YOLOv9 ile YOLOv10 karşılaştırması#
Gerçek zamanlı bilgisayarlı görü dünyası, araştırmacıların performans ve verimlilik sınırlarını sürekli zorlamasıyla devasa ilerlemelere sahne oldu. En son teknoloji görü modellerinin evrimini analiz ederken, YOLOv9 ve YOLOv10 iki kritik dönüm noktasını temsil ediyor. 2024 başında yayınlanan her iki model de, bilgi darboğazlarından son işleme gecikmelerine kadar derin sinir ağlarındaki uzun süreli sorunları çözmek için paradigma değiştiren mimari tasarımlar ortaya koydu.
Bu kapsamlı teknik karşılaştırma; modern object detection ekosistemlerinin karmaşıklıklarında yol almana yardımcı olmak için mimarilerini, performans metriklerini ve ideal dağıtım senaryolarını inceler.
Model Kökenleri ve Mimari Atılımlar#
Bu modellerin geçmişini ve teorik temellerini anlamak, belirli computer vision projen için doğru mimariyi seçmek açısından çok önemlidir.
YOLOv9: Bilgi Akışında Uzmanlık#
21 Şubat 2024'te tanıtılan YOLOv9, veriler derin sinir ağlarından geçerken oluşan teorik bilgi kaybı sorununu ele alıyor.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Organization: Institute of Information Science, Academia Sinica, Taiwan
- Reference: YOLOv9 arXiv Paper
- Repository: YOLOv9 GitHub
YOLOv9, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek parametre kullanımını en üst düzeye çıkaran Generalized Efficient Layer Aggregation Network (GELAN) mimarisini sunar. Ayrıca, derin katmanların kritik uzamsal bilgileri korumasını sağlayan yardımcı bir denetim mekanizması olan Programmable Gradient Information (PGI) özelliğini kullanır. Bu, YOLOv9'u medical image analysis veya uzak gözetim gibi yüksek özellik doğruluğu gerektiren görevler için son derece güçlü kılar.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv10: Gerçek Zamanlı Uçtan Uca Verimlilik#
Kısa bir süre sonra 23 Mayıs 2024'te yayınlanan YOLOv10, nesne algılamadaki en kötü şöhretli gecikme darboğazlarından birini, yani NMS'yi (Non-Maximum Suppression) ortadan kaldırarak dağıtım hattını yeniden hayal ediyor.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Kuruluş: Tsinghua University
- Reference: YOLOv10 arXiv Paper
- Repository: YOLOv10 GitHub
YOLOv10, eğitim sırasında yerel olarak NMS-free design olanağı tanıyan consistent dual assignments kullanır. Bu, çıkarım sırasında işleme sonrası ek yükü ortadan kaldırarak gecikmeyi büyük ölçüde azaltır. Bütünsel bir verimlilik ve doğruluk odaklı model tasarımıyla birleştiğinde YOLOv10 olağanüstü bir denge elde eder; rekabetçi hassasiyeti korurken hesaplama yükünü (FLOPs) düşürür ve bu da onu edge computing uygulamaları için son derece çekici hale getirir.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu iki devi standart MS COCO veri setinde kıyaslarken, saf doğruluk ile çıkarım gecikmesi arasında belirgin ödünleşimler ortaya çıkıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Verileri Analiz Etme#
- Gecikme ve Doğruluk: YOLOv10 modelleri genellikle daha üstün çıkarım hızları sunar. Örneğin, YOLOv10s, TensorRT üzerinde sadece 2.66ms'de %46.7 mAP değerine ulaşırken, YOLOv9s neredeyse aynı %46.8 mAP için 3.54ms'ye ihtiyaç duyar.
- Üst Düzey Hassasiyet: Maksimum algılama doğruluğu gerektiren araştırma senaryoları için YOLOv9e, %55.6 gibi etkileyici bir mAP değerine ulaşan zorlu bir seçenektir. PGI mimarisi, ince ayrıntıların güvenilir bir şekilde çıkarılmasını sağlar.
- Efficiency: YOLOv10 FLOPs efficiency konusunda üstündür. Bu durum doğrudan daha düşük güç tüketimine dönüşür; bu da vision AI models çalıştıran pille çalışan cihazlar için çok önemli bir ölçüttür.
