Link to this sectionYOLOv9 ve YOLOv8#

Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda dikkate değer bir şekilde evrildi; her yeni model, uç cihazlarda ve bulut sunucularında mümkün olanın teorik sınırlarını zorluyor. Geliştiriciler, daha yeni YOLOv9 mimarisini oldukça popüler olan Ultralytics YOLOv8 çerçevesiyle karşılaştırırken, genellikle en gelişmiş teorik gradyan yolları ile sahada kendini kanıtlamış, üretime hazır bir ekosistem arasında bir seçim yapmak zorunda kalıyorlar.

Bu kapsamlı kılavuz, bir sonraki yapay zeka projen için doğru modeli seçmene yardımcı olmak amacıyla bu iki ağır siklet modelin mimari yeniliklerini, performans metriklerini ve ideal dağıtım senaryolarını karşılaştırıyor.

Link to this sectionTeknik Özellikler ve Yazarlık#

Bu modellerin geçmişini anlamak, tasarım tercihleri için temel bir bağlam sağlar.

YOLOv9 Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından hazırlanan YOLOv9, 21 Şubat 2024'te yayınlandı. Temel araştırma, derin sinir ağlarındaki bilgi darboğazını çözmeye odaklanıyor. Orijinal YOLOv9 araştırma makalesini Arxiv üzerinde inceleyebilir veya kaynak kodunu resmi YOLOv9 GitHub deposunda görüntüleyebilirsin.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLOv8 Ultralytics'ten Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen YOLOv8, 10 Ocak 2023'te piyasaya sürüldü. Çok çeşitli görü görevleri için birleşik bir API sunarak çok yönlülük konusunda bir endüstri standardı haline geldi. Kaynak kodu, sürekli güncellemeler ve uzun vadeli kararlılık sağlamak amacıyla ana Ultralytics GitHub deposu içinde tutulmaktadır.

YOLOv8 hakkında daha fazla bilgi edinin

Link to this sectionMimari Yenilikler#

Link to this sectionYOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9'un belirleyici özelliği, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nın (GELAN) sunulmasıdır. Evrişimli sinir ağları derinleştikçe, genellikle ileri besleme sürecinde kritik özellik bilgilerini kaybederler. PGI, ağırlıkları güncellemek için kullanılan doğru gradyanları tutarak bu bilgi darboğazını ele alır ve güvenilir özellik çıkarımı sağlar. Bu mimari, parametre verimliliğini maksimize ederek YOLOv9'un daha az Kayan Nokta İşlemi (FLOP) ile yüksek hassasiyete ulaşmasını sağlar.

Link to this sectionYOLOv8: Çok Yönlü İş Atı#

YOLOv8, kutu tahminlerinin sayısını azaltan ve işleme sonrası süreçte Non-Maximum Suppression (NMS) hızını artıran aerodinamik, çapasız (anchor-free) bir tespit mekanizması tanıttı. C2f modülü (iki evrişimli Cross-Stage Partial Bottleneck), eski modellere kıyasla ağ genelinde gradyan akışını iyileştirir. Daha da önemlisi, YOLOv8 Çok Yönlülük göz önünde bulundurularak tasarlandı ve kutudan çıktığı anda nesne tespiti, örnek bölümleme, poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını yerel olarak destekler.

Link to this sectionPerformans Dengesi ve Kıyaslamalar#

Hız ve doğruluk arasındaki ödünleşim, görü modellerini dağıtırken en kritik faktördür. Aşağıda, standart COCO veri kümesi üzerinde değerlendirilen model boyutları, gecikme süresi ve ortalama Hassasiyet (mAP) değerlerinin ayrıntılı bir karşılaştırması bulunmaktadır.

Metrikleri analiz ederken, YOLOv9 dikkate değer bir parametre-doğruluk oranı sergiler. YOLOv9c modeli, sadece 25.3M parametre kullanarak %53.0 mAP değerine ulaşır. Bununla birlikte, YOLOv8, özellikle 1.47ms'lik NVIDIA TensorRT kurulumu ile YOLOv8n varyantıyla donanım hızlandırıcılarında Bellek gereksinimleri ve çıkarım hızında önemli bir üstünlüğü korur.

