YOLOv5 ve YOLOv9#

Bilgisayarlı görü ve gerçek zamanlı nesne algılama alanı son birkaç yılda dikkate değer ilerlemeler kaydetti. Kendini kanıtlamış, sahada test edilmiş modeller ile yeni araştırma mimarileri arasında seçim yapmak, makine öğrenimi mühendislerinin sık karşılaştığı bir zorluktur. Bu kılavuz, YOLO ailesinin etkili iki modeli olan YOLOv5 ve YOLOv9 arasında kapsamlı bir teknik karşılaştırma sunar.

Kaynakları kısıtlı uç cihazlara dağıtım yapıyor, yüksek doğruluklu özellik çıkarımını araştırıyor ya da karmaşık nesne algılama işlem hatları geliştiriyor olsan da, bu modellerin mimari inceliklerini, performans ölçütlerini ve ekosistem farklılıklarını anlaman kritik önem taşır.

Modellere Genel Bakış#

Mimari karşılaştırmalara geçmeden önce her modelin kökenini ve temel hedeflerini anlamak yararlı olur.

Ultralytics YOLOv5#

Glenn Jocher tarafından geliştirilen ve 26 Haziran 2020'de Ultralytics tarafından yayımlanan YOLOv5, geliştiricilerin görü modelleriyle etkileşim biçiminde bir paradigma değişikliğine öncülük etti. PyTorch çatısını tümüyle benimseyen YOLOv5, önceki Darknet tabanlı modellerin karmaşık derleme adımlarının yerini sezgisel, Python öncelikli bir kullanıcı deneyimine bıraktı.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: YOLOv5 Deposu
• Belgeler: YOLOv5 Belgeleri

YOLOv5, farklı donanım ortamlarındaki Kullanım Kolaylığı ve istikrarlı performansıyla tanınır. Yalnızca algılamayı değil, görüntü sınıflandırmayı ve örnek bölümlemeyi de destekler.

YOLOv9#

Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin sinir ağlarındaki bilgi darboğazı sorunlarını azaltmak için mimari kurama yoğun biçimde odaklanır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
• Tarih: 2024-02-21
• Arxiv: 2402.13616
• GitHub: YOLOv9 Deposu
• Belgeler: YOLOv9 Belgeleri

YOLOv9'un temelinde iki önemli kuramsal yenilik bulunur: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN). Bu kavramlar, modelin derin ağ katmanları boyunca kritik uzamsal özellikleri korumasına yardımcı olur.

YOLOv9 hakkında daha fazla bilgi edin

Mimari ve Teknik Farklılıklar#

Bu görü modellerinin perde arkasında nasıl çalıştığını anlamak, model dağıtımı stratejilerini optimize etmek için hayati önem taşır.

Özellik Çıkarımı ve Bilgiyi Koruma#

YOLOv5, geri yayılım sırasında doğru gradyan akışını korurken hesaplama yükünü etkili biçimde azaltan bir Çapraz Aşamalı Kısmi Ağ (CSPNet) omurgası kullanır. Bu tasarım, geleneksel GPU işlemleri için son derece optimize edilmiştir ve ağır transformatör alternatiflerine kıyasla eğitim sırasında daha düşük bellek gereksinimi sağlar.

YOLOv9, CSPNet ilkelerini genişleten genel bir mimari olan GELAN'ı kullanıma sunar. Yardımcı bir tersinir dal olan PGI ile birlikte YOLOv9, derin katmanların hassas amaç fonksiyonları için gerekli anlamsal verileri kaybetmemesini sağlar. Bu sayede YOLOv9, özellikle küçük nesnelerde yüksek doğruluk elde eder; ancak karmaşık yardımcı dallanma, son derece kısıtlı uç donanımlara yönelik dışa aktarma işlem hatlarını bazen karmaşıklaştırabilir.

Bellek Gereksinimleri ve Eğitim Verimliliği#

Eğitim verimliliği açısından YOLOv5 son derece güçlü olmaya devam ediyor. Bakımı iyi yapılan Ultralytics ekosistemi, YOLOv5 modellerinin çok daha az CUDA belleği kullanmasını sağlayarak araştırmacıların tüketici sınıfı GPU'larda yığın boyutlarını en üst düzeye çıkarmasına olanak tanır. YOLOv9 parametre verimliliğinde (boyutuna kıyasla yüksek doğruluk) başarılı olsa da optimize edilmiş çatılar kullanılmadığında eğitim süreci daha fazla kaynak gerektirebilir. Neyse ki YOLOv9'u Ultralytics API'sine entegre etmek, kaynak yönetiminde YOLOv5'in kolaylaştırılmış yaklaşımına daha yakın bir performans sağlar.

Performans ve Metrikler#

Bu mimarileri nesnel biçimde değerlendirmek için COCO gibi standart veri kümelerindeki performanslarını karşılaştırıyoruz. Aşağıda mAP (Ortalama Ortalama Kesinlik), çıkarım hızı ve parametre sayısı gibi ölçütlerin ayrıntılı dökümü yer alıyor.

Tablonun gösterdiği gibi, YOLOv9 eşdeğer kademelerde daha yüksek ham doğruluk elde ediyor; bu da daha yeni mimarisinin etkisini yansıtıyor. Ancak YOLOv5n, 1,12 ms gibi son derece düşük bir TensorRT gecikme süresini koruyor; bu da yüksek hızlı yerel uç bilişim uygulamalarındaki kalıcı gücünü vurguluyor.

