Başla

YOLOv9 ve YOLOv8

Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda hızla gelişti; her yeni model, hem uç cihazlarda hem de bulut sunucularında mümkün olanları ileri taşıdı. Daha yeni YOLOv9 mimarisi ile popüler Ultralytics YOLOv8 çerçevesini karşılaştırırken geliştiriciler çoğu zaman yeni gradyan yolu araştırmaları ile kendini kanıtlamış, üretime hazır bir ekosistem arasında seçim yapmak zorunda kalır.

Bu kılavuz, doğru modeli seçmene yardımcı olmak için iki modeli mimari yenilikleri, performans ölçütleri ve ideal dağıtım senaryoları açısından karşılaştırır.

Teknik Özellikler ve Yazarlar#

Bu modellerin kökenini anlamak, tasarım tercihlerine ilişkin önemli bir bağlam sağlar.

YOLOv9 Academia Sinica, Tayvan'daki Bilgi Bilimi Enstitüsünden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Temel araştırma, derin sinir ağlarındaki bilgi darboğazını çözmeye odaklanır. Özgün YOLOv9 araştırma makalesini arXiv'de inceleyebilir veya kaynak kodunu resmî YOLOv9 GitHub deposunda 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 kullanıma sunuldu. Çok çeşitli görü görevleri için birleşik bir API sunarak çok yönlülükte sektör standardı hâline geldi. Kaynak kodu, sürekli güncellemeler ve uzun vadeli kararlılık sağlamak üzere ana Ultralytics GitHub deposunda tutulur.

Mimari Yenilikler#

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9'un ayırt edici özelliği, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı'nı (GELAN) sunmasıdır. Evrişimli sinir ağları derinleştikçe ileri beslemeli işlem sırasında genellikle önemli özellik bilgilerini kaybeder. PGI, ağırlıkları güncellemek için kullanılan doğru gradyanları koruyarak bu bilgi darboğazını giderir ve güvenilir özellik çıkarımını destekler. Bu mimari, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un daha az Kayan Nokta İşlemi (FLOPs) ile yüksek doğruluk elde etmesini sağlar.

YOLOv8: Çok Yönlü İş Gücü#

YOLOv8, kutu tahmini sayısını azaltan ve son işleme sırasında Maksimum Olmayan Bastırma (NMS) işlemini hızlandıran yalın bir anchor-free algılama mekanizması sunmuştur. C2f modülü (iki evrişimli Aşamalar Arası Kısmi Darboğaz), eski modellere kıyasla ağ genelindeki gradyan akışını iyileştirir. Daha da önemlisi YOLOv8, çok yönlülük gözetilerek tasarlanmıştır ve nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını kutudan çıktığı hâliyle destekler.

Ekosistem Entegrasyonu

YOLOv9 ham algılama ölçütlerinde güçlü sonuçlar sunsa da karmaşık işlem hatlarına yerel olarak entegre edilmesi zor olabilir. YOLOv9'u Ultralytics çerçevesiyle kullanmak bu boşluğu kapatır ve Ultralytics dışa aktarma ve dağıtım araçlarına erişim sağlar.

Performans Dengesi ve Kıyaslamalar#

Görü modellerini dağıtırken hız ve doğruluk arasındaki denge en kritik etkendir. Aşağıda standart COCO veri kümesinde değerlendirilen model boyutları, gecikme ve Ortalama Hassasiyet (mAP) değerlerinin ayrıntılı karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Ölçütler incelendiğinde YOLOv9, her boyutta YOLOv8'den daha yüksek mAP elde ederek güçlü bir parametre-doğruluk oranı sergiler. YOLOv9c modeli yalnızca 25,5 milyon parametreyle %53,0 mAP değerine ulaşır. Ancak YOLOv8 çoğu boyutta GPU'da daha hızlıdır; YOLOv8n varyantı NVIDIA TensorRT kurulumunda 1,47 ms'de çalışır.

Ultralytics Ekosisteminin Avantajı#

Mimari seçerken göz önünde bulundurulması gereken önemli noktalardan biri Kullanım Kolaylığı ve çevresindeki yazılım ekosistemidir. Bağımlılıkları yönetmek, özel veri yükleyiciler yazmak ve karmaşık dışa aktarma betikleriyle uğraşmak geliştirmeyi yavaşlatabilir. Entegre Ultralytics ekosistemi bu karmaşıklıkları yönetir.

