PP-YOLOE+ ile YOLOv9 karşılaştırması#
Gerçek zamanlı bilgisayarlı görü dünyası sürekli olarak değişmektedir; araştırmacılar ve geliştiriciler doğruluk ve çıkarım hızının sınırlarını sürekli olarak zorlamaktadır. PP-YOLOE+ ve YOLOv9 karşılaştırıldığında, model mimarisi ve ekosistem tasarımında iki farklı felsefeyi incelemiş oluyoruz.
Bu kapsamlı teknik karşılaştırma; bir sonraki dağıtımınız için doğru nesne tespiti modelini seçmenize yardımcı olmak amacıyla mimari yenilikleri, performans metriklerini, eğitim metodolojilerini ve ideal kullanım senaryolarını analiz eder.
Model Kökeni ve Teknik Temeller#
Bu modellerin kökenlerini ve mimari tercihlerini anlamak, bilgisayarlı görü projeleri içindeki uygunluklarını belirlemek açısından çok önemlidir.
PP-YOLOE+ Genel Bakış#
Baidu'daki PaddlePaddle yazarları tarafından geliştirilen PP-YOLOE+, 2 Nisan 2022'de tanıtıldı. Yüksek performanslı nesne algılama sağlamak için PaddleDetection çerçevesindeki önceki yinelemelerin üzerine inşa edilmiştir.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 02.04.2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection Deposu
PP-YOLOE+, PaddlePaddle ekosistemi içinde dağıtım için yoğun bir şekilde optimize edilmiş, sağlam, çıpasız (anchor-free) bir mimari sunar. Özellik çıkarımını ve sınırlayıcı kutu (bounding box) regresyonunu iyileştirmek için değiştirilmiş bir CSPRepResNet omurgası (backbone) ve bir ET-head kullanır. Yüksek ortalama Ortalama Kesinlik (mAP) elde ederken, PaddlePaddle çerçevesine olan bağımlılığı PyTorch veya TensorFlow'a alışkın geliştiriciler için bazen entegrasyon sürtüşmesine neden olabilir.
PP-YOLOE+ hakkında daha fazla bilgi edin
YOLOv9'a Genel Bakış#
Tayvan, Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin öğrenmedeki bilgi darboğazlarının (information bottlenecks) verimli bir şekilde yönetilmesinde önemli bir sıçramayı temsil eder.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
- Tarih: 2024-02-21
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
YOLOv9'un en büyük atılımı, özellikler derin sinir ağlarından geçerken veri kaybını önleyen Programlanabilir Gradyan Bilgisi'dir (PGI). Genelleştirilmiş Etkili Katman Birleştirme Ağı (GELAN) ile birleştiğinde YOLOv9, parametre verimliliğini ve hesaplama akışını maksimize eder. Ek olarak, Ultralytics ekosistemine yerel olarak entegre edilmiştir, bu da onu hem araştırma hem de ticari uygulamalar için son derece erişilebilir kılmaktadır.
YOLOv9 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Ham performans analiz edildiğinde YOLOv9 olağanüstü bir parametre verimliliği gösterir. Daha az parametre ve FLOP gerektirirken karşılaştırılabilir veya üstün doğruluk elde eder; bu da model eğitimi sırasında daha düşük VRAM gereksinimleri anlamına gelir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 gibi, YOLOv9c, benzeri olan PP-YOLOE+l modeline (52.2M) kıyasla önemli ölçüde daha az parametre (25.3M) ile 53.0 mAP gibi güçlü bir değer elde eder. Bu daha düşük bellek kullanımı, YOLOv9'u kısıtlı GPU kaynaklarıyla çalışan geliştiriciler için üstün bir seçenek haline getirir.
Ekosistem, Çok Yönlülük ve Kullanım Kolaylığı#
YOLOv9'un belirleyici avantajı, bakımı iyi yapılan Ultralytics ekosistemiyle sorunsuz entegrasyonunda yatar. PP-YOLOE+ karmaşık PaddlePaddle yapılandırma dosyalarında gezinmeyi gerektirirken, YOLOv9 modern bir Python API'sinin avantajlarından yararlanır.
