YOLO11 vs YOLOv9: Kapsamlı Bir Teknik Karşılaştırma

Hızla ilerleyen bilgisayarla görme alanında, doğru nesne algılama modelini seçmek proje başarısı için kritik öneme sahiptir. Bu karşılaştırma, aşağıdakiler arasındaki teknik nüansları araştırmaktadır Ultralytics YOLO11gerçek dünya verimliliği için tasarlanmış en son teknoloji ürünü model ve YOLOv9teorik yenilikleriyle bilinen araştırma odaklı bir mimaridir. Mimari farklılıklarını, performans ölçümlerini ve çeşitli dağıtım senaryoları için uygunluklarını analiz ediyoruz.

Ultralytics YOLO11: Üretim Yapay Zekası için Standart

Glenn Jocher ve Jing Qiu tarafından 27 Eylül 2024 tarihinde UltralyticsYOLO11 , verimli sinir ağı tasarımına yönelik kapsamlı Ar-Ge çalışmalarının doruk noktasını temsil etmektedir. Pratik kullanılabilirlik yerine genellikle teorik ölçümlere öncelik veren akademik modellerin aksine, YOLO11 geliştiriciler ve işletmeler için en uygun hız, doğruluk ve kaynak verimliliği dengesini sağlamak üzere tasarlanmıştır.

Teknik Detaylar:

• Yazarlar: Glenn Jocher, Jing Qiu
• Organizasyon:Ultralytics
• Tarih: 2024-09-27
• GitHub:ultralytics
• Dokümanlar:YOLO11 Dokümantasyonu

Mimari ve Özellikler

YOLO11 , kompakt form faktörünü korurken özellik çıkarımını geliştiren rafine bir mimari sunar. Önceki nesillere kıyasla daha az parametre ile karmaşık desenleri yakalamak için özel olarak tasarlanmış gelişmiş bir backbone ve boyun yapısı kullanır. YOLOv8. Bu tasarım felsefesi, YOLO11 modellerinin uç cihazlar gibi kaynak kısıtlaması olan donanımlarda algılama kabiliyetinden ödün vermeden son derece iyi çalışmasını sağlar.

YOLO11 'in öne çıkan bir özelliği de doğal çok yönlülüğüdür. Birçok model kesinlikle nesne algılayıcı olsa da, YOLO11 tek bir çerçeve içinde çok çeşitli bilgisayarla görme görevlerini destekler:

• Nesne Algılama
• Örnek Segmentasyonu
• Görüntü Sınıflandırması
• Poz Tahmini
• Yönlendirilmiş Sınırlayıcı Kutu (OBB)

Üretimde Güçlü Yönler

Geliştiriciler için YOLO11 'in birincil avantajı Ultralytics ekosistemine entegrasyonudur. Bu, basit bir Python API 'si ve kapsamlı CLI ile kolaylaştırılmış bir kullanıcı deneyimi sağlar.

YOLO11 hakkında daha fazla bilgi edinin

YOLOv9: Bilgi Darboğazlarının Ele Alınması

2024 yılının başlarında Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9 , derin öğrenme teorisi zorluklarını, özellikle de bilgi darboğazı sorununu çözmeye odaklanmaktadır. Özellik korumada mümkün olanın sınırlarını zorlayan akademik titizliğin bir kanıtıdır.

Teknik Detaylar:

• Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
• Organizasyon:Academia Sinica
• Tarih: 2024-02-21
• Arxiv:arXiv:2402.13616
• GitHub:WongKinYiu/yolov9
• Dokümanlar:YOLOv9 Dokümantasyonu

Mimari Yenilikler

YOLOv9 iki temel kavram üzerine inşa edilmiştir: Programlanabilir Gradyan Bilgisi (PGI ) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN). PGI, kayıp fonksiyonu için güvenilir bir gradyan hesaplayarak derin katmanlardan geçerken girdi bilgilerini korumayı amaçlamaktadır. GELAN, parametre kullanımını optimize ederek modelin COCO veri setinde boyutuna göre yüksek doğruluk elde etmesini sağlar.

Performans ve Ödünleşimler

YOLOv9 , en büyük varyantı olan YOLOv9 ile etkileyici mAP skorları elde ederek ham doğruluk karşılaştırmalarında öne çıkmaktadır. Ancak, bu akademik odaklanma dağıtım sırasında daha yüksek karmaşıklığa dönüşebilir. Güçlü olsa da, orijinal uygulama Ultralytics çerçevesinde bulunan yerel çoklu görev çok yönlülüğünden yoksundur ve öncelikle algılamaya odaklanır. Ayrıca, bu mimarileri eğitmek, YOLO11'in yüksek düzeyde optimize edilmiş boru hatlarına kıyasla daha yoğun kaynak gerektirebilir.

YOLOv9 hakkında daha fazla bilgi edinin

Performans Ölçütleri: Hız ve Doğruluk

Bir model seçerken, çıkarım hızı ile tespit doğruluğu arasındaki dengeyi anlamak hayati önem taşımaktadır. Aşağıdaki tabloda her iki model ailesinin COCO veri kümesi üzerindeki performansı karşılaştırılmaktadır.