YOLOv8'i veya Ultralytics kütüphanesinde tam olarak desteklenen YOLOv9'u seçtiğinde birleşik bir API'den, otomatik veri artırma tekniklerinden ve kolaylaştırılmış ONNX biçiminde dışa aktarma sürecinden yararlanırsın. Ultralytics mimarileri ayrıca verimli biçimde eğitilir ve büyük Transformer tabanlı modellerde sıkça görülen yüksek CUDA bellek kullanımından kaçınır.

Eğitim Kod Örneği#

Python API'sini kullanarak iki modelden birini eğitmek kolaydır ve yalnızca birkaç satır kod gerektirir.

from ultralytics import YOLO

# Tercih edilen modeli yükle (gerektiğinde 'yolov9c.pt' yerine 'yolov8n.pt' kullan)
model = YOLO("yolov8n.pt")

# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin performans metriklerini doğrula
metrics = model.val()

# Üretim dağıtımı için ONNX biçimine aktar
model.export(format="onnx")

Kullanım Alanları ve Öneriler#

YOLOv9 ile YOLOv8 arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda güçlü bir seçenektir:

  • Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (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 karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda önerilir:

  • Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

İleriye Bakış: YOLO26'nın Gelişi#

YOLOv8 ve YOLOv9 yetenekli modeller olsa da bilgisayarlı görü alanı hızla değişiyor. Modern dağıtımlar için Ultralytics, Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini öneriyor.

YOLO26, nesne algılayıcılarının üretimde çalışma biçimini değiştirir. Yerel Uçtan Uca, NMS İçermeyen Tasarım özelliğine sahiptir (nms=False, isteğe bağlıdır) ve NMS son işlemesinin gecikmesini ve değişkenliğini ortadan kaldırır. Uç ve düşük güçlü donanımları daha iyi desteklemek için YOLO26, mobil dışa aktarma işlemlerini basitleştiren DFL Kaldırma (Dağılımsal Odak Kayıp) özelliğine sahiptir.

Eğitim için YOLO26, SGD ve Muon'un birleşimi olan MuSGD İyileştiricisini kullanır; bu yöntem LLM'den esinlenen eğitim kararlılığını görü görevlerine taşır ve yakınsamayı hızlandırır. %43'e kadar daha hızlı CPU çıkarımı (YOLO26n ile YOLO11n karşılaştırması) ve küçük nesne algılamayı iyileştiren ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması) özellikleriyle YOLO26, yeni kurumsal projeler için önerilen seçenektir.

Alternatif Mimariler

Donanım kısıtlarına bağlı olarak bu modelleri dengeli ve genel amaçlı görevler için Ultralytics YOLO11 ile karşılaştırmak veya özel, yüksek sadakat gerektiren 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 ve Tıbbi Görüntüleme: Tümör algılama sistemlerinde olduğu gibi her pikselin önemli olduğu durumlarda YOLOv9'un GELAN mimarisi ince ayrıntıların korunmasına yardımcı olur ve kritik teşhislerde yanlış negatifleri azaltabilir.
  • Perakende ve Envanter Analitiği: Yoğun biçimde istiflenmiş rafları izleyen akıllı süpermarket sistemlerinde YOLOv9, üst üste binen ürünleri güvenilir biçimde ayırt etmek için gereken mAP değerini sağlar.
  • Akıllı Şehirler ve Trafik İzleme: Hızlı ilerleyen lojistik ve trafik yönetimi süreçlerinde YOLOv8'in düşük gecikmesi ve kanıtlanmış sağlamlığı, birden fazla kamera akışındaki araçları eş zamanlı izlemek için modeli çok uygun kılar.
  • Uç Dağıtımlar: Raspberry Pi veya mobil donanım gibi kaynakları kısıtlı cihazlara dağıtım yapıyorsan YOLOv8'in verimli C2f blokları (ve YOLO26'nın CPU iyileştirmeleri) daha akıcı ve pil dostu bir çıkarım işlem hattı sunar.
Katkıda Bulunanlar

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. finfindaraGitHub(düzenlendi)

    Great comparison! YOLOv9 introduces notable improvements in detection accuracy and model optimization, particularly for smaller and densely packed objects. However, this YOLOv8 comparison shows that v8 still delivers a strong balance of speed, flexibility, and ease of deployment — making it a solid choice for many real-time applications. Both models have their strengths depending on the specific use case.