Başla

YOLOv5 ve YOLOv9

Bilgisayarlı görü ve gerçek zamanlı nesne algılama alanı son birkaç yılda önemli ölçüde ilerledi. Kendini kanıtlamış, sahada denenmiş modeller ile daha 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.

İster kaynakları kısıtlı uç cihazlara dağıtım yapıyor ol, ister yüksek kaliteli özellik çıkarımı üzerine araştırma yürütüyor ol, ister karmaşık nesne algılama işlem hatları geliştiriyor ol, bu modellerin mimari farklılıklarını, performans ölçütlerini ve ekosistem desteğini anlamak önemlidir.

Modellere Genel Bakış#

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

Ultralytics YOLOv5#

Glenn Jocher tarafından geliştirilen ve Ultralytics tarafından 26 Haziran 2020'de yayımlanan YOLOv5, geliştiricilerin görü modelleriyle etkileşim biçimini değiştirdi. PyTorch çerçevesini bütünüyle benimseyen YOLOv5, önceki Darknet tabanlı modellerin karmaşık derleme adımları yerine Python öncelikli, sezgisel bir kullanıcı deneyimi sundu.

YOLOv5, Kullanım Kolaylığı ve farklı donanım ortamlarındaki kararlı performansıyla bilinir. Yalnızca algılamayı değil, örnek bölümlemeyi ve görüntü sınıflandırmayı da 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

Dağıtımlarını Geleceğe Hazırla

YOLOv5 ve YOLOv9 güçlü modeller olsa da daha yeni YOLO26, hız ve doğruluk arasında güçlü bir denge sunar. İsteğe bağlı uçtan uca NMS'siz çıkarım ve CPU'da %43'e kadar daha hızlı çıkarım (YOLO26n ile YOLO11n karşılaştırıldığında) özelliklerine sahip YOLO26, modern uç bilişim ve üretim dağıtımları için önerilir.

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 amaçlı bir mimari olan GELAN'ı sunar. Yardımcı tersinir bir dal olan PGI ile birlikte YOLOv9, derin katmanların güvenilir gradyanları hesaplamak için gereken anlamsal bilgileri korumasına yardımcı olur. Bu sayede YOLOv9, özellikle küçük nesnelerde yüksek doğruluk elde edebilir.

Bellek Gereksinimleri ve Eğitim Verimliliği#

Eğitim verimliliği söz konusu olduğunda YOLOv5 güçlü kalmaya devam ediyor. Bakımı düzenli olarak yapılan Ultralytics ekosistemi, YOLOv5 modellerinin çok daha az CUDA belleği kullanmasını sağlayarak araştırmacıların tüketici sınıfı GPU'larda yığın boyutlarını en üst düzeye çıkarmasına olanak tanıyor. YOLOv9 parametre verimliliği (boyutuna kıyasla yüksek doğruluk) açısından mükemmel sonuçlar elde etse de optimize edilmiş çerçeveler kullanılmadığında eğitim süreci daha fazla kaynak gerektirebilir. Neyse ki YOLOv9'u Ultralytics API'sine entegre etmek, kaynak yönetimi açısından YOLOv9'u YOLOv5'in yalınlaştırılmış yaklaşımına yaklaştırıyor.

Performans ve Metrikler#

Aşağıdaki tabloda COCO veri kümesindeki performansları; mAP (Ortalama Hassasiyet), çıkarım hızı ve parametre sayılarıyla birlikte karşılaştırılmıştır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

Tabloda görüldüğü gibi YOLOv9, eşdeğer boyutlardaki modellerde daha yüksek ham doğruluk elde ederek daha yeni mimarisini ortaya koyuyor. Ancak YOLOv5n, 1,12 ms gibi düşük bir T4 TensorRT gecikme süresini koruyarak yüksek hızlı, yerel uç bilişim uygulamalarındaki kalıcı gücünü gösteriyor.

Eğitim Yöntemleri ve Kullanım Kolaylığı#

Günümüzde bilgisayarlı görünün pratik değerinin büyük bölümü, araç zincirinin erişilebilir olmasından kaynaklanıyor.

Ultralytics Avantajı#

YOLOv9 gibi modellerin özgün araştırma depoları temel nitelikte olsa da çoğu zaman karmaşık bağımlılık matrisleri ve hazır betiklerle gelir. Ultralytics Python API, bu karmaşıklığın büyük bölümünü soyutlar. Ultralytics ekosistemiyle YOLOv5 ve YOLOv9 modellerini aynı, birleşik sözdizimini 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")

# COCO8 örnek veri kümesinde eğit
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 geniş bir Çok Yönlülük sunar; seçilen modele bağlı olarak yalnızca algılamayı değil, örnek bölümlemeyi, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) da destekler. Comet ve Weights & Biases gibi araçlarla entegrasyonlar da eğitim döngüsüne yerleşik olarak gelir.

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 dağıtımlar için uygun, olgun bir modeldir.

  • Mobil Dağıtımlar: YOLOv5'i eski akıllı telefonlarda cihaz üzerinde çıkarım için LiteRT veya CoreML biçimine aktarmak kolaydır.
  • Eski Uç Donanımlar: Raspberry Pi veya ilk nesil NVIDIA Jetson Nano gibi cihazlarda YOLOv5'in yalın evrişimleri, akıllı otopark yönetimi gibi uygulamalar için kararlı kare hızlarını korumaya yardımcı olur.
  • Hızlı Prototipleme: Topluluk eğitimlerinin, özel önceden eğitilmiş ağırlıkların ve geniş veri kümesi uyumluluğunun kolayca bulunması, YOLOv5'i kavram kanıtını doğrulamanın en hızlı yolu hâline getirir.

YOLOv9'u Ne Zaman Seçmeli?#

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

  • Hava ve Uydu Görüntüleri: PGI çerçevesi küçük nesnelerin doğruluğunu korumaya yardımcı olur ve YOLOv9'u drone tabanlı tarımsal izleme için ideal hâle getirir.
  • 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 izlemek, YOLOv9'un daha güçlü özellik korumasından yararlanır.

Ufuklarını Genişlet#

YOLOv5 ile YOLOv9'u karşılaştırmak, mimarilerin 2020'den 2024'e nasıl geliştiğini açıkça gösterse de alan hızla ilerlemeye devam ediyor. En yeni performansı isteyen geliştiriciler için YOLO26 modelleri önerilen seçenektir. Geleneksel Maksimum Olmayan Bastırma yöntemine alternatif olarak yerel bir Uçtan Uca NMS'siz Tasarım (nms=False) sunan ve gelişmiş MuSGD Optimize Edici kullanan YOLO26, araştırma düzeyindeki doğruluk ile üretim düzeyindeki hız arasındaki boşluğu kapatır. DFL'nin Kaldırılması (daha yalın dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sağlar ve uç bilişim için son derece uygundur. Ayrıca ProgLoss + STAL, aşamalı kaybı küçük hedefleri dikkate alan etiket atamasıyla birleştirerek küçük nesne tanımada kayda değer iyileşmeler sunar; bu, IoT, robotik ve hava görüntüleri için kritik öneme sahiptir.

Bu mimarileri YOLOv5 ile RT-DETR veya YOLOv5 ile YOLO11 gibi diğer modellerle karşılaştırmak da ilgini çekebilir. Birleşik Ultralytics çerçevesi, hangi modeli seçersen seç geliştirme işlem hattını tutarlı tutar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.