YOLOv6-3.0 - YOLOv9: Endüstriyel Hız, Son Teknoloji Verimliliğiyle Buluşuyor

Optimal nesne algılama modelini seçmek, bilgisayar görüşü geliştirmede çok önemli bir karardır ve doğruluk, çıkarım hızı ve hesaplama verimliliği arasında stratejik bir denge gerektirir. Bu karşılaştırma, Meituan tarafından endüstriyel verim için tasarlanan bir model olan YOLOv6-3.0'ın ve bilgi koruma yoluyla verimliliği yeniden tanımlayan son teknoloji bir mimari olan YOLOv9'un teknik nüanslarını incelemektedir.

YOLOv6-3.0: Endüstriyel Uygulamalar için Optimize Edildi

YOLOv6-3.0, donanım gecikmesinin birincil darboğaz olduğu pratik dağıtım senaryolarına büyük önem vermektedir.

Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
Kuruluş:Meituan
Tarih: 2023-01-13
Arxiv:https://arxiv.org/abs/2301.05586
GitHub:https://github.com/meituan/YOLOv6
Belgeler:https://docs.ultralytics.com/models/yolov6/

Mimari ve Tasarım Felsefesi

YOLOv6-3.0, donanım tabanlı bir Evrişimsel Sinir Ağı (CNN) olarak tasarlanmıştır. Mimari, GPU'lardaki verimi en üst düzeye çıkarmak için verimli bir yeniden parametrelendirme backbone'u ve hibrit bloklar (RepBi-PAN) kullanır. Model yapısını belirli donanım özelliklerine göre uyarlayarak YOLOv6, doğruluğu ciddi şekilde tehlikeye atmadan yüksek çıkarım hızları sunmayı amaçlar. Gerçek zamanlı işlemenin zorunlu olduğu endüstriyel otomasyon ve gözetim için optimize edilmiş tek aşamalı bir dedektör olarak hizmet vermektedir.

Güçlü Yönler ve Sınırlamalar

Güçlü Yönler:

Çıkarım Hızı: Model, özellikle NVIDIA T4 GPU'larında düşük gecikmeli ortamlarda mükemmeldir ve bu da onu yüksek hızlı üretim hatları için uygun hale getirir.
Donanım Optimizasyonu: "Donanım dostu" tasarımı, modelin dağıtım sırasında bellek bant genişliğini ve hesaplama birimlerini etkili bir şekilde kullanmasını sağlar.

Zayıflıklar:

Özellik Temsili: YOLOv9 gibi daha yeni modellerde bulunan gelişmiş gradyan bilgisi koruma tekniklerine sahip değildir, bu da model boyutu küçüldükçe daha dik bir doğruluk düşüşüne yol açar.
Ekosistem Desteği: Etkili olmasına rağmen, araçlar, topluluk desteği ve kolay entegrasyon için çevreleyen ekosistem, Ultralytics çerçevesine kıyasla daha az kapsamlıdır.
Sınırlı Çok Yönlülük: Öncelikli olarak sınırlayıcı kutu algılamaya odaklanmıştır ve çok yönlü Ultralytics modellerine kıyasla segmentasyon veya poz tahmini gibi karmaşık görevler için daha az yerel desteğe sahiptir.

YOLOv6 hakkında daha fazla bilgi edinin

YOLOv9: Doğruluğu ve Bilgi Akışını Yeniden Tanımlama

YOLOv9, derin ağlardaki bilgi kaybı temel sorununu ele alan ve üstün performans ölçütleri elde eden yeni mimari konseptler sunar.

Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
Kuruluş:Institute of Information Science, Academia Sinica, Taiwan
Tarih: 2024-02-21
Arxiv:https://arxiv.org/abs/2402.13616
GitHub:https://github.com/WongKinYiu/yolov9
Belgeler:https://docs.ultralytics.com/models/YOLOv9/

Mimari: PGI ve GELAN

YOLOv9, kendisini iki çığır açan yenilikle farklılaştırır: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN).

PGI, derin sinir ağlarında doğal olan bilgi darboğazı sorunuyla mücadele eder. PGI, katmanlar arasında önemli gradyan verilerini koruyarak, modelin daha güvenilir özellikler öğrenmesini sağlayarak daha yüksek hassasiyete yol açar.
GELAN, parametre kullanımını optimize ederek modelin geleneksel mimarilere kıyasla daha az parametre ve hesaplama maliyetiyle daha yüksek doğruluk elde etmesini sağlar.

İnovasyon Odağı: Programlanabilir Gradyan Bilgisi (PGI)

Derin ağlar, veri ardışık katmanlardan geçtikçe sıklıkla bilgi kaybeder; bu durum bilgi darboğazı olarak bilinir. YOLOv9'un PGI'si, ağ derinliği boyunca hedef nesneleri öğrenmek için gerekli verilerin korunmasını sağlayan yardımcı bir gözetim mekanizması olarak işlev görür. Bu, özellikle algılanması zor nesneler için çok daha iyi birleşme ve doğrulukla sonuçlanır.