Analiz

Veriler, YOLO11'de tasarlanan Performans Dengesini vurgulamaktadır.

• Verimlilik: YOLO11n, daha az FLOP tüketirken (6,5B'ye karşı 7,7B) doğrulukta YOLOv9t'yi geride bırakarak (%39,5'e karşı %38,3) mobil dağıtım için üstünlük sağlar.
• Hız: YOLO11 , gerçek zamanlı video analizi için kritik bir faktör olan TensorRT'yi kullanarak T4 GPU'larda daha hızlı çıkarım süreleri gösteriyor.
• Doğruluk: YOLOv9 ham mAP için en üst sırada yer alırken, önemli ölçüde daha yüksek gecikme süresine (YOLO11x için 16,77 ms'ye karşılık 11,3 ms) mal olur. Çoğu pratik uygulama için YOLO11 'in hız avantajı, mAP'deki marjinal kazançtan daha ağır basıyor.

Kullanılabilirlik ve Ekosistem

Kullanım kolaylığı, dokümantasyon ve destek gibi "sosyal becerilerdeki" fark, Ultralytics modellerinin gerçekten parladığı yerdir.

Kullanım Kolaylığı ve Eğitim Verimliliği

YOLO11 erişilebilir olacak şekilde tasarlanmıştır. Standart bir Python ortamında, modelleri kod satırlarında eğitebilir, doğrulayabilir ve dağıtabilirsiniz. Ultralytics , transfer öğrenmeye izin veren, eğitim süresini ve yapay zeka geliştirmenin karbon ayak izini önemli ölçüde azaltan önceden eğitilmiş ağırlıklar sağlar.

Buna karşılık, YOLOv9 Ultralytics paketi içinde mevcut olsa da, orijinal araştırma kod tabanı derin öğrenme konfigürasyonlarının daha iyi anlaşılmasını gerektirir. YOLO11 kullanıcıları, segmentasyon veya sınıflandırma gerçekleştirirken aynı şekilde çalışan birleşik bir arayüzden yararlanır.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("path/to/image.jpg")

Bakımlı Ekosistem

YOLO11 'i seçmek, desteklenen bir ortama girmek anlamına gelir. Ultralytics ekosistemi şunları içerir:

• Aktif Geliştirme: En son sürümlerle uyumluluğu sağlayan sık güncellemeler PyTorch sürümleri ve donanım sürücüleri.
• Topluluk Desteği: Sorun giderme için GitHub ve Discord 'da büyük bir topluluk.
• Dokümantasyon: Hiperparametre ayarlamasından modellerin ONNX' e aktarılmasına kadar her şeyi kapsayan kapsamlı kılavuzlar.

İdeal Kullanım Senaryoları

YOLO11 Ne Zaman Seçilmeli

YOLO11 , çok yönlülüğü ve hızı nedeniyle ticari ve hobi amaçlı projelerin %95'i için önerilen seçimdir.

• Edge AI: Raspberry Pi veya NVIDIA Jetson gibi bellek ve FLOP'ların sınırlı olduğu cihazlarda dağıtım.
• Gerçek Zamanlı Gözetim: Güvenlik izleme için yüksek FPS gerektiren uygulamalar.
• Çoklu Görev Uygulamaları: Birden fazla farklı model mimarisini yönetmeden eşzamanlı algılama, segmentasyon ve poz tahminine ihtiyaç duyan projeler.

YOLOv9 Ne Zaman Seçilmeli

YOLOv9 , belirli akademik veya yüksek hassasiyetli senaryolar için en uygunudur.

• Araştırma Kıyaslaması: Birincil amaç teorik mimarileri karşılaştırmak veya COCO gibi bir veri kümesinde belirli bir mAP puanını geçmek olduğunda.
• Çevrimdışı İşleme: Çıkarım hızının bir kısıtlama olmadığı ve çevrimdışı tıbbi görüntüleme analizi gibi doğruluktaki her bir yüzde kesrinin önemli olduğu senaryolar.

Sonuç

Bir yandan YOLOv9 PGI ve GELAN gibi büyüleyici kavramları akademik camiaya tanıtıyor, Ultralytics YOLO11 yapay zeka ürünleri oluşturmak için üstün pratik bir seçim olarak öne çıkıyor. Hız, doğruluk, çok yönlülük ve kullanım kolaylığının eşsiz kombinasyonu, onu modern bilgisayar görüşü için başvurulacak model haline getiriyor. Sağlam bir ekosistem tarafından desteklenen ve verimlilik için tasarlanan YOLO11 , geliştiricilerin konseptten dağıtıma güvenle geçmelerini sağlar.

Diğer Modelleri İnceleyin

Daha fazla karşılaştırma ile ilgileniyorsanız, Ultralytics kütüphanesindeki bu diğer yüksek performanslı modelleri keşfetmeyi düşünün:

• YOLOv10: Gerçek zamanlı uçtan uca nesne algılama.
• YOLOv8: YOLO11'in öncülüdür, hala üretimde yaygın olarak kullanılmaktadır.
• RT-DETR: GPU ortamlara sahip olanlar için yüksek doğruluk sunan transformatör tabanlı bir dedektör.

Yorumlar