PP-YOLOE+ ve YOLOv9#
Gerçek zamanlı bilgisayarlı görü dünyası sürekli değişiyor; araştırmacılar ve geliştiriciler doğruluk ile çıkarım hızının sınırlarını sürekli zorluyor. PP-YOLOE+ ve YOLOv9 karşılaştırıldığında, model mimarisi ve ekosistem tasarımı açısından iki farklı yaklaşımı inceliyoruz.
Bu kapsamlı teknik karşılaştırma, bir sonraki dağıtımın için doğru nesne algılama modelini seçmene yardımcı olmak amacıyla mimari yeniliklerini, performans metriklerini, eğitim yöntemlerini ve ideal kullanım alanlarını analiz ediyor.
Model Soyu ve Teknik Temeller#
Bu modellerin kökenlerini ve mimari seçimlerini anlamak, bilgisayarlı görü projelerin için ne kadar uygun olduklarını belirlemek açısından kritik önem taşır.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle geliştiricileri tarafından geliştirilen PP-YOLOE+, 2 Nisan 2022'de tanıtıldı. Yüksek performanslı nesne algılama sunmak için PaddleDetection çatısı içindeki önceki sürümler üzerine kurulmuştur.
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddleDetection deposu
PP-YOLOE+, PaddlePaddle ekosisteminde dağıtım için kapsamlı biçimde optimize edilmiş, güçlü bir anchorsız mimari sunar. Özellik çıkarma ve sınırlayıcı kutu regresyonunu iyileştirmek için değiştirilmiş bir CSPRepResNet omurgası ve ET-head kullanır. Yüksek ortalama hassasiyet (mAP) elde etse de PaddlePaddle çatısına olan bağımlılığı, PyTorch veya TensorFlow kullanmaya alışkın geliştiriciler için zaman zaman entegrasyon zorluklarına yol açabilir.
PP-YOLOE+ hakkında daha fazla bilgi edin
YOLOv9'a Genel Bakış#
Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin öğrenmedeki bilgi darboğazlarını verimli biçimde ele alma konusunda önemli bir sıçramaya işaret eder.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
- Tarih: 2024-02-21
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
YOLOv9'un en önemli yeniliği, özellikler derin sinir ağlarından geçerken veri kaybını önleyen Programlanabilir Gradyan Bilgisi'dir (PGI). Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte YOLOv9, parametre verimliliğini ve hesaplama akışını en üst düzeye çıkarır. Ayrıca Ultralytics ekosistemine yerel olarak entegre edilmiştir; bu da onu hem araştırma hem de ticari uygulamalar için son derece erişilebilir kılar.
YOLOv9 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Ham performans incelendiğinde YOLOv9, olağanüstü parametre verimliliği sergiler. Daha az parametre ve FLOPs gerektirirken benzer veya daha yüksek doğruluk elde eder; bu da model eğitimi sırasında daha düşük VRAM gereksinimine dönüşür.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
Tabloda görüldüğü üzere YOLOv9c, karşılaştırılabilir PP-YOLOE+l modelinden (52.2M) önemli ölçüde daha az parametreyle (25.3M) güçlü bir 53.0 mAP elde eder. Bu düşük bellek kullanımı, YOLOv9'u kısıtlı GPU kaynaklarıyla çalışan geliştiriciler için daha üstün bir seçenek haline getirir.
Ekosistem, Çok Yönlülük ve Kullanım Kolaylığı#
YOLOv9'un belirleyici avantajı, iyi bakımı yapılan Ultralytics ekosistemiyle sorunsuz entegrasyonunda yatar. PP-YOLOE+ karmaşık PaddlePaddle yapılandırma dosyalarında gezinmeyi gerektirirken YOLOv9, yalınlaştırılmış bir Python API'den yararlanır.
Ultralytics Python API, geliştiricilerin önceden eğitilmiş ağırlıkları yüklemesine, veri artırmayı yönetmesine ve minimum başlangıç koduyla eğitimi başlatmasına olanak tanır.
from ultralytics import YOLO
# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
model.export(format="onnx")Ayrıca Ultralytics ekosistemi eşsiz bir çok yönlülük sunar. Sınırlayıcı kutu algılamanın ötesinde çatı, yerel olarak örnek bölütlemeyi, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler. Bu, modelini karmaşık gerçek dünya iş akışlarına uyarlamayı son derece verimli hale getirir.
Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile YOLOv9 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+, şu kişiler için güçlü bir seçimdir:
- PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
- Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.
YOLOv9 Ne Zaman Seçilmeli?#
YOLOv9 şu durumlar için önerilir:
- 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.
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 Avantajı#
Hem PP-YOLOE+ hem de YOLOv9 güçlü olsa da yeni yayımlanan YOLO26, üretim ortamları için kesin bir sonraki adımı temsil eder. Ocak 2026'da yayımlanan YOLO26, uç bilişim ve bulut dağıtımları için yeni bir standart oluşturur. Çığır açan yenilikleri nedeniyle tüm yeni bilgisayarlı görü projelerinde YOLO26'yı kesinlikle öneriyoruz:
- Uçtan Uca NMS'siz Tasarım: YOLO26 yerel olarak uçtan uca çalışır ve Maksimum Olmayan Bastırma (NMS) son işleme gereksinimini tamamen ortadan kaldırır. Bu, dağıtım iş akışlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimariyi özellikle uç bilişim için optimize eden YOLO26, özel GPU'ları olmayan donanımlarda önemli ölçüde daha hızlıdır.
- DFL'nin Kaldırılması: Dağılımsal Odak Kayıbı kaldırılarak dışa aktarma işlemleri basitleştirilmiş ve düşük güç tüketimli uç cihazlarla uyumluluk büyük ölçüde iyileştirilmiştir.
- MuSGD Optimizasyonu: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) ilham alan bu SGD ve Muon birleşimi, son derece kararlı eğitim dinamikleri ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntülerindeki ve robotikteki küçük nesnelerin tanınmasında dikkate değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, bölütleme için çok ölçekli proto ve poz tahmini için Artık Log-Olasılık Tahmini (RLE) gibi belirli görevlere yönelik özelleştirilmiş mimariler içerir.
YOLO26 modellerini veri kümesi açıklama, bulut eğitimi ve model izleme için hepsi bir arada çözüm olan Ultralytics Platformu üzerinden kolayca eğitebilir ve dağıtabilirsin.
Gerçek Dünya Uygulamaları#
Bu mimariler arasında seçim yapmak çoğunlukla hedef dağıtım ortamına bağlıdır.
PP-YOLOE+, özellikle PaddlePaddle entegrasyonunun ve Baidu'nun donanım yığınının kurumsal altyapıya derinlemesine yerleştiği bölgelerdeki endüstriyel üretim merkezlerinde sıklıkla kullanıma alınır. Mutlak hassasiyetin katı gerçek zamanlı kısıtlamalara göre önceliklendirildiği sabit görüntü analizinde başarılıdır.
YOLOv9, hızlı gerçek zamanlı çıkarım gerektiren dinamik ortamlarda başarılıdır. Üstün parametre verimliliği, onu otonom drone navigasyonu ve uç tabanlı güvenlik sistemleri için ideal kılar. Ayrıca daha düşük VRAM tüketimi, tüketici sınıfı GPU'larla eğitim yapan araştırmacılar için giriş engelini azaltır.
Akıllı şehir trafik yönetimi ve yüksek hızlı robotikte mutlak en iyi performans için daha yeni YOLO26 eşsizdir; NMS darboğazlarının ek yükü olmadan uçtan uca verimlilik sunar.