PP-YOLOE+ ve YOLOv9
Araştırmacılar ve geliştiriciler doğruluğu ve çıkarım hızını artırdıkça gerçek zamanlı bilgisayarlı görü gelişmeye devam ediyor. PP-YOLOE+ ile YOLOv9 modellerini karşılaştırırken model mimarisi ve ekosistem tasarımına yönelik iki farklı yaklaşımı değerlendiriyorsun.
Bu teknik karşılaştırma; sonraki dağıtımın için doğru nesne algılama modelini seçmene yardımcı olmak üzere 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#
Academia Sinica, Tayvan'daki Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin ağlardaki bilgi darboğazlarını ele alma konusunda önemli bir ilerlemedir.
- 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 temel katkısı, özellikler derin sinir ağlarından geçerken bilgi kaybını azaltan Programlanabilir Gradyan Bilgisi (PGI) yöntemidir. Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ile bir araya geldiğinde YOLOv9, parametre verimliliğini ve hesaplama akışını en üst düzeye çıkarır. Ayrıca Ultralytics ekosistemine yerel olarak entegre edilmiştir; bu da YOLOv9'u hem araştırma hem de ticari uygulamalar için oldukça erişilebilir kılar.
YOLOv9 hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Ham performansı incelerken YOLOv9 güçlü bir parametre verimliliği sergiliyor. Model eğitimi sırasında daha az VRAM gerektirerek benzer veya daha yüksek doğruluğa ulaşıyor.
| Model | boyut (piksel) | mAPval50-95 | 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 gibi YOLOv9c, benzer PP-YOLOE+l modelinden (52.2M) önemli ölçüde daha az parametreyle (25.5M) güçlü bir 53.0 mAP değerine ulaşıyor. Bu düşük bellek kullanımı, YOLOv9'u sınırlı 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 bütünleşmesidir. PP-YOLOE+ karmaşık PaddlePaddle yapılandırma dosyaları arasında gezinmeyi gerektirirken YOLOv9, basitleştirilmiş bir Python API'sinden yararlanır.
Ultralytics Python API, geliştiricilerin önceden eğitilmiş ağırlıkları yüklemesine, veri artırmayı yönetmesine ve çok az yardımcı kodla eğitime başlamasına 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")Ultralytics ekosistemi ayrıca geniş bir çok yönlülük sunar. Çerçeve, sınırlayıcı kutu tespitinin yanı sıra yerel olarak Örnek Segmentasyonu, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini destekler. Böylece modelini karmaşık gerçek dünya işlem hatlarına verimli biçimde uyarlayabilirsin.
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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
- 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#
PP-YOLOE+ ve YOLOv9 güçlü modeller olsa da yeni yayımlanan YOLO26, üretim ortamları için doğal bir sonraki adımdır. Ocak 2026'da yayımlanan YOLO26, hem uç bilişim hem de bulut dağıtımları için tasarlanmıştır ve şu yenilikler sayesinde yeni bilgisayarlı görü projeleri için önerilen modeldir:
- Uçtan Uca, NMS'siz Tasarım: YOLO26,
nms=Falseile çalıştırıldığında yerel uçtan uca çıkarımı destekleyerek Maksimum Olmayan Bastırma (NMS) son işlemesine duyulan ihtiyacı ortadan kaldırır. Bu, dağıtım işlem hatlarını önemli ölçüde basitleştirir ve gecikmeyi azaltır. - CPU Çıkarımında %43'e Varan Hız Artışı: Mimariyi uç bilişim için optimize eden YOLO26n, yalnızca CPU bulunan donanımlarda YOLO11n'den %43'e kadar daha hızlı çalışır.
- DFL'nin Kaldırılması: Dağılım Odaklı Kayıp kaldırılarak dışa aktarma işlemleri basitleştirildi ve düşük güçlü uç cihazlarla uyumluluk artırıldı.
- MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'sinin ardındaki teknikler gibi büyük dil modeli eğitim tekniklerinden ilham alan bu SGD ve Muon birleşimi, kararlı eğitim dinamikleri ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, hava görüntülerinde ve robotikte önemli bir iyileştirme olan küçük nesne tanımada kayda değer kazanımlar sağlar.
- 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+, PaddlePaddle çerçevesinin ve Baidu donanım yığınının kurumsal altyapıya derinlemesine yerleştiği endüstriyel üretim ortamlarında sıklıkla kullanılır. Sıkı gerçek zamanlı kısıtlar yerine en yüksek hassasiyetin önceliklendirildiği durağan görüntü analizlerinde iyi performans gösterir.
YOLOv9, hızlı gerçek zamanlı çıkarım gerektiren dinamik ortamlarda iyi performans gösterir. Parametre verimliliği, YOLOv9'u otonom drone navigasyonu ve uç tabanlı güvenlik sistemleri için çok uygun kılar. Ayrıca düşük VRAM tüketimi, tüketici sınıfı GPU'larda eğitim yapan araştırmacılar için giriş engelini azaltır.
Akıllı şehir trafik yönetimi ve yüksek hızlı robotikte en iyi performans için NMS ek yükü olmadan isteğe bağlı uçtan uca çıkarım sunan yeni YOLO26 önerilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.