Eğitim Yöntemleri ve Kullanım Kolaylığı#

Günümüzde bilgisayarlı görü kullanmanın gerçek avantajı, araç zincirine erişimin kolay olmasıdır.

Ultralytics Avantajı#

YOLOv9 gibi modellere yönelik özgün araştırma depoları temel nitelikte olsa da genellikle karmaşık bağımlılık matrisleri ve hazır şablon betiklerle birlikte gelir. Ultralytics Python API bu karmaşıklığı tamamen soyutlar. Ultralytics ekosistemiyle hem YOLOv5'i hem de YOLOv9'u aynı, birleşik söz dizimini kullanarak eğitebilir, değerlendirebilir ve dışa aktarabilirsin.

from ultralytics import YOLO

# Hızlı dağıtım için önceden eğitilmiş bir YOLOv5 modeli yükle
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları

# Veya yüksek doğruluk için bir YOLOv9 modelinden yararlan
model_v9 = YOLO("yolov9c.pt")

# Özel verilerle sorunsuzca eğitim yap
results = model_v9.train(data="coco8.yaml", epochs=50, imgsz=640)

# Eğitilmiş modeli ONNX'e aktar
model_v9.export(format="onnx")

Bu tek API yaklaşımı, seçilen modele bağlı olarak yalnızca algılamayı değil, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) da destekleyerek muazzam bir Çok Yönlülük sunar. Ayrıca Comet ML ve Weights & Biases gibi araçlarla sağlam entegrasyonlar doğrudan eğitim döngüsüne yerleştirilmiştir.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak büyük ölçüde donanımının kısıtlamalarına ve uygulama alanının gerektirdiği hassasiyete bağlıdır.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5, kararlılığa, düşük bellek kullanımına ve geniş dışa aktarma uyumluluğuna öncelik veren dağıtımlarda öne çıkan, sahada kendini kanıtlamış bir modeldir.

• Mobil Dağıtımlar: YOLOv5'i eski akıllı telefonlarda cihaz üzerinde çıkarım için LiteRT veya CoreML'e aktarmak son derece kolaydır.
• Eski Uç Donanımlar: Raspberry Pi veya ilk nesil NVIDIA Jetson Nano gibi cihazlarda YOLOv5'in yalın evrişimleri, akıllı otopark yönetimi gibi uygulamalar için tutarlı kare hızları sağlar.
• Hızlı Prototipleme: Topluluk eğitimlerinin, özel önceden eğitilmiş ağırlıkların ve çok geniş veri kümesi uyumluluğunun sağladığı erişilebilirlik, bunu kavram kanıtını doğrulamanın en hızlı yolu hâline getirir.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9, biraz daha fazla hesaplama yükü gerektirse bile karmaşık ayrıntıları yakalamanın ve yanlış negatifleri en aza indirmenin son derece kritik olduğu senaryolar için idealdir.

• Hava ve Uydu Görüntüleri: PGI çatısı, küçük nesnelerin doğruluğunu korumada son derece başarılıdır; bu da YOLOv9'u İHA tabanlı tarımsal izleme için mükemmel kılar.
• Tıbbi Görüntüleme Tanısı: Yüksek çözünürlüklü taramalarda çok küçük anormallikleri veya lezyonları algılarken GELAN'ın doğru gradyan akışı, duyarlılık açısından gerekli avantajı sağlar.
• Üst Düzey Perakende Analitiği: Yoğun raflardaki üst üste binmiş ürünleri izleme, YOLOv9'un üstün özellik koruma yeteneklerinden önemli ölçüde yararlanır.

Ufuklarını Genişlet#

YOLOv5 ile YOLOv9'u karşılaştırmak, mimarilerin 2020'den 2024'e nasıl geliştiğini açıkça gösterse de yapay zekâ alanı hiç olmadığı kadar hızlı ilerliyor. Performansın en ileri noktasını arayan geliştiricilerin en yeni YOLO26 modellerini incelemesi önemle tavsiye edilir. Geleneksel Maksimum Olmayan Bastırma'ya alternatif olarak yerel Uçtan Uca, NMS İçermeyen Tasarım (nms=False) sunan ve gelişmiş MuSGD Optimizasyon Algoritmasını kullanan YOLO26, araştırma düzeyindeki doğruluk ile üretim düzeyindeki hız arasındaki boşluğu kapatır. DFL'nin Kaldırılması (dışa aktarımı basitleştirmek ve uç/düşük güçlü cihazlarla uyumluluğu artırmak için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26, CPU çıkarımını %43'e kadar hızlandırarak uç bilişim için ideal hâle gelir. Ayrıca ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesnelerin tanınmasını kayda değer ölçüde iyileştiren kayıp fonksiyonları sunar.

Bu mimarileri RT-DETR veya son derece yetenekli YOLO11 gibi son teknoloji diğer modellerle karşılaştırmak da ilgini çekebilir. Birleşik Ultralytics çatısını kullanmak, hangi modeli seçersen seç geliştirme işlem hattının düzenli, verimli ve ölçeklenmeye hazır kalmasını sağlar.