YOLOv9 ve YOLOv10#
Gerçek zamanlı bilgisayarlı görü alanı, büyük ölçüde performans ile verimlilik arasındaki sınırı sürekli ileri taşıyan araştırmacılar sayesinde büyük ilerlemeler kaydetti. Son teknoloji görü modellerinin gelişimi incelendiğinde YOLOv9 ve YOLOv10 iki kritik dönüm noktası olarak öne çıkıyor. 2024'ün başlarında yayımlanan her iki model de bilgi darboğazlarından son işlem gecikmesine kadar derin sinir ağlarındaki uzun süredir devam eden zorlukları ele almak için paradigma değiştiren mimari tasarımlar getirdi.
Bu kapsamlı teknik karşılaştırma, modern nesne algılama ekosistemlerinin karmaşıklığında yolunu bulmana yardımcı olmak için modellerin mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.
Model Kökenleri ve Mimari Atılımlar#
Bu modellerin kökenini ve kuramsal temellerini anlamak, bilgisayarlı görü projen için doğru mimariyi seçmede kritik öneme sahiptir.
YOLOv9: Bilgi Akışında Ustalaşma#
21 Şubat 2024'te tanıtılan YOLOv9, veriler derin sinir ağlarından geçerken yaşanan bilgi kaybı sorununu kuramsal açıdan ele alır.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kurum: Institute of Information Science, Academia Sinica, Taiwan
- Kaynak: YOLOv9 arXiv Makalesi
- Depo: YOLOv9 GitHub
YOLOv9, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek parametre kullanımını en üst düzeye çıkaran Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) yapısını sunar. Ayrıca derin katmanların kritik uzamsal bilgileri korumasını sağlayan yardımcı bir denetim mekanizması olan Programlanabilir Gradyan Bilgisi (PGI) kullanır. Bu özellikler, YOLOv9'u tıbbi görüntü analizi veya uzak mesafeli gözetim gibi yüksek özellik sadakati gerektiren görevlerde son derece güçlü kılar.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv10: Gerçek Zamanlı Uçtan Uca Verimlilik#
Kısa süre sonra, 23 Mayıs 2024'te yayımlanan YOLOv10, nesne tespitindeki en bilinen gecikme darboğazlarından biri olan Maksimum Olmayan Bastırma'yı (NMS) ortadan kaldırarak dağıtım sürecini yeniden tasarlar.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Kaynak: YOLOv10 arXiv Makalesi
- Depo: YOLOv10 GitHub
YOLOv10, eğitim sırasında tutarlı çiftli atamalar kullanarak doğası gereği NMS gerektirmeyen bir tasarım sunar. Bu sayede çıkarım sırasında işlem sonrası ek yük ortadan kalkar ve gecikme önemli ölçüde azalır. Verimlilik ve doğruluğu bütünsel biçimde gözeten model tasarımıyla bir araya gelen YOLOv10, rekabetçi hassasiyeti korurken hesaplama yükünü (FLOPs) azaltarak uç bilişim uygulamaları için son derece cazip bir seçenek hâline gelir.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu iki güçlü modeli standart MS COCO veri kümesinde karşılaştırırken, salt doğruluk ve çıkarım gecikmesi arasında belirgin ödünleşimler ortaya çıkar.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Verileri İnceleme#
- Gecikme ve Doğruluk: YOLOv10 modelleri genellikle daha yüksek çıkarım hızları sunar. Örneğin YOLOv10s, TensorRT üzerinde yalnızca 2.49 ms'de %46.3 mAP elde ederken, benzer %46.8 mAP değerine ulaşmak için YOLOv9s'nin 3.54 ms'ye ihtiyacı vardır.
- Üst Düzey Hassasiyet: En yüksek tespit doğruluğunu gerektiren araştırma senaryolarında YOLOv9e, etkileyici %55.6 mAP değerine ulaşarak güçlü bir seçenek olmayı sürdürür. PGI mimarisi, ince ayrıntıların güvenilir biçimde çıkarılmasını sağlar.
- Verimlilik: YOLOv10, FLOPs verimliliği açısından öne çıkar. Bu, görsel yapay zekâ modelleri çalıştıran pille çalışan cihazlar için kritik bir ölçüt olan daha düşük güç tüketimi sağlar.
