YOLOv9 ve YOLOv8#
Gerçek zamanlı bilgisayarlı görü alanı, son birkaç yılda dikkate değer ölçüde gelişti; her yeni model, hem uç cihazlarda hem de bulut sunucularında mümkün olanın teorik sınırlarını daha da ileri taşıdı. Daha yeni YOLOv9 mimarisini son derece popüler Ultralytics YOLOv8 framework'üyle karşılaştırırken geliştiriciler çoğu zaman en yeni teorik gradyan yolları ile kapsamlı biçimde sahada sınanmış, üretime hazır bir ekosistem arasında seçim yapmak zorunda kalıyor.
Bu kapsamlı kılavuz, doğru modeli seçmene yardımcı olmak için bu iki güçlü modeli mimari yenilikleri, performans metrikleri ve ideal dağıtım senaryoları açısından karşılaştırıyor.
Teknik Özellikler ve Yazarlık#
Bu modellerin geçmişini anlamak, tasarım tercihlerinin bağlamını kavraman için temel öneme sahiptir.
YOLOv9 Taiwan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Temel araştırma, derin sinir ağlarındaki bilgi darboğazını çözmeye odaklanıyor. Özgün YOLOv9 araştırma makalesini Arxiv'de inceleyebilir veya kaynak koduna resmî YOLOv9 GitHub deposundan erişebilirsin.
YOLOv9 hakkında daha fazla bilgi edin
Ultralytics YOLOv8 Ultralytics'ten Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen YOLOv8, 10 Ocak 2023'te kullanıma sunuldu. Çok çeşitli görü görevleri için birleşik bir API sunarak çok yönlülük açısından kendisini bir endüstri standardı olarak kabul ettirdi. Kaynak kodu, sürekli güncellemeler ve uzun vadeli kararlılık sağlamak amacıyla ana Ultralytics GitHub deposunda korunuyor.
Mimari Yenilikler#
YOLOv9: Programlanabilir Gradyan Bilgisi#
YOLOv9'un ayırt edici özelliği, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) kavramlarını sunmasıdır. Evrişimli sinir ağları derinleştikçe, ileri besleme sürecinde genellikle kritik özellik bilgilerini kaybeder. PGI, ağırlıkları güncellemek için kullanılan doğru gradyanları koruyarak bu bilgi darboğazını giderir ve güvenilir özellik çıkarımı sağlar. Bu mimari, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un daha az Kayan Nokta İşlemi (FLOPs) ile yüksek kesinlik elde etmesini sağlar.
YOLOv8: Çok Yönlü İş Gücü#
YOLOv8, kutu tahminlerinin sayısını azaltan ve son işleme sırasında Maksimum Olmayan Bastırma (NMS) işlemini hızlandıran, sadeleştirilmiş bir anchorsız tespit mekanizması sundu. C2f modülü (iki evrişimli Aşamalar Arası Kısmi Darboğaz), eski modellere kıyasla ağ genelindeki gradyan akışını iyileştirir. Daha da önemlisi YOLOv8, Çok Yönlülük göz önünde bulundurularak tasarlandı ve yerel olarak nesne tespiti, örnek bölütleme, poz tahmini, görüntü sınıflandırma ve doğrudan kullanılabilen yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını destekler.
YOLOv9 olağanüstü ham tespit metrikleri sunsa da karmaşık işlem hatlarına yerel olarak entegre edilmesi zor olabilir. YOLOv9'u Ultralytics framework'ü üzerinden kullanmak bu boşluğu kapatarak güçlü dışa aktarma ve dağıtım araçlarımıza erişim sağlar.
Performans Dengesi ve Karşılaştırma Testleri#
Görü modellerini dağıtırken hız ile doğruluk arasındaki denge en kritik etkendir. Aşağıda, standart COCO veri kümesi üzerinde değerlendirilen model boyutları, gecikme ve Ortalama Kesinlik değerlerinin ayrıntılı bir karşılaştırması yer alıyor.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Metrikler incelendiğinde YOLOv9, dikkat çekici bir parametre-doğruluk oranı sergiliyor. YOLOv9c modeli yalnızca 25,3 milyon parametre kullanarak etkileyici bir %53,0 mAP elde ediyor. Ancak YOLOv8, özellikle NVIDIA TensorRT kurulumunda 1,47 ms değerine ulaşan YOLOv8n varyantıyla donanım hızlandırıcılarında Bellek gereksinimleri ve çıkarım hızı açısından önemli bir üstünlüğü koruyor.
