Link to this sectionYOLOv5 ve YOLOv9: Kapsamlı Bir Teknik Karşılaştırma#
Bilgisayarlı görü ve gerçek zamanlı nesne tespiti dünyası son birkaç yılda dikkate değer ilerlemelere sahne oldu. Yerleşik, savaşta test edilmiş modeller ile daha yeni araştırma mimarileri arasında seçim yapmak, makine öğrenimi mühendisleri için yaygın bir zorluktur. Bu kılavuz, YOLO ailesindeki son derece etkili iki model olan YOLOv5 ve YOLOv9 arasında kapsamlı bir teknik karşılaştırma sunmaktadır.
İster kısıtlı uç cihazlara dağıtım yapıyor, ister yüksek sadakatli öznitelik çıkarımı araştırıyor veya karmaşık nesne tespiti hatları oluşturuyor ol, bu modellerin mimari nüanslarını, performans metriklerini ve ekosistem farklılıklarını anlaman kritik öneme sahiptir.
Link to this sectionModel Genel Bakışları#
Mimari karşılaştırmalara dalmadan önce, her bir modelin kökenlerini ve temel hedeflerini anlaman faydalı olacaktır.
Link to this sectionUltralytics YOLOv5#
Glenn Jocher tarafından geliştirilen ve 26 Haziran 2020'de Ultralytics tarafından yayınlanan YOLOv5, geliştiricilerin görü modelleriyle nasıl etkileşime girdiğine dair bir paradigma değişimi başlattı. PyTorch çerçevesini tamamen benimseyerek, YOLOv5, önceki Darknet tabanlı modellerin karmaşık derleme adımlarını sezgisel, Python öncelikli bir kullanıcı deneyimi ile değiştirdi.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: YOLOv5 Deposu
- Dokümanlar: YOLOv5 Dokümantasyonu
YOLOv5, Kullanım Kolaylığı ve çeşitli donanım ortamlarında sergilediği kararlı performans ile ünlüdür. Sadece tespiti değil, aynı zamanda görüntü sınıflandırma ve örnek bölümleme işlemlerini de destekler.
YOLOv5 hakkında daha fazla bilgi edin
Link to this sectionYOLOv9#
Tayvan, Academia Sinica Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından tanıtılan YOLOv9, derin sinir ağlarındaki bilgi darboğazı sorunlarını hafifletmek için mimari teoriye büyük ölçüde odaklanır.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
- Tarih: 2024-02-21
- Arxiv: 2402.13616
- GitHub: YOLOv9 Deposu
- Dokümanlar: YOLOv9 Dokümantasyonu
YOLOv9'un çekirdeği iki temel teorik yeniliğe dayanır: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN). Bu kavramlar, modelin kritik uzamsal özellikleri derin ağ katmanlarında korumasına yardımcı olur.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv5 ve YOLOv9 güçlü olsalar da, yeni yayınlanan YOLO26 hız ve hassasiyetin mükemmel dengesini temsil eder. Uçtan uca NMS içermeyen bir tasarıma sahip olan ve %43'e kadar daha hızlı CPU çıkarımı sunan YOLO26, modern uç bilişim ve üretim dağıtımları için şiddetle tavsiye edilir.
Link to this sectionMimari ve Teknik Farklılıklar#
Bu görü modellerinin perde arkasında neyin çalıştığını anlamak, model dağıtımı stratejilerini optimize etmek için hayati öneme sahiptir.
Link to this sectionÖznitelik Çıkarımı ve Bilgi Tutma#
YOLOv5, geri yayılım sırasında doğru gradyan akışını korurken hesaplama yükünü etkili bir şekilde azaltan bir Cross Stage Partial Network (CSPNet) omurgası kullanır. Bu tasarım, geleneksel GPU işlemleri için oldukça optimize edilmiştir ve ağır Transformer alternatiflerine kıyasla eğitim sırasında daha düşük bellek gereksinimleri sağlar.
YOLOv9, CSPNet ilkelerini genişleten genel bir mimari olan GELAN'ı tanıtır. Yardımcı, geri döndürülebilir bir dal olan PGI ile birlikte YOLOv9, derin katmanların kesin amaç fonksiyonları için gerekli anlamsal verileri kaybetmemesini sağlar. Bu, YOLOv9'un özellikle küçük nesnelerde yüksek doğruluk elde etmesini sağlar, ancak karmaşık yardımcı dallanma bazen derinlemesine kısıtlanmış uç donanımlara dışa aktarma hatlarını zorlaştırabilir.
Link to this sectionBellek Gereksinimleri ve Eğitim Verimliliği#
When it comes to training efficiency, YOLOv5 remains incredibly robust. The well-maintained Ultralytics ecosystem ensures that YOLOv5 models consume significantly less CUDA memory, allowing researchers to maximize batch sizes on consumer-grade GPUs. While YOLOv9 achieves excellent parameter efficiency (high accuracy relative to its size), its training process can be more resource-intensive if not utilizing optimized frameworks. Fortunately, integrating YOLOv9 into the Ultralytics API brings it closer to parity with YOLOv5's streamlined resource management.
Link to this sectionPerformans ve Metrikler#
Bu mimarileri objektif bir şekilde değerlendirmek için COCO gibi standart veri setlerindeki performanslarını karşılaştırıyoruz. Aşağıda mAP (Ortalama Ortalama Hassasiyet), çıkarım hızı ve parametre sayıları gibi metriklerin ayrıntılı bir dökümü bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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, YOLOv9 daha yeni mimarisini yansıtacak şekilde eşdeğer katmanlarda daha yüksek ham doğruluk elde eder. Bununla birlikte, YOLOv5n 1.12ms'lik inanılmaz derecede düşük bir TensorRT gecikmesi koruyarak yüksek hızlı, yerelleştirilmiş uç bilişim uygulamaları için kalıcı gücünü vurgular.
