YOLOv9 ve YOLO26#

Gerçek zamanlı nesne algılama alanı son birkaç yılda önemli ölçüde gelişti. Makine öğrenimi uygulayıcıları modelleri farklı donanımlarda kullanıma sunmaya çalışırken doğru mimariyi seçmek kritik önem taşıyor. Bu kapsamlı teknik kılavuzda, bilgisayarlı görü alanındaki iki önemli dönüm noktasını karşılaştırıyoruz: 2024'ün başlarında gradyan yolu optimizasyonlarına odaklanarak tanıtılan YOLOv9 ve uç cihazlarda çıkarımı ve eğitim kararlılığını baştan tanımlayan, 2026'nın başlarında yayımlanmış en yeni son teknoloji framework olan 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 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 olma, uç cihazlara dağıtım ve yerel uçtan uca verimliliği önceliklendirmek için temelden tasarlandı.

Mimari Yenilikler#

Her iki model de sinir ağlarının görsel verileri işleme biçiminde çığır açan değişiklikler getiriyor, ancak soruna farklı açılardan yaklaşıyor.

YOLOv9'da Programlanabilir Gradyan Bilgisi#

YOLOv9'un alana başlıca katkısı, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) kavramlarını sunmasıdır. Sinir ağları derinleştikçe ileri beslemeli süreçte bilgi kaybı yaşayabilir. 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, son işlem için büyük ölçüde geleneksel Maksimum Olmayan Bastırma (NMS) yöntemine dayanır; bu da gerçek dünya çıkarımı sırasında gecikme darboğazına dönüşebilir.

YOLO26'nın Uç Cihazları Önceleyen Mimarisi#

YOLO26, eğitimden gerçek zamanlı dağıtıma kadar tüm işlem hattını optimize ederek tamamen farklı bir yaklaşım benimsiyor. YOLOv10 ile öncülüğü yapılan Uçtan Uca, NMS İçermeyen Tasarım temelinde, son işlem aşamasında NMS kullanımını tamamen ortadan kaldırıyor. Bunun sonucunda gecikme son derece düşüyor ve model, Raspberry Pi veya NVIDIA Jetson gibi uç cihazlar için yüksek düzeyde optimize edilmiş oluyor.

Ayrıca YOLO26, Dağılım Odaklı Kaybı (DFL) tamamen kaldırıyor. Bu yapısal değişiklik, modelin ONNX'e aktarılmasını kolaylaştırıyor ve düşük güçlü uç cihazlarla uyumluluğu önemli ölçüde artırıyor.

YOLO26, eğitim aşamasında MuSGD Optimizer adlı yeni yöntemi kullanıyor. Bu yöntem, Stokastik Gradyan İnişi ve Muon'un birleşimidir (Moonshot AI'ın Kimi K2 modelinin Büyük Dil Modeli (LLM) eğitim metodolojilerinden esinlenmiştir). Böylece Büyük Dil Modeli (LLM) eğitimi yenilikleriyle bilgisayarlı görü arasındaki boşluğu kapatıyor, çok daha kararlı eğitim ve daha hızlı yakınsama süreleri sunuyor.

Performans ve Metrik Karşılaştırması#

Yaygın olarak kullanılan COCO veri kümesi üzerinde kıyaslama yapıldığında her iki model de olağanüstü beceriler sergiliyor; ancak pratik çıkarım hızı ve parametre verimliliği açısından Ultralytics ekosistemi öne çıkıyor.

Sonuçların Analizi#

• Hız ve Verimlilik: YOLO26, NMS içermeyen bir mimari ve basitleştirilmiş kayıp fonksiyonları kullandığı için eski mimarilere kıyasla CPU çıkarımında %43'e kadar daha hızlıdır. YOLO26n modeli, TensorRT kullanarak NVIDIA T4 GPU'da 1,7 ms gibi son derece kısa bir sürede çalışır ve gerçek zamanlı video akışları için ideal bir seçenek hâline gelir.
• Doğruluk: YOLO26x modeli, eşsiz bir 57,5 mAP değerine ulaşarak gecikmeyi daha düşük tutarken en büyük YOLOv9e modelini geride bırakır.
• Bellek Gereksinimleri: Ultralytics modelleri verimlilikleriyle tanınır. YOLO26, karmaşık Transformer tabanlı görü modellerine kıyasla model eğitimi ve çıkarım sırasında çok daha az CUDA belleği kullanır. Böylece geliştiriciler tüketici sınıfı donanımlarda daha büyük batch boyutlarından yararlanabilir.