Ultralytics Ekosisteminin Avantajları

YOLOv9'u Ultralytics ekosistemine entegre etmek, geliştiriciler için belirgin avantajlar sağlar:

Kullanım Kolaylığı: Birleşik bir Python API ve CLI, eğitimi, doğrulamayı ve dağıtımı basitleştirir.
Performans Dengesi: YOLOv9, rekabetçi çıkarım hızlarını korurken son teknoloji ürünü mAP elde ederek çeşitli uygulamalar için mükemmel bir denge sunar.
Bellek Verimliliği: Ultralytics uygulamaları, bazı transformatör tabanlı modellerin yüksek VRAM gereksinimlerinin aksine, eğitim sırasında daha düşük bellek ayak izleri için optimize edilmiştir.
Çeşitlilik: Detect işleminin ötesinde, mimarinin Ultralytics çerçevesi içindeki esnekliği, güçlü bir topluluk ve sık güncellemelerle desteklenen diğer görevlere genişlemeyi destekler.

YOLOv9 hakkında daha fazla bilgi edinin

Karşılaştırmalı Performans Analizi

Performans verileri net bir ayrım ortaya koymaktadır: YOLOv6-3.0 belirli donanımlarda ham hızı optimize ederken, YOLOv9 verimlilikte (parametre başına doğruluk) baskındır.

Örneğin, YOLOv9c, yalnızca 25.3M parametre ile %53.0 mAP elde ederek, parametrelerin iki katından fazlasını (59.6M) ve önemli ölçüde daha yüksek FLOPs gerektiren YOLOv6-3.0l (%52.8 mAP) modelini geride bırakır. Bu, YOLOv9'un mimari yeniliklerinin (GELAN ve PGI), "daha azıyla daha fazlasını öğrenmesini" sağladığını ve yüksek hassasiyet gerektiren, kaynak kısıtlamalı ortamlar için oldukça verimli bir seçim olduğunu gösterir.

Aksine, YOLOv6-3.0n, doğrulukta (37.5% mAP) bir düşüşün kabul edilebilir olduğu ultra hızlı gerçek zamanlı çıkarım için uygun hale getiren son derece düşük gecikme süresi (1.17 ms) sunar.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

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

Eğitim ve Dağıtım İş Akışları

Geliştirici deneyimi, iki model arasında önemli ölçüde farklılık gösterir. YOLOv6-3.0, genellikle kabuk komut dosyalarını ve manuel yapılandırma dosyalarını içeren depoya özgü bir iş akışına dayanır. Güçlü olmasına rağmen, bu yeni başlayanlar için daha dik bir öğrenme eğrisi sunabilir.

Buna karşılık, YOLOv9, kolaylaştırılmış Ultralytics iş akışından yararlanır. Son teknoloji bir modeli eğitmek minimum kod gerektirir ve ekosistem, geniş dağıtım uyumluluğu için ONNX, TensorRT ve CoreML gibi formatlara sorunsuz dışa aktarmayı destekler.

Örnek: Ultralytics ile YOLOv9 Eğitimi

Ultralytics Python arayüzü, veri artırmayı, günlüğe kaydetmeyi ve değerlendirmeyi otomatik olarak işleyerek yalnızca birkaç satır kodla eğitim çalıştırmaları başlatmaya olanak tanır.

from ultralytics import YOLO

# Load a pre-trained YOLOv9 model
model = YOLO("yolov9c.pt")

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

Dağıtım Esnekliği

YOLOv9 dahil olmak üzere Ultralytics modelleri, uç AI ve bulut dağıtımı için uygun çeşitli formatlara tek tıklamayla dışa aktarmayı destekler. Bu esneklik, araştırmadan üretime geçişi kolaylaştırır.

İdeal Kullanım Senaryoları

YOLOv6-3.0

Yüksek Hızlı Montaj Hatları: Konveyör hızlarının 2 ms'nin altında gecikme süresi gerektirdiği kalite kontrol sistemleri.
Özel Donanım: Donanıma duyarlı mimarinin tam olarak kullanıldığı belirli NVIDIA GPU'larında çalışan senaryolar.

YOLOv9

Otonom Sistemler:Karmaşık ortamlarda güvenli bir şekilde gezinmek için yüksek hassasiyet gerektiren otonom araçlar ve robotik.
Tıbbi Görüntüleme: Küçük bir özelliğin (yanlış negatif) kabul edilemez olduğu tümör tespiti gibi uygulamalar.
Genel Amaçlı CV: Çeşitli görevler için mükemmel dokümantasyon ve topluluk desteği ile sağlam, kullanımı kolay bir model arayan geliştiriciler.

Sonuç

YOLOv6-3.0 belirli donanımlarda ham verime öncelik veren özel endüstriyel uygulamalar için güçlü bir araç olmaya devam ederken, YOLOv9 modern bilgisayar görüşü projelerinin çoğu için üstün bir seçim olarak öne çıkıyor.

YOLOv9'un yenilikçi PGI ve GELAN mimarisi, parametre başına performans metriklerinde genellikle YOLOv6'yı aşan daha iyi bir doğruluk ve verimlilik dengesi sunar. Ayrıca, Ultralytics ekosistemi ile entegrasyon, geliştiricilerin kolaylaştırılmış bir iş akