YOLOv9 ve YOLOv10#
Gerçek zamanlı bilgisayarlı görü alanı, büyük ölçüde performans-verimlilik sınırını sürekli zorlayan araştırmacıların çalışmalarıyla muazzam ilerlemeler kaydetti. En gelişmiş görü modellerinin evrimini incelerken, YOLOv9 ve YOLOv10 iki kritik dönüm noktasını temsil eder. 2024'ün başlarında yayımlanan her iki model de bilgi darboğazlarından son işleme gecikmesine kadar derin sinir ağlarındaki uzun süredir devam eden zorlukları ele almak için paradigma değiştiren mimari tasarımlar sundu.
Bu kapsamlı teknik karşılaştırma, mimarilerini, performans ölçümlerini ve ideal dağıtım senaryolarını inceler; modern nesne algılama ekosistemlerinin karmaşıklıklarında yolunu bulmana yardımcı olur.
Model Kökenleri ve Mimari Atılımlar#
Bu modellerin kökenini ve teorik temellerini anlamak, özel bilgisayarlı görü projen için doğru mimariyi seçmek açısından kritik öneme sahiptir.
YOLOv9: Bilgi Akışında Ustalaşma#
21 Şubat 2024'te tanıtılan YOLOv9, verilerin derin sinir ağlarından geçerken yaşadığı teorik bilgi kaybı sorununu ele alır.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
- Referans: YOLOv9 arXiv Paper
- 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) yöntemini kullanır. Bu özellik, YOLOv9'u tıbbi görüntü analizi veya uzak mesafeli gözetim gibi yüksek özellik doğruluğu 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 algılamadaki en bilinen gecikme darboğazlarından birini, Maksimum Olmayan Bastırmayı (NMS) ortadan kaldırarak dağıtım işlem hattını yeniden tasarlar.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
- Kuruluş: Tsinghua Üniversitesi
- Referans: YOLOv10 arXiv Paper
- Depo: YOLOv10 GitHub
YOLOv10, eğitim sırasında tutarlı çift atamalar kullanarak yerel olarak NMS'siz bir tasarım sunar. Bu, çıkarım sırasında son işleme yükünü ortadan kaldırarak gecikmeyi büyük ölçüde azaltır. Bütünsel, verimlilik-doğruluk odaklı model tasarımıyla bir araya geldiğinde YOLOv10, rekabetçi kesinliği korurken hesaplama yükünü (FLOPs) azaltarak olağanüstü bir denge sağlar ve bu da onu uç bilişim uygulamaları için oldukça cazip kılar.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu iki güçlü modeli standart MS COCO veri kümesi üzerinde kıyasladığında, saf doğruluk ile 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 | 7.1 | 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 genel olarak daha yüksek çıkarım hızları sunar. Örneğin YOLOv10s, TensorRT üzerinde yalnızca 2.66 ms'de %46.7 mAP elde ederken, YOLOv9s neredeyse aynı %46.8 mAP değerine ulaşmak için 3.54 ms gerektirir.
- Üst Düzey Kesinlik: En yüksek algılama doğruluğunu gerektiren araştırma senaryolarında YOLOv9e, %55.6 mAP değerine ulaşarak güçlü bir seçenek olmaya devam eder. PGI mimarisi, ince özelliklerin güvenilir biçimde çıkarılmasını sağlar.
- Verimlilik: YOLOv10, FLOPs verimliliği konusunda öne çıkar. Bu, görü AI modellerini çalıştıran pille çalışan cihazlar için kritik bir ölçüt olan daha düşük güç tüketimine doğrudan dönüşür.
CPU'lara veya Raspberry Pi gibi kaynakları kısıtlı uç donanımlara dağıtım yapıyorsan YOLOv10'un NMS'siz mimarisi, belirlenimci olmayan son işleme adımlarını ortadan kaldırarak genellikle daha akıcı bir işlem hattı sunar.
Ultralytics Avantajı: Eğitim ve Ekosistem#
Mimari farklılıklar kritik olsa da bir projeyi çevreleyen yazılım ekosistemi projenin 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 şişmesine neden olan karmaşık Transformer tabanlı mimarilerin aksine, Ultralytics YOLO modelleri GPU belleğini en verimli şekilde kullanacak biçimde tasarlanmıştır. Bu sayede araştırmacılar tüketici sınıfı donanımlarda daha büyük toplu iş boyutlarından yararlanabilir ve en gelişmiş AI teknolojisine erişebilir.
Birleşik Python API'si, veri artırma ve hiperparametre ayarlama işlemlerinin karmaşıklığını soyutlar. Ağırlık dosyası dizesini değiştirerek mimariler arasında sorunsuzca 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")Ölçümleri MLflow'a kaydetmen veya yüksek hızlı donanım dağıtımı için TensorRT'ye aktarman gerektiğinde, Ultralytics platformu tüm bunları yerel olarak yönetir.
İdeal Kullanım Alanları#
Bu modeller arasındaki seçim, dağıtım kısıtlarına bağlıdır:
- YOLOv9'u seç: GELAN mimarisinin özellik koruma kapasitesinin en yüksek doğruluğu sağladığı hava aracı drone görüntüleri veya küçük tümörleri algılama gibi küçük nesne algılama görevleri üzerinde çalışıyorsan.
- YOLOv10'u seç: Öncelikli hedefin uç cihazlarda gerçek zamanlı çıkarım ise. NMS'siz tasarım, onu otonom robotik, gerçek zamanlı trafik izleme ve akıllı gözetim için mükemmel kılar.
Geleceğe Hazırlık: YOLO26'ya Geçiş#
YOLOv8, YOLOv9 ve YOLOv10 mükemmel modeller olsa da modern AI çözümleri geliştirmek isteyen geliştiriciler, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini değerlendirmelidir.
YOLO26, YOLOv9'un doğruluğu ile YOLOv10'un verimliliğinin en iyi yönlerini birleştirerek önceki nesillerin nihai sentezini sunar.
YOLO26'nın Temel Yenilikleri#
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un attığı temeller üzerine inşa edilen YOLO26, daha basit dağıtım için NMS son işlemesini yerel olarak ortadan kaldırır.
- MuSGD Optimizasyon Algoritması: SGD ve Muon'un bir birleşimi olan bu yöntem, inanılmaz derecede kararlı ve hızlı yakınsama için gelişmiş LLM eğitim yeniliklerini bilgisayarlı görüye taşır.
- CPU Çıkarımında %43'e Varan Hız Artışı: Özellikle uç bilişim ve özel GPU'su olmayan cihazlar için optimize edilmiştir.
- DFL'nin Kaldırılması: Dağılımsal Odak Kayıp işlevi, model dışa aktarımını basitleştirmek ve düşük güçlü cihazlarla uyumluluğu artırmak için kaldırılmıştır.
- ProgLoss + STAL: Bu geliştirilmiş kayıp işlevleri, küçük nesne tanımada dikkate değer iyileştirmeler sağlayarak YOLOv9'un yeteneklerine yetişir veya onları aşar.
Eski mimarileri değerlendiren araştırmacılar için RT-DETR ve YOLO11 de Ultralytics ekosistemi içindeki iyi belgelenmiş alternatiflerdir. Ancak tüm görü görevlerinde maksimum çok yönlülük için Ultralytics Platformu üzerinde YOLO26'ya geçiş yapmak, açık kaynaklı görü AI alanının zirvesinden yararlanmanı sağlar.