CPU'lara veya Raspberry Pi gibi kaynakları kısıtlı uç donanımlara dağıtım yapıyorsan YOLOv10'un NMS gerektirmeyen mimarisi, belirleyici olmayan işlem sonrası adımları ortadan kaldırarak genellikle daha sorunsuz bir işlem hattı sunar.
Ultralytics Avantajı: Eğitim ve Ekosistem#
Mimari farklılıklar kritik olsa da bir projeyi çevreleyen yazılım ekosistemi başarısını büyük ölçüde belirler. Hem YOLOv9 hem de YOLOv10, eşsiz bir geliştirici deneyimi sunan Ultralytics ekosistemine tamamen entegredir.
Kullanım Kolaylığı ve Bellek Verimliliği#
Büyük bellek yükünden muzdarip karmaşık Transformer tabanlı mimarilerin aksine Ultralytics YOLO modelleri, GPU belleğini en iyi şekilde kullanacak biçimde tasarlanmıştır. Böylece araştırmacılar tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanabilir ve en gelişmiş yapay zekâya erişebilir.
Birleşik Python API'si, veri artırma ve hiperparametre ayarlama karmaşıklıklarını soyutlar. Yalnızca ağırlık dosyasının adını değiştirerek mimariler arasında sorunsuzca geçiş yapabilirsin.
from ultralytics import YOLO
# YOLOv10 modelini yükle (YOLOv9 için "yolov9c.pt" ile kolayca değiştir)
model = YOLO("yolov10n.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Modelin performansını doğrula
metrics = model.val()
# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")Metrikleri MLflow ile kaydetmen veya yüksek hızlı donanım dağıtımı için TensorRT biçimine aktarman gerektiğinde Ultralytics Python paketi bunu yerel olarak halleder.
İdeal Kullanım Alanları#
Bu modeller arasındaki seçim, dağıtım kısıtlarına bağlıdır:
- YOLOv9'u seç: Hava dronu görüntüleri veya küçük tümörleri tespit etme gibi küçük nesne tespiti görevlerinde çalışıyorsan GELAN mimarisinin özellikleri koruma yeteneği en yüksek sadakati sağlar.
- YOLOv10'u seç: Öncelikli hedefin uç cihazlarda gerçek zamanlı çıkarım ise NMS gerektirmeyen tasarım; otonom robotik, gerçek zamanlı trafik izleme ve akıllı gözetim için idealdir.
Geleceğe Hazırlık: YOLO26'ya Geçiş#
YOLOv8, YOLOv9 ve YOLOv10 mükemmel modeller olsa da modern yapay zekâ çözümleri geliştirmek isteyen geliştiriciler, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini değerlendirmelidir.
YOLO26, önceki nesillerin en iyi özelliklerini bir araya getirerek YOLOv9'un doğruluğunu YOLOv10'un verimliliğiyle buluşturur.
YOLO26'nın Temel Yenilikleri#
- Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10'un temelleri üzerine inşa edilen YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), daha basit dağıtım için NMS işlem sonrası adımını atlar. - MuSGD Optimizasyonu: SGD ile Muon'un hibritidir; gelişmiş LLM eğitim yeniliklerini bilgisayarlı görüye taşıyarak son derece kararlı ve hızlı yakınsama sağlar.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Özellikle uç bilişim ve özel GPU'su olmayan cihazlar için optimize edilmiştir.
- DFL'nin Kaldırılması: Distribution Focal Loss, model dışa aktarımını basitleştirmek ve düşük güç tüketen cihazlarla uyumluluğu artırmak için kaldırıldı.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, küçük nesneleri tanımada kayda değer iyileştirmeler sağlayarak YOLOv9'un yeteneklerine yetişir veya onları aşar.
Eski mimarileri değerlendiren araştırmacılar için RT-DETR ve YOLO11, Ultralytics ekosistemi içinde belgeleri kapsamlı biçimde hazırlanmış alternatiflerdir. Ancak tüm görsel görevlerde en yüksek çok yönlülüğü elde etmek için Ultralytics Platform üzerinde YOLO26'ya geçmek, açık kaynaklı görsel yapay zekânın en ileri noktasından yararlanmanı sağlar.