Ekosistem, Kullanım Kolaylığı ve Çok Yönlülük#

Ultralytics ekosisteminin asıl gücü kullanıcı deneyiminde yatar. YOLOv9 GitHub kod tabanını kullanan araştırmacıların karmaşık ortam kurulumlarıyla ve elle betik yazmayla uğraşması gerekirken YOLO26, kullanımı kolay Ultralytics Python API'siyle tamamen entegredir.

Basitleştirilmiş API Örneği#

Son teknoloji bir YOLO26 modelini eğitmek için yalnızca birkaç satır Python kodu yeterlidir:

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")

Eşsiz Görev Çeşitliliği#

Öncelikli olarak standart nesne algılama için tasarlanan YOLOv9'un aksine YOLO26, çok sayıda bilgisayarlı görü görevini kutudan çıktığı gibi yerel olarak destekler. Mimari, farklı uygulamalara yönelik özel iyileştirmeler içerir:

• Örnek Segmentasyonu: Kusursuz piksel düzeyinde maskeler için özel bir anlamsal segmentasyon kaybı ve çok ölçekli prototip sunar.
• Poz Tahmini: İskelet anahtar noktalarını son derece hassas biçimde izlemek için Artık Log-Olabilirlik Tahmini (RLE) yöntemini entegre eder.
• Yönlendirilmiş Sınırlayıcı Kutular (OBB): Hava görüntülerinde döndürülmüş nesne algılamadaki sınır sorunlarını çözmek üzere özel olarak tasarlanmış bir açı kaybı fonksiyonu içerir.
• Görüntü Sınıflandırma: ImageNet standartlarına dayalı, görüntülerin tamamı için güvenilir sınıflandırma sağlar.

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 tartışmasız en iyi seçenek YOLO26'dır. ProgLoss + STAL entegrasyonu, yüksek irtifada uçan dronlarla yapılan tarımsal izleme açısından kritik olan küçük nesneleri tanıma becerisini önemli ölçüde artırır. CPU çıkarımında %43 daha hızlı olması ve NMS içermeyen tasarımı sayesinde YOLO26, özel GPU'su olmayan donanımlarda da 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 kod tabanını derin öğrenme kuramını incelemek için mükemmel bir temel olarak görecektir.

Yüksek Hızlı Üretim İşlem Hatları#

Yüksek hızlı konveyör bantlarında otomatik kusur algılama gibi endüstriyel ortamlarda YOLO26 modellerinin son derece yüksek TensorRT hızları, kalite güvence sistemlerinin verimini en üst düzeye çıkarırken hiçbir karenin atlanmamasını sağlar.

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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

Her iki model de açık kaynak topluluğu için ileriye doğru olağanüstü adımları temsil ediyor. YOLOv9, yıllarca mimarilere ilham verecek önemli gradyan akışı iyileştirmeleri getirdi. Ancak hız, doğruluk ve dağıtım kolaylığı arasında kusursuz bir denge arayan günümüz geliştiricileri, girişimler ve kurumsal ekipler için Ultralytics YOLO26 açık ara en iyi seçenektir.

YOLO26; NMS içermeyen çıkarım sunarak, güçlü MuSGD optimizer'ı kullanıma sunarak ve algılama, segmentasyon ve poz görevlerine yönelik benzersiz bir araç paketi sağlayarak bilgisayarlı görü projelerinin bugün mevcut en güvenilir ve geleceğe hazır framework üzerinde geliştirilmesini sağlar.