YOLOv9 ve YOLOv8#

Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda dikkate değer ölçüde gelişti; her yeni model, uç cihazlarda ve bulut sunucularında mümkün olanın teorik sınırlarını zorluyor. Daha yeni olan YOLOv9 architecture ile son derece popüler olan Ultralytics YOLOv8 çerçevesini karşılaştırırken geliştiriciler genellikle son teknoloji teorik gradyan yolları ile sahada defalarca sınanmış, üretime hazır bir ekosistem arasında seçim yapmak zorunda kalıyor.

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.

Teknik Özellikler ve Yazarlık#

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

YOLOv9 Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından yazılan YOLOv9, 21 Şubat 2024'te yayınlandı. Temel araştırma, derin sinir ağlarındaki bilgi dar boğazını çözmeye odaklanıyor. Orijinal YOLOv9 research paper belgesini Arxiv üzerinde inceleyebilir veya kaynak kodunu official YOLOv9 GitHub repository içinde görebilirsin.

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. Devasa çeşitlilikteki görü görevleri için birleşik bir API sunarak çok yönlülük konusunda bir endüstri standardı haline geldi. Kaynak kodu, sürekli güncellemeler ve uzun vadeli kararlılık sağlayacak şekilde ana Ultralytics GitHub repository içinde sürdürülmektedir.

YOLOv8 hakkında daha fazla bilgi edinin

Mimari Yenilikler#

YOLOv9: 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.

YOLOv8: Çok Yönlü İş Atı#

YOLOv8, kutu tahminlerinin sayısını azaltan ve son işlem sırasındaki Maksimum Olmayan Bastırma (NMS) sürecini hızlandıran kolaylaştırılmış bir ankorsuz (anchor-free) algılama mekanizması tanıttı. C2f modülü (iki evirmeli Çapraz Aşama Kısmi Darboğazı), eski modellere kıyasla ağ genelinde gradyan akışını iyileştirir. Daha da önemlisi, YOLOv8 nesne algılama, örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını kutudan çıkar çıkmaz yerel olarak destekleyecek şekilde Çok Yönlülük göz önünde bulundurularak tasarlanmıştır.

Performans Dengesi ve Kıyaslamalar#

Hız ve doğruluk arasındaki denge, görü modellerini dağıtırken en kritik faktördür. Aşağıda, standart COCO dataset üzerinde değerlendirilen model boyutlarının, gecikmenin ve ortalama Ortalama Hassasiyetin (mAP) ayrıntılı bir karşılaştırması yer almaktadır.

Metrikler analiz edildiğinde YOLOv9, dikkate değer bir parametre-doğruluk oranı sergilemektedir. YOLOv9c modeli, yalnızca 25,3 milyon parametre kullanarak etkileyici bir şekilde %53,0 mAP elde ediyor. Bununla birlikte YOLOv8; özellikle bir NVIDIA TensorRT kurulumunda 1,47 ms sürede çalışan YOLOv8n varyantı ile, Bellek gereksinimleri ve donanım hızlandırıcılar üzerindeki çıkarım hızında önemli bir üstünlük korumaktadır.

Ultralytics 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'i ister (Ultralytics kütüphanesi içinde tam olarak desteklenen) YOLOv9'u seç, birleşik bir API'den, otomatik veri artırma teknikleri ve kolaylaştırılmış ONNX format dışa aktarımından faydalanırsın. Dahası, Ultralytics mimarileri genellikle büyük dönüştürücü (transformer) tabanlı modellerle yaygın olarak ilişkilendirilen büyük CUDA bellek şişmesinden kaçınarak son derece optimize edilmiş Eğitim Verimliliği sunar.

Eğitim 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")

Kullanım Durumları ve Öneriler#

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

Ne 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.

YOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için önerilir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gelişi#

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

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

Gerçek Dünya Uygulamaları ve Kullanım Durumları#

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

• Sağlık ve Tıbbi Görüntüleme: tümör algılama sistemleri gibi her pikselin önemli olduğu durumlarda, YOLOv9'un GELAN mimarisi ince ayrıntıları olağanüstü iyi koruyarak kritik teşhislerde yanlış negatifleri azaltır.
• Perakende ve Envanter Analitiği: Yoğun bir şekilde dolu rafları izleyen akıllı süpermarket sistemleri için YOLOv9, üst üste binen öğeleri güvenilir bir şekilde ayırmak için gereken mAP'yi sağlar.
• Akıllı Şehirler ve Trafik İzleme: Hızlı tempolu lojistik ve trafik yönetimi alanında, YOLOv8'in aşırı düşük gecikmesi ve kanıtlanmış sağlamlığı, araçları aynı anda birden fazla kamera akışında izlemek için onu ideal kılar.
• 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.