Başla

YOLOv9 ve YOLOv10

Araştırmacılar performans-verimlilik ödünleşimini iyileştirmeyi sürdürürken gerçek zamanlı bilgisayarlı görü hızla gelişti. En ileri görü modellerinin gelişiminde YOLOv9 ve YOLOv10 iki önemli kilometre taşıdır. 2024'ün başlarında yayımlanan her iki model de bilgi darboğazlarından son işlem gecikmesine kadar derin sinir ağlarının uzun süredir devam eden sorunlarını ele almak üzere önemli mimari değişiklikler getirdi.

Bu teknik karşılaştırma, doğru nesne algılama modelini seçmene yardımcı olmak için mimarilerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceliyor.

Modelin Kökeni ve Mimarisi#

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.

YOLOv9, CSPNet ile ELAN'ın güçlü yanlarını birleştirerek parametre kullanımını en üst düzeye çıkaran Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarisini 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 uzaktan gözetim gibi yüksek özellik doğruluğu gerektiren görevlerde güçlü kılar.

YOLOv9 hakkında daha fazla bilgi edin

YOLOv10: Gerçek Zamanlı Uçtan Uca Verimlilik#

Kısa bir süre sonra, 23 Mayıs 2024'te yayımlanan YOLOv10, nesne algılamadaki bilinen bir gecikme darboğazını, yani Maksimum Olmayanların Bastırılması (NMS) yöntemini ortadan kaldırarak dağıtım iş akışını basitleştirir.

YOLOv10, eğitim sırasında tutarlı ikili atamalar kullanarak yerel olarak NMS içermeyen bir tasarım sunar. Bu, çıkarım sırasında son işlem yükünü ortadan kaldırır ve gecikmeyi azaltır. Verimlilik ve doğruluğu bütüncül biçimde temel alan bir model tasarımıyla birleştiğinde YOLOv10, rekabetçi doğruluğu korurken hesaplama yükünü (FLOP) azaltarak güçlü bir denge kurar ve bu özellikleri uç bilişim uygulamaları için cazip hâle getirir.

YOLOv10 hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu iki model ailesini standart MS COCO veri kümesinde kıyaslarken ham doğruluk ile çıkarım gecikmesi arasında belirgin ödünleşimler görülür.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Verileri İnceleme#

  1. Gecikme ve Doğruluk: YOLOv10 modelleri genellikle daha hızlı çıkarım sunar. Örneğin YOLOv10s, TensorRT ile yalnızca 2.49 ms'de %46.3 mAP elde ederken benzer %46.8 mAP değerine ulaşan YOLOv9s için 3.54 ms gerekir.
  2. Üst Düzey Doğruluk: En yüksek algılama doğruluğunu gerektiren araştırma senaryolarında YOLOv9e güçlü bir seçenek olmaya devam eder; PGI, ince ayrıntıları güvenilir biçimde çıkarmasına yardımcı olarak %55,6 mAP değerine ulaşmasını sağlar.
  3. Verimlilik: YOLOv10, FLOPs verimliliği konusunda öne çıkar. Bu, doğrudan daha düşük güç tüketimi anlamına gelir; görüş yapay zekâ modellerini çalıştıran pille çalışan cihazlar için bu önemli bir ölçüttür.
Dağıtım İpucu

Bir CPU'ya veya Raspberry Pi gibi kaynakları kısıtlı uç donanımlara dağıtım yapıyorsan YOLOv10'un NMS içermeyen mimarisi, değişken gecikmeli son işleme adımlarını ortadan kaldırarak genellikle daha akıcı bir işlem hattı sunar.

Ultralytics Avantajı: Eğitim ve Ekosistem#

Mimari farklılıklar kritik olsa da projenin başarısını çoğu zaman çevresindeki yazılım ekosistemi belirler. Hem YOLOv9 hem de YOLOv10, tutarlı bir geliştirici deneyimi sunan Ultralytics ekosistemine tamamen entegredir.

Kullanım Kolaylığı ve Bellek Verimliliği#

Çok miktarda bellek gerektirebilen karmaşık Transformer tabanlı mimarilerin aksine, Ultralytics YOLO modelleri GPU belleğini verimli kullanacak şekilde tasarlanmıştır. Böylece araştırmacılar tüketici sınıfı donanımlarda daha büyük toplu iş boyutları kullanabilir ve son teknoloji yapay zekâyı erişilebilir hâle getirebilir.

Birleşik Python API'si, veri artırma ve hiperparametre ayarlama işlemlerinin karmaşıklığını yönetir. Ağırlık dosyası metnini değiştirerek mimariler arasında 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:

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 üzerine inşa edilmiştir; YOLOv10'un NMS içermeyen verimliliğini, bu karşılaştırmadaki her iki modelden daha yüksek doğrulukla birleştirir.

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 İyileştiricisi: SGD ve Muon'un bir birleşimi olan bu yöntem, kararlı eğitim ve hızlı yakınsama için LLM eğitimindeki yenilikleri bilgisayarlı görüye taşır.
  • CPU'da %43'e Varan Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu nedenle uç bilişim ve özel GPU'su olmayan cihazlar için uygundur.
  • DFL'nin Kaldırılması: Distribution Focal Loss, model dışa aktarımını basitleştirmek ve düşük güç tüketen cihazlarla uyumluluğu artırmak için kaldırıldı.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), küçük nesne algılamayı iyileştirir.

Diğer mimarileri değerlendiren araştırmacılar için RT-DETR ve YOLO11, Ultralytics ekosisteminde iyi belgelenmiş alternatiflerdir. Ancak tüm görü görevlerinde çok yönlülük için yeni projelerde önerilen seçenek, Ultralytics Platform üzerinde YOLO26 kullanmaktır.

Katkıda Bulunanlar

Yorumlar

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