Link to this sectionEğitim Yöntemleri ve Kullanım Kolaylığı#
Günümüzde bilgisayarlı görü kullanımının gerçek avantajı, araç zincirinin erişilebilirliğinde yatmaktadır.
Link to this sectionUltralytics Avantajı#
YOLOv9 gibi modeller için orijinal araştırma depoları temel teşkil etse de, genellikle karmaşık bağımlılık matrisleri ve hazır şablon betikleriyle gelirler. Ultralytics Python API bu karmaşıklığı tamamen ortadan kaldırır. Ultralytics ekosistemiyle, hem YOLOv5'i hem de YOLOv9'u aynı, birleşik bir sözdizimi ile eğitebilir, değerlendirebilir ve dışa aktarabilirsin.
from ultralytics import YOLO
# Load a pre-trained YOLOv5 model for fast deployment
model_v5 = YOLO("yolov5s.pt")
# Or leverage a YOLOv9 model for high-fidelity accuracy
model_v9 = YOLO("yolov9c.pt")
# Train seamlessly on custom data with automatic MLflow logging
results = model_v9.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX
model_v9.export(format="onnx")Bu tek API yaklaşımı, sadece tespiti değil, seçilen modele bağlı olarak poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) da destekleyerek muazzam bir Çok Yönlülük sağlar. Ayrıca, Comet ML ve Weights & Biases gibi araçlarla güçlü entegrasyonlar doğrudan eğitim döngüsüne dahil edilmiştir.
Link to this sectionİdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları#
Bu mimariler arasında seçim yapmak, büyük ölçüde donanımının kısıtlamalarına ve uygulama alanının gerektirdiği hassasiyete bağlıdır.
Link to this sectionYOLOv5 Ne Zaman Seçilmeli#
YOLOv5; kararlılığa, düşük bellek ayak izine ve yüksek dışa aktarım uyumluluğuna öncelik veren dağıtımlarda parlayan, savaşta test edilmiş bir emektardır.
- Mobil Dağıtımlar: YOLOv5'i daha eski akıllı telefonlarda cihaz üzerinde çıkarım için TFLite veya CoreML'e dışa aktarmak inanılmaz derecede sorunsuzdur.
- Eski Uç Donanımlar: Raspberry Pi veya ilk nesil NVIDIA Jetson Nano gibi cihazlar için, YOLOv5'in basit kıvrımları akıllı otopark yönetimi gibi uygulamalar için tutarlı kare hızları sağlar.
- Hızlı Prototipleme: Topluluk eğitimlerinin, özel önceden eğitilmiş ağırlıkların ve geniş veri seti uyumluluğunun kapsamlı mevcudiyeti, onu bir kavram kanıtını doğrulamanın en hızlı yolu haline getirir.
Link to this sectionNe Zaman YOLOv9 Seçilmeli#
YOLOv9, biraz daha fazla hesaplama yükü gerektirse bile, karmaşık detayları yakalamanın ve yanlış negatifleri en aza indirmenin kesinlikle kritik olduğu senaryolar için idealdir.
- Aerial and Satellite Imagery: The PGI framework is highly adept at maintaining the fidelity of small objects, making YOLOv9 excellent for drone-based agricultural monitoring.
- Tıbbi Görüntüleme Teşhisi: Yüksek çözünürlüklü taramalarda küçük anomalileri veya lezyonları tespit ederken, GELAN'ın doğru gradyan akışı hatırlama (recall) konusunda gerekli bir avantaj sağlar.
- Üst Düzey Perakende Analitiği: Yoğun raflardaki örtüşen ürünleri takip etmek, YOLOv9'un üstün öznitelik tutma yeteneklerinden önemli ölçüde faydalanır.
Link to this sectionUfuklarını Genişlet#
YOLOv5 ve YOLOv9'u karşılaştırmak mimarilerin 2020'den 2024'e nasıl evrildiğine dair net bir bakış sunsa da, yapay zeka alanı her zamankinden daha hızlı ilerliyor. Performansın mutlak sınırını arayan geliştiriciler için en son YOLO26 modellerini keşfetmeleri şiddetle önerilir. Geleneksel NMS'yi yerel bir Uçtan Uca NMS İçermeyen Tasarım ile değiştirerek ve gelişmiş MuSGD Optimize Ediciyi kullanarak, YOLO26 araştırma düzeyindeki doğruluk ile üretim düzeyindeki hız arasındaki boşluğu kapatır. DFL Kaldırma (basitleştirilmiş dışa aktarım ve daha iyi uç/düşük güç tüketimli cihaz uyumluluğu için Dağılım Odaklı Kayıp kaldırılmıştır) ile YOLO26, %43'e kadar daha hızlı CPU çıkarımı elde ederek uç bilişim için ideal hale gelir. Ek olarak, ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada belirgin iyileştirmeler içeren geliştirilmiş kayıp fonksiyonları sunar.
Ayrıca bu mimarileri RT-DETR veya son derece yetenekli YOLO11 gibi diğer en son teknoloji modellerle karşılaştırmak isteyebilirsin. Birleşik Ultralytics çerçevesini kullanmak, hangi modeli seçersen seç, geliştirme hattının temiz, verimli ve ölçeklenmeye hazır kalmasını sağlar.