Ultralytics Ekosisteminin Avantajı#
Bir mimari seçerken dikkate alınması gereken başlıca unsurlardan biri Kullanım Kolaylığı ve bunu çevreleyen yazılım ekosistemidir. Bağımlılıkları yönetmek, özel veri yükleyicileri yazmak ve karmaşık dışa aktarma betikleriyle ilgilenmek geliştirmeyi yavaşlatabilir. Entegre Ultralytics ekosistemi bu karmaşıklıkları soyutlayarak ortadan kaldırır.
YOLOv8 veya Ultralytics kütüphanesinde tam olarak desteklenen YOLOv9'u seçsen de birleşik bir API'den, otomatik veri artırma tekniklerinden ve kolaylaştırılmış ONNX formatında dışa aktarmadan yararlanırsın. Ayrıca Ultralytics mimarileri genellikle son derece optimize edilmiş Eğitim Verimliliği sunar ve büyük Transformer tabanlı modellerle yaygın olarak ilişkilendirilen aşırı CUDA bellek kullanımını önler.
Eğitim Kodu Örneği#
Her iki modeli de Python API'sini kullanarak eğitmek kolaydır ve yalnızca 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")Kullanım Alanları ve Öneriler#
YOLOv9 ile YOLOv8 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLOv9 Ne Zaman Seçilmeli?#
YOLOv9 şu durumlar için güçlü bir seçenektir:
- Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) mimarilerini inceleyen akademik projeler.
- Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
- Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.
YOLOv8 Ne Zaman Seçilmeli?#
YOLOv8 şu durumlarda önerilir:
- Çok Görevli Çok Yönlü Dağıtım: Ultralytics ekosistemi içinde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
- Kurulu Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve kapsamlı biçimde test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
- Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.
Ultralytics (YOLO26) Ne Zaman Seçilmeli?#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Geleceğe Bakış: YOLO26'nın Gelişi#
YOLOv8 ve YOLOv9 son derece yetenekli olsa da bilgisayarlı görü alanı hızla ilerliyor. Modern dağıtımlar için Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini kullanmanı önemle tavsiye ediyoruz.
YOLO26, nesne dedektörlerinin üretimde çalışma biçiminde bir paradigma değişikliğini temsil ediyor. Yerel Uçtan Uca NMS'siz Tasarım özelliği, son işlemenin neden olduğu gecikmeyi ve deterministik olmayan davranışı etkili biçimde ortadan kaldırır. Uç ve düşük güç tüketimli donanımları daha iyi desteklemek için YOLO26, eksiksiz DFL Kaldırma (Dağılımsal Odak Kayıp) özelliğini kullanır ve mobil dışa aktarmaları büyük ölçüde basitleştirir.
Ayrıca YOLO26, SGD ile Muon'u birleştiren hibrit bir yapı olan çığır açıcı MuSGD Optimize Edicisini kullanır; bu yapı görü görevlerine LLM düzeyinde eğitim kararlılığı kazandırarak yakınsamayı önemli ölçüde hızlandırır. %43'e kadar Daha Hızlı CPU Çıkarımı ve çok daha iyi küçük nesne tanıma için ProgLoss + STAL entegrasyonuyla YOLO26, yeni kurumsal girişimler için tartışmasız tercihtir.
Donanım kısıtlarına bağlı olarak bu modelleri dengeli genel amaçlı görevler için Ultralytics YOLO11 ile karşılaştırmak veya özel amaçlı yüksek doğruluklu araştırmalar için RT-DETR gibi Transformer tabanlı modelleri incelemek isteyebilirsin.
Gerçek Dünya Uygulamaları ve Kullanım Alanları#
YOLOv8 ile YOLOv9 arasındaki seçim büyük ölçüde proje kısıtlarına ve hedef donanıma bağlıdır.
- Sağlık Hizmetleri ve Tıbbi Görüntüleme: Tümör tespit sistemleri gibi her pikselin önemli olduğu durumlarda YOLOv9'un GELAN mimarisi, ince ayrıntıları olağanüstü biçimde koruyarak kritik tanılarda yanlış negatifleri azaltır.
- Perakende ve Envanter Analitiği: Yoğun biçimde doldurulmuş rafları izleyen akıllı süpermarket sistemleri için YOLOv9, üst üste binen öğeleri güvenilir biçimde ayırmak üzere gereken mAP değerini sağlar.
- Akıllı Şehirler ve Trafik İzleme: Hızlı tempolu lojistik ve trafik yönetiminde YOLOv8'in ultra düşük gecikmesi ve kanıtlanmış sağlamlığı, araçları birden çok kamera akışında eş zamanlı olarak izlemek için onu ideal kılar.
- Uç Dağıtımları: Raspberry Pi gibi kısıtlı cihazlara veya mobil donanıma dağıtım yapıyorsan YOLOv8'in son derece optimize edilmiş C2f blokları (ve YOLO26'nın CPU optimizasyonları) çok daha akıcı, pil dostu bir çıkarım işlem hattı sağlar.