOLO

# En yeni, yerel uçtan uca YOLO26 modelini yükle
model = YOLO("yolo26s.pt")

# Modeli eğit; optimizer="auto", uzun çalıştırmalarda (>10k iterasyon) MuSGD'yi seçer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Tek bir komutla yerel olarak ONNX biçimine aktar
model.export(format="onnx")

Görev Çok Yönlülüğü#

Genellikle standart nesne algılama için tasarlanan YOLOv9'dan farklı olarak YOLO26, anlamsal segmentasyon ve derinlik tahmini dâhil olmak üzere Ultralytics'in yedi bilgisayarlı görü görevinin tümünü yerel olarak destekler. Mimari, farklı uygulamalar için özel iyileştirmeler içerir:

  • Örnek Segmentasyonu: Daha yüksek kaliteli maskeler için anlamsal segmentasyon kaybı ve çok ölçekli proto modülü ekler.
  • Görüntü Sınıflandırma: ImageNet standartlarına dayalı, görüntülerin tamamı için güvenilir sınıflandırma sağlar.
  • Poz Tahmini: Anahtar noktaların konumunu daha doğru belirlemek için Artık Log-Olasılık Tahmini (RLE) kullanır.
  • Yönlendirilmiş Sınırlayıcı Kutular (OBB): Hava görüntülerindeki döndürülmüş nesne algılamada sınır sorunlarını gidermek üzere tasarlanmış özel bir açı kaybı içerir.
Entegre Ekosistem

Tüm YOLO26 modelleri, yerleşik veri kümesi açıklama araçları, bulut eğitimi ve dağıtım iş akışları sunan Ultralytics Platform ile entegredir.

Gerçek Dünya Uygulamaları#

Bu modeller arasında seçim yapmak çoğunlukla dağıtım yapılacak ortama bağlıdır.

IoT ve Uç Robotik#

Robotik, otonom dronlar ve akıllı ev IoT cihazları için YOLO26 daha güçlü bir seçenektir. ProgLoss + STAL, yüksek irtifalı dronlardan yapılan tarımsal izleme için kritik olan küçük nesne algılamayı iyileştirir. CPU'da %43'e kadar daha hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırıldığında) ve NMS içermeyen tasarımıyla birleştiğinde YOLO26, özel GPU'su olmayan donanımlarda sorunsuz çalışır.

Akademik Araştırma ve Gradyan Analizi#

YOLOv9, akademik çevrelerde saygınlığını koruyan bir modeldir. Gradyan akışının kuramsal sınırlarını araştıran veya PGI kavramını temel alan özel PyTorch katmanları geliştirmek isteyen araştırmacılar, YOLOv9'un kod tabanını derin öğrenme kuramını incelemek için iyi bir temel olarak değerlendirebilir.

Yüksek Hızlı Üretim İşlem Hatları#

Yüksek hızlı konveyör bantlarında otomatik kusur algılama gibi endüstriyel uygulamalarda YOLO26 modellerinin yüksek TensorRT hızları, kare kayıplarını önlemeye yardımcı olarak kalite güvence sistemlerinin verimini en üst düzeye çıkarır.

Kullanım Alanları ve Öneriler#

YOLOv9 ile YOLO26 arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda güçlü bir seçenektir:

  • Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (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 karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Sonuç#

Her iki model de açık kaynak topluluğu için önemli ilerlemeler sunar. YOLOv9, yeni mimarileri etkilemeye devam eden gradyan akışına yönelik önemli kuramsal iyileştirmeler getirdi. Ancak hız, doğruluk ve kolay dağıtım arasında denge arayan geliştiriciler, girişimler ve kurumsal ekipler için Ultralytics YOLO26 açık ara en iyi öneridir.

NMS içermeyen çıkarımı, MuSGD optimizasyon algoritması ve algılama, segmentasyon, poz tahmini gibi görevleri kapsayan araçlarıyla YOLO26, bilgisayarlı görü projelerine güvenilir ve iyi desteklenen bir temel sağlar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.