Link to this sectionPP-YOLOE+ ile YOLOv9 karşılaştırması#
Gerçek zamanlı bilgisayarlı görü dünyası sürekli değişiyor; araştırmacılar ve geliştiriciler doğruluk ve çıkarım hızı sınırlarını sürekli zorluyor. PP-YOLOE+ ve YOLOv9 modellerini karşılaştırırken, model mimarisi ve ekosistem tasarımı konusundaki iki farklı felsefeyi 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 durumlarını analiz eder.
Link to this sectionModel Kökeni ve Teknik Temeller#
Bu modellerin kökenlerini ve mimari tercihlerini anlamak, bilgisayarlı görü projelerin için uygun olup olmadıklarını belirlemek açısından çok önemlidir.
Link to this sectionPP-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
- Organizasyon: Baidu
- Tarih: 02.04.2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection Deposu
PP-YOLOE+, PaddlePaddle ekosisteminde dağıtım için yoğun şekilde optimize edilmiş, sağlam ve çapasız (anchor-free) bir mimari sunar. Özellik çıkarma ve sınırlayıcı kutu regresyonunu iyileştirmek için değiştirilmiş bir CSPRepResNet omurgası ve ET-head kullanır. Yüksek ortalama Hassasiyet (mAP) değerlerine ulaşsa da, PaddlePaddle çerçevesine olan bağımlılığı, PyTorch veya TensorFlow'a alışkın geliştiriciler için bazen entegrasyon zorlukları yaratabilir.
PP-YOLOE+ hakkında daha fazla bilgi edin
Link to this sectionYOLOv9'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 buluşu, özellikler derin sinir ağlarından geçerken veri kaybını önleyen Programlanabilir Gradyan Bilgisidir (PGI). Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birleştiğinde YOLOv9, parametre verimliliğini ve hesaplama akışını maksimize eder. 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
Link to this sectionPerformans ve Metrik Karşılaştırması#
Ham performans analiz edildiğinde, YOLOv9 olağanüstü bir parametre verimliliği sergiler. Daha az parametre ve FLOP gerektirerek benzer veya üstün doğruluk elde eder, bu da model eğitimi sırasında daha düşük VRAM gereksinimi 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.
Link to this sectionEkosistem, 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 artırmayı yönetmesine ve minimum kod yazarak 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")Dahası, Ultralytics ekosistemi benzersiz bir çok yönlülük sağlar. Çerçeve, sınırlayıcı kutu algılamanın ötesinde Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler. Bu, modelini karmaşık gerçek dünya süreçlerine uyarlamayı son derece verimli hale getirir.
Link to this sectionKullanım Durumları ve Öneriler#
PP-YOLOE+ ile YOLOv9 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şu durumlar için güçlü bir tercihtir:
- PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
- 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.
Link to this sectionNe 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.
Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionİleriye Bakış: YOLO26 Avantajı#
Hem PP-YOLOE+ hem de YOLOv9 güçlü olsalar da, yeni piyasaya sürülen YOLO26 üretim ortamları için kesin bir sonraki adımı temsil eder. Ocak 2026'da yayınlanan YOLO26, uç bilişim ve bulut dağıtımları için yeni bir standart belirler. Çığır açan yenilikleri nedeniyle tüm yeni bilgisayarlı görü projeleri için YOLO26'yı şiddetle öneriyoruz:
- 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 görüntüleri ve robotik için temel bir yükseltme olan küçük nesne tanımada kayda 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 çözüm sunan Ultralytics Platformu üzerinden YOLO26 modellerini kolayca eğitebilir ve dağıtabilirsin.
Link to this sectionGerçek Dünya Uygulamaları#
Bu mimariler arasında seçim yapmak genellikle hedef dağıtım ortamına dayanır.
PP-YOLOE+, özellikle PaddlePaddle entegrasyonunun ve Baidu donanım yığınının kurumsal altyapıya derinlemesine yerleşmiş olduğu bölgelerdeki endüstriyel üretim merkezlerinde sıklıkla dağıtılır. Mutlak hassasiyetin katı gerçek zamanlı kısıtlamalardan daha öncelikli olduğu statik görüntü analizinde mükemmeldir.
YOLOv9, hızlı gerçek zamanlı çıkarım gerektiren dinamik ortamlarda üstündür. Üstün parametre verimliliği, onu otonom drone navigasyonu ve uç tabanlı güvenlik sistemleri için ideal hale getirir. Ayrıca, düşük VRAM tüketimi, tüketici sınıfı GPU'larda eğitim yapan araştırmacılar için giriş engelini düşürür.
Akıllı şehir trafik yönetimi ve yüksek hızlı robotik genelinde mutlak en iyi performans için, daha yeni olan YOLO26 rakipsizdir ve NMS darboğazları olmadan uçtan uca verimlilik sunar.