Ultralytics Python API, geliştiricilerin önceden eğitilmiş ağırlıkları yüklemesine, veri artırma işlemlerini yönetmesine ve minimum kalıp kodla (boilerplate code) eğitime başlamasına 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 benzersiz bir çok yönlülük sunar. Sınırlayıcı kutu tespiti ötesinde çerçeve; Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini yerel olarak destekler. Bu, modelinizi karmaşık gerçek dünya boru hatlarına (pipelines) uyarlamayı inanılmaz derecede verimli hale getirir.
Kullanım Durumları ve Öneriler#
PP-YOLOE+ ile YOLOv9 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
PP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şu durumlar için güçlü bir tercihtir:
- PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
- Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.
Ne Zaman YOLOv9 Seçilmeli#
YOLOv9 şunlar için önerilir:
- 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.
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.
İleriye Bakış: YOLO26 Avantajı#
Hem PP-YOLOE+ hem de YOLOv9 güçlü olsa da, yeni piyasaya sürülen YOLO26 üretim ortamları için kesin bir sonraki adımdır. Ocak 2026'da yayınlanan YOLO26, uç bilişim ve bulut dağıtımları için yeni bir standart belirlemektedir. Çığır açan yenilikleri nedeniyle tüm yeni bilgisayarlı görü projeleri için YOLO26'yı şiddetle tavsiye ediyoruz:
- Uçtan Uca NMS-Free Tasarım: YOLO26, yerel olarak uçtan uca çalışır ve işlem sonrası Non-Maximum Suppression (NMS) gereksinimini tamamen ortadan kaldırır. Bu, dağıtım süreçlerini önemli ölçüde basitleştirir ve gecikmeyi azaltır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Mimariyi özellikle uç bilişim için optimize eden YOLO26, özel GPU'su olmayan donanımlarda önemli ölçüde daha hızlıdır.
- DFL Kaldırılması: Distribution Focal Loss (DFL) kaldırılmıştır, bu da dışa aktarmaları daha basit hale getirir ve düşük güçlü uç cihazlarla uyumluluğu önemli ölçüde artırır.
- MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden (Moonshot AI'nin Kimi K2'si gibi) ilham alan bu SGD ve Muon melezi, son derece kararlı eğitim dinamikleri ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntütleri ve robotik için temel bir yükseltme olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
- Göreve Özel İyileştirmeler: YOLO26, bölümleme için çok ölçekli proto ve poz tahmini için Residual Log-Likelihood Estimation (RLE) gibi belirli görevlere yönelik özelleştirilmiş mimariler içerir.
Veri kümesi etiketleme, bulut eğitimi ve model izleme için hepsi bir arada bir çözüm olan Ultralytics Platform aracılığıyla YOLOv9 modellerini kolayca eğitebilir ve dağıtabilirsiniz.
Gerçek Dünya Uygulamaları#
Bu mimariler arasında seçim yapmak genellikle hedef dağıtım ortamına dayanır.
PP-YOLOE+, özellikle PaddlePaddle entegrasyonu ve Baidu'nun donanım yığınının kurumsal altyapıya derinlemesine gömülü olduğu bölgelerde, endüstriyel üretim merkezlerinde sıklıkla konuşlandırılır. Mutlak hassasiyetin katı gerçek zamanlı kısıtlamalara tercih edildiği statik görüntü analizinde üstündür.
YOLOv9, hızlı gerçek zamanlı çıkarım gerektiren dinamik ortamlarda üstündür. Üstün parametre verimliliği onu otonom drone navigasyonu ve uç tabanlı güvenlik sistemleri için ideal kılar. Dahası, daha düşük VRAM tüketimi, tüketici sınıfı GPU'larda eğitim yapan araştırmacılar için giriş bariyerini düşürür.
akıllı şehir trafik yönetimi ve yüksek hız robotik alanlarında mutlak en iyi performans için, daha yeni olan YOLO26, NMS darboğazlarının yükü olmaksızın uçtan uca verimlilik sunarak rakipsizdir.