PP-YOLOE+ ve YOLOv9#
Gerçek zamanlı bilgisayarlı görü alanı sürekli değişiyor; araştırmacılar ve geliştiriciler doğruluk ve çıkarım hızı sınırlarını durmaksızın zorluyor. PP-YOLOE+ ile YOLOv9 modellerini karşılaştırırken, model mimarisi ve ekosistem tasarımı konusunda birbirinden farklı iki yaklaşımı ele alıyoruz.
Bu kapsamlı teknik karşılaştırma, bir sonraki dağıtımın için doğru nesne algılama modelini seçmene yardımcı olmak üzere bu modellerin mimari yeniliklerini, performans ölçütlerini, eğitim yöntemlerini ve ideal kullanım alanlarını inceliyor.
Modelin Kökeni ve Teknik Temelleri#
Bu modellerin kökenlerini ve mimari tercihlerini anlamak, bilgisayarlı görü projelerine uygun olup olmadıklarını belirlemek açısından kritik öneme sahiptir.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle yazarları tarafından geliştirilen PP-YOLOE+, 2 Nisan 2022'de tanıtıldı. Yüksek performanslı nesne algılama sunmak için PaddleDetection çatısı içindeki önceki sürümlerin üzerine inşa edilmiştir.
- Yazarlar: PaddlePaddle yazarları
- Kurum: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddleDetection Deposu
PP-YOLOE+, PaddlePaddle ekosisteminde dağıtım için yoğun biçimde optimize edilmiş, güçlü ve anchor-free bir mimari sunar. Özellik çıkarımını ve sınırlayıcı kutu regresyonunu iyileştirmek için değiştirilmiş bir CSPRepResNet omurgası ve ET-head kullanır. Yüksek Ortalama Hassasiyet (mAP) elde etse de PaddlePaddle çatısına bağlı olması, PyTorch veya TensorFlow'a 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 Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin öğrenmedeki bilgi darboğazlarını verimli biçimde ele alma konusunda önemli bir ilerlemeye işaret eder.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- Tarih: 2024-02-21
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
YOLOv9'un en önemli atılımı, özellikler derin sinir ağlarından geçerken veri kaybını önleyen Programmable Gradient Information'dır (PGI). Generalized Efficient Layer Aggregation Network (GELAN) ile birleştirilen YOLOv9, parametre verimliliğini ve hesaplama akışını en üst düzeye çıkarır. Ayrıca Ultralytics ekosistemine yerel olarak entegre edilmesi, onu hem araştırma hem de ticari uygulamalar için son derece erişilebilir kılar.
YOLOv9 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Ham performans değerlendirildiğinde YOLOv9, olağanüstü parametre verimliliği sergiler. Daha az parametre ve FLOP gerektirirken benzer veya daha yüksek doğruluk elde eder; bunun sonucunda model eğitimi sırasında daha az VRAM gerekir.
| 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 | 7.2 | 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 |
Tabloda görüldüğü üzere YOLOv9c, benzer PP-YOLOE+l modelinden (52,2M) önemli ölçüde daha az parametreyle (25,5M) 53,0 mAP gibi güçlü bir değer elde ediyor. Daha az bellek kullanması, YOLOv9'u kısıtlı GPU kaynaklarıyla çalışan geliştiriciler için daha iyi bir seçenek hâline getiriyor.
Ekosistem, Çok Yönlülük ve Kullanım Kolaylığı#
YOLOv9'un belirleyici avantajı, bakımı iyi yapılan Ultralytics ekosistemiyle sorunsuz biçimde bütünleşmesidir. PP-YOLOE+ karmaşık PaddlePaddle yapılandırma dosyalarında gezinmeyi gerektirirken YOLOv9, yalın bir Python API'sinin avantajlarından yararlanır.
Ultralytics Python API'si, geliştiricilerin önceden eğitilmiş ağırlıkları yüklemesine, veri artırmayı yönetmesine ve minimum ek kodla eğitimi başlatmasına olanak tanır.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLOv9 modeli yükle
model = YOLO("yolov9c.pt")
# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")
# Modeli ONNX biçimine aktar
model.export(format="onnx")Ayrıca Ultralytics ekosistemi benzersiz bir çok yönlülük sunar. Çerçeve, sınırlayıcı kutu algılamanın yanı sıra Örnek Segmentasyonu, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı da yerel olarak destekler. Böylece modelini karmaşık gerçek dünya işlem hatlarına uyarlamak son derece verimli olur.
Kullanım Alanları ve Öneriler#
PP-YOLOE+ ile YOLOv9 arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+'ı Ne Zaman Seçmeli#
PP-YOLOE+ şu durumlar için güçlü bir seçenektir:
- PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
- Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
- Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.
YOLOv9'u Ne Zaman Seçmeli?#
YOLOv9 şu durumlarda önerilir:
- 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.
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 Avantajı#
Hem PP-YOLOE+ hem de YOLOv9 güçlü modeller olsa da yeni yayımlanan YOLO26, üretim ortamları için kesinlikle bir sonraki adımdır. Ocak 2026'da yayımlanan YOLO26, uç bilişim ve bulut dağıtımı için yeni bir standart belirliyor. Çığır açan yenilikleri nedeniyle tüm yeni bilgisayarlı görü projeleri için YOLO26'yı şiddetle öneriyoruz:
- Uçtan Uca, NMS İçermeyen Tasarım: YOLO26 yerel uçtan uca çıkarımı destekler;
nms=Falseile çalıştırıldığında Maksimum Olmayan Bastırma (NMS) son işleme adımına gerek kalmaz. Bu, dağıtım işlem hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır. - CPU Çıkarımında %43'e Varan Hız Artışı: YOLO26, mimariyi uç bilişim için özel olarak optimize ederek özel GPU'su olmayan donanımlarda önemli ölçüde daha hızlı çalışır.
- DFL'nin Kaldırılması: Distribution Focal Loss kaldırılarak dışa aktarma işlemleri basitleştirilir ve düşük güç tüketimli uç cihazlarla uyumluluk büyük ölçüde iyileştirilir.
- MuSGD Optimize Edici: 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 fonksiyonları, küçük nesneleri tanımada kayda değer iyileştirmeler sağlar; bu da hava görüntüleri ve robotik için önemli bir yükseltmedir.
- Göreve Özel İyileştirmeler: YOLO26; segmentasyon için çok ölçekli proto ve poz tahmini için Residual Log-Likelihood Estimation (RLE) gibi belirli görevlere özel mimariler içerir.
YOLO26 modellerini, veri kümesi etiketleme, bulutta eğitim ve model izleme için hepsi bir arada çözüm sunan Ultralytics Platformu üzerinden kolayca eğitip dağıtabilirsin.
Gerçek Dünya Uygulamaları#
Bu mimariler arasında seçim yapmak çoğu zaman hedef dağıtım ortamına bağlıdır.
PP-YOLOE+, özellikle PaddlePaddle entegrasyonunun ve Baidu'nun donanım yığınının kurumsal altyapıya derinlemesine yerleştiği bölgelerdeki endüstriyel üretim merkezlerinde sıkça kullanılır. Mutlak hassasiyetin katı gerçek zamanlı kısıtlamalardan daha öncelikli olduğu statik görüntü analizlerinde üstün performans gösterir.
YOLOv9, hızlı gerçek zamanlı çıkarım gerektiren dinamik ortamlarda üstün performans gösterir. Yüksek parametre verimliliği, onu otonom drone navigasyonu ve uç tabanlı güvenlik sistemleri için ideal kılar. Ayrıca daha az VRAM kullanması, tüketici sınıfı GPU'larda eğitim yapan araştırmacılar için erişim eşiğini düşürür.
Akıllı şehirlerde trafik yönetimi ve yüksek hızlı robotikte en iyi performans için daha yeni YOLO26 rakipsizdir; NMS darboğazlarının ek yükü olmadan isteğe bağlı uçtan uca çıkarım sunar.