Eğer CPU'lara veya Raspberry Pi gibi kaynak kısıtlı uç donanımlara dağıtım yapıyorsan, YOLOv10'un NMS'siz mimarisi, belirleyici olmayan işleme sonrası adımlarını ortadan kaldırarak genellikle daha akıcı bir süreç sağlayacaktır.
Ultralytics Avantajı: Eğitim ve Ekosistem#
Mimari farklılıklar çok önemli olsa da çevreleyen yazılım ekosistemi bir projenin başarısını büyük ölçüde belirler. Hem YOLOv9 hem de YOLOv10, benzersiz bir geliştirici deneyimi sunarak Ultralytics ecosystem içine tamamen entegre edilmiştir.
Kullanım Kolaylığı ve Bellek Verimliliği#
Devasa bellek şişmesinden muzdarip karmaşık transformer tabanlı mimarilerin aksine Ultralytics YOLO modelleri, optimum GPU memory kullanımı için tasarlanmıştır. Bu, araştırmacıların tüketici sınıfı donanımlarda daha büyük batch sizes kullanmasına olanak tanıyarak son teknoloji AI'ı erişilebilir kılar.
Birleştirilmiş Python API, data augmentation ve hyperparameter tuning karmaşıklıklarını soyutlar. Yalnızca ağırlık dosyası dizesini değiştirerek mimariler arasında sorunsuz geçiş yapabilirsin.
from ultralytics import YOLO
# Load a YOLOv10 model (Easily swap to "yolov9c.pt" for YOLOv9)
model = YOLO("yolov10n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Validate the model's performance
metrics = model.val()
# Export the trained model to ONNX format for deployment
model.export(format="onnx")İster MLflow için metrikleri kaydetmen gereksin ister yüksek hızlı donanım dağıtımı için TensorRT dışa aktarımı yapman, Ultralytics platformu bunu yerel olarak halleder.
İdeal Kullanım Senaryoları#
Bu modeller arasında seçim yapmak dağıtım kısıtlamalarına bağlıdır:
- YOLOv9'u seç: Hava dronu görüntüleri veya küçük tümörleri tespit etme gibi, GELAN mimarisinin özellik tutma özelliğinin en yüksek doğruluğu sağladığı küçük nesne tespiti görevlerinde çalışıyorsan.
- Choose YOLOv10 if: Birincil hedefin uç cihazlarda real-time inference ise. NMS-free tasarımı onu otonom robotik, gerçek zamanlı trafik izleme ve smart surveillance için mükemmel kılar.
Geleceğe Hazırlık: YOLO26'ya Geçiş#
YOLOv8, YOLOv9 ve YOLOv10 mükemmel modeller olsa da modern AI çözümleri oluşturmak isteyen geliştiriciler Ocak 2026'da piyasaya sürülen Ultralytics YOLO26 modelini değerlendirmelidir.
YOLO26, önceki nesillerin nihai sentezini temsil eder; YOLOv9'un doğruluk ve YOLOv10'un verimlilik gibi en iyi yönlerini birleştirir.
Temel YOLO26 Yenilikleri#
- Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından atılan temeller üzerine inşa edilen YOLO26, daha kolay dağıtım için NMS sonrası işlemeyi yerel olarak ortadan kaldırır.
- MuSGD Optimize Edici: SGD ve Muon'un bir hibriti olup, inanılmaz derecede kararlı ve hızlı yakınsama için gelişmiş LLM eğitim yeniliklerini bilgisayarlı görüye getirir.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Özellikle uç bilgi işlem ve özel GPU'ları olmayan cihazlar için optimize edilmiştir.
- DFL Removal: model export işlemlerini basitleştirmek ve düşük güçteki cihaz uyumluluğunu artırmak için Distribution Focal Loss kaldırıldı.
- ProgLoss + STAL: Bu geliştirilmiş kayıp fonksiyonları, küçük nesne tanımasında kayda değer iyileştirmeler getirerek YOLOv9'un yeteneklerini eşleştirir veya geçer.
Eski mimarileri değerlendiren araştırmacılar için RT-DETR ve YOLO11 de Ultralytics ekosistemi içinde iyi belgelenmiş alternatiflerdir. Ancak tüm görsel görevlerinde maksimum çok yönlülük için Ultralytics Platform üzerinde YOLO26'ya geçiş yapmak, açık kaynaklı görüş AI'ının zirvesinden yararlandığından emin olmanı sağlar.