Link to this sectionUltralytics Ekosistemi Avantajı#

Bir mimari seçerken önemli bir husus, Kullanım Kolaylığı ve çevresindeki yazılım ekosistemidir. Bağımlılıkları yönetmek, özel veri yükleyicileri yazmak ve karmaşık dışa aktarma komut dosyalarını işlemek geliştirmeyi yavaşlatabilir. Entegre Ultralytics ekosistemi, bu karmaşıklıkları ortadan kaldırır.

İster YOLOv8 ister YOLOv9 (Ultralytics kütüphanesi içinde tamamen desteklenir) seç, birleşik bir API'den, otomatik veri artırma tekniklerinden ve aerodinamik ONNX formatında dışa aktarmadan yararlanırsın. Ayrıca, Ultralytics mimarileri genellikle büyük transformer tabanlı modellerle yaygın olarak ilişkilendirilen yoğun CUDA bellek şişkinliğinden kaçınarak yüksek Eğitim Verimliliği sunar.

Link to this sectionEğitim Kodu Örneği#

Her iki modeli de Python API kullanarak eğitmek oldukça kolaydır ve sadece birkaç satır kod gerektirir.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance metrics
metrics = model.val()

# Export to ONNX for production deployment
model.export(format="onnx")

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv9 ile YOLOv8 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için güçlü bir seçimdir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Link to this sectionYOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kanıtlanmış bir modele ihtiyaç duyan projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGeleceğe Bakış: YOLO26'nın Gelişi#

YOLOv8 ve YOLOv9 her ikisi de inanılmaz derecede yetenekli olsa da, bilgisayarlı görü dünyası hızla ilerliyor. Modern dağıtımlar için, Ocak 2026'da yayınlanan Ultralytics YOLO26 kullanımını şiddetle tavsiye ediyoruz.

YOLO26, nesne dedektörlerinin üretimde nasıl çalıştığı konusunda bir paradigma değişimini temsil eder. Yerel bir Uçtan Uca NMS-Free Tasarım özelliğine sahiptir ve işlem sonrası aşamasındaki gecikmeyi ve deterministik olmayan davranışı etkili bir şekilde ortadan kaldırır. Uç ve düşük güçlü donanımları daha iyi desteklemek için YOLO26, mobil dışa aktarımları önemli ölçüde basitleştiren tam bir DFL Kaldırma (Distribution Focal Loss) içerir.

Dahası, YOLO26, vizyon görevlerine LLM düzeyinde eğitim kararlılığı getiren ve sonuç olarak çok daha hızlı yakınsama sağlayan, SGD ve Muon'un bir hibriti olan çığır açan MuSGD Optimize Edici'yi kullanır. %43'e varan Daha Hızlı CPU Çıkarımı ve büyük ölçüde iyileştirilmiş küçük nesne tanıma için ProgLoss + STAL entegrasyonu ile YOLO26, yeni kurumsal girişimler için tartışmasız bir tercihtir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionGerçek Dünya Uygulamaları ve Kullanım Durumları#

YOLOv8 ve YOLOv9 arasındaki seçim büyük ölçüde proje kısıtlamalarına ve hedef donanıma bağlıdır.

• Sağlık ve Tıbbi Görüntüleme: Tümör tespit sistemleri gibi her pikselin önemli olduğu durumlarda, YOLOv9'un GELAN mimarisi ince detayları olağanüstü iyi korur ve kritik teşhislerdeki yanlış negatifleri azaltır.
• Perakende ve Envanter Analitiği: Yoğun şekilde paketlenmiş rafları takip eden akıllı süpermarket sistemleri için YOLOv9, örtüşen öğeleri güvenilir bir şekilde ayırmak için gereken mAP değerini sağlar.
• Akıllı Şehirler ve Trafik İzleme: Hızlı tempolu lojistik ve trafik yönetimi alanlarında, YOLOv8'in ultra düşük gecikme süresi ve kanıtlanmış sağlamlığı, araçları aynı anda birden fazla kamera akışında izlemek için idealdir.
• Uç Dağıtımlar: Raspberry Pi veya mobil donanım gibi kısıtlı cihazlara dağıtım yapıyorsan, YOLOv8'in yüksek düzeyde optimize edilmiş C2f blokları (ve YOLO26'nın CPU optimizasyonları) çok daha akıcı, pil dostu bir çıkarım hattı sağlar.