YOLOv9 ve YOLOv8#
Gerçek zamanlı bilgisayarlı görü alanı son birkaç yılda büyük bir gelişim gösterdi; her yeni model, uç cihazlarda ve bulut sunucularında mümkün olanların kuramsal sınırlarını zorladı. Daha yeni YOLOv9 mimarisini oldukça popüler Ultralytics YOLOv8 çerçevesiyle karşılaştırırken geliştiriciler çoğu zaman öncü kuramsal gradyan yolları ile üretimde kendini kanıtlamış bir ekosistem arasında seçim yapmak zorunda kalır.
Bu kapsamlı kılavuz, doğru modeli seçmene yardımcı olmak için bu iki güçlü modeli karşılaştırır; mimari yenilikleri, performans metriklerini ve ideal dağıtım senaryolarını inceler.
Teknik Özellikler ve Yazarlar#
Bu modellerin kökenini anlamak, tasarım tercihlerine ilişkin önemli bir bağlam sağlar.
YOLOv9 Academia Sinica, Tayvan Bilgi Bilimi 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 odaklanır. Özgün YOLOv9 araştırma makalesini Arxiv'de inceleyebilir veya kaynak kodunu resmî YOLOv9 GitHub deposunda görüntüleyebilirsin.
YOLOv9 hakkında daha fazla bilgi edin
Ultralytics YOLOv8 Ultralytics bünyesinde Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen YOLOv8, 10 Ocak 2023'te kullanıma sunuldu. Çok çeşitli görsel görevler için birleşik bir API sunarak çok yönlülükte sektör standardı hâline geldi. Kaynak kodu, sürekli güncellemeler ve uzun vadeli kararlılık sağlayan ana Ultralytics GitHub deposunda yönetilir.
Mimari Yenilikler#
YOLOv9: Programlanabilir Gradyan Bilgisi#
YOLOv9'un belirleyici özelliği, Programlanabilir Gradyan Bilgisi (PGI) ile Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) sunmasıdır. Evrişimli sinir ağları derinleştikçe ileri beslemeli süreçte genellikle önemli 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 İşlemiyle (FLOPs) yüksek hassasiyete ulaşmasına olanak tanır.
YOLOv8: Çok Yönlü İş Gücü#
YOLOv8, kutu tahminlerinin sayısını azaltan ve işlem sonrası aşamada Maksimum Olmayan Bastırma'yı (NMS) hızlandıran, çapaları kaldırılmış sadeleştirilmiş bir 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 gözetilerek tasarlandı ve kutudan çıktığı gibi nesne tespiti, örnek bölütleme, poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutu (OBB) çıkarımını yerel olarak destekler.
YOLOv9 olağanüstü ham tespit metrikleri sunsa da karmaşık işlem hatlarına yerel olarak entegre edilmesi zor olabilir. YOLOv9'u Ultralytics çerçevesi üzerinden kullanmak bu açığı kapatarak güçlü dışa aktarma ve dağıtım araçlarımıza erişim sağlar.
Performans Dengesi ve Kıyaslamalar#
Görsel modelleri dağıtırken hız ve doğruluk arasındaki ödünleşim en kritik etkendir. Aşağıda standart COCO veri kümesi üzerinde değerlendirilen model boyutlarının, gecikmenin ve ortalama Ortalama Hassasiyetin ayrıntılı 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Metrikler incelendiğinde YOLOv9, parametre ve doğruluk arasında dikkat çekici bir oran sergiler. YOLOv9c modeli yalnızca 25.5M parametre kullanarak etkileyici %53.0 mAP değerine ulaşır. Ancak YOLOv8, Bellek gereksinimleri ve donanım hızlandırıcılarındaki çıkarım hızı açısından önemli bir avantaja sahiptir; özellikle YOLOv8n, NVIDIA TensorRT kurulumunda 1.47 ms'de çalışır.
Ultralytics Ekosisteminin Avantajı#
Mimari seçerken göz önünde bulundurulması gereken önemli bir konu, Kullanım Kolaylığı ve onu çevreleyen yazılım ekosistemidir. Bağımlılıkları yönetmek, özel veri yükleyicileri yazmak ve karmaşık dışa aktarma betikleriyle uğraşmak geliştirme sürecini yavaşlatabilir. Entegre Ultralytics ekosistemi bu karmaşıklıkları ortadan kaldırır.
YOLOv8'i veya (Ultralytics kütüphanesinde tam olarak desteklenen) YOLOv9'u seçtiğinde birleşik bir API'den, otomatik veri artırma tekniklerinden ve kolaylaştırılmış ONNX biçimine aktarımdan yararlanırsın. Ayrıca Ultralytics mimarileri genellikle son derece optimize edilmiş Eğitim Verimliliği sunar ve büyük Transformer tabanlı modellerde yaygın olarak görülen aşırı CUDA bellek kullanımını önler.
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, Çok Görevli Dağıtım: 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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
İleriye Bakış: YOLO26'nın Gelişi#
YOLOv8 ve YOLOv9 son derece yetenekli olsa da bilgisayarlı görü alanı hızla gelişiyor. Ocak 2026'da yayımlanan Ultralytics YOLO26 modelini modern dağıtımlar için kullanmanı önemle tavsiye ederiz.
YOLO26, nesne algılayıcılarının üretimde çalışma biçiminde bir paradigma değişikliğini temsil eder. Yerel Uçtan Uca, NMS Gerektirmeyen Tasarım özelliği (isteğe bağlı olarak nms=False üzerinden kullanılabilir), işlem sonrasındaki gecikmeyi ve belirleyici olmayan davranışı ortadan kaldırır. Uç ve düşük güç tüketimli donanımları daha iyi desteklemek için YOLO26, DFL'nin Kaldırılması (Distribution Focal Loss) özelliğini bütünüyle uygular ve mobil cihazlara aktarımı çok daha basit hâle getirir.
Ayrıca YOLO26, SGD ile Muon'u birleştirerek LLM düzeyindeki eğitim kararlılığını görsel görevlere taşıyan çığır açıcı MuSGD Optimizasyonunu kullanır ve bunun sonucunda yakınsama önemli ölçüde hızlanır. %43'e Varan Daha Hızlı CPU Çıkarımı ve küçük nesne tanımayı büyük ölçüde iyileştiren ProgLoss + STAL entegrasyonuyla YOLO26, yeni kurumsal girişimler için tartışmasız en iyi seçenektir.
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 Hizmetleri ve Tıbbi Görüntüleme: Tümör tespit sistemleri gibi her pikselin önemli olduğu uygulamalarda YOLOv9'un GELAN mimarisi ince ayrıntıları son derece iyi koruyarak kritik tanılardaki yanlış negatifleri azaltır.
- 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 tempolu lojistik ve trafik yönetimi uygulamalarında YOLOv8'in çok düşük gecikmesi ve kanıtlanmış sağlamlığı, birden fazla kamera akışındaki araçları aynı anda izlemek için onu ideal kılar.
- Uç Dağıtımlar: Raspberry Pi gibi kaynakları kısıtlı cihazlara veya mobil donanıma dağıtım yapıyorsan YOLOv8'in yüksek düzeyde optimize edilmiş C2f blokları (ve YOLO26'nın CPU optimizasyonları) çok daha akıcı ve pil dostu bir çıkarım işlem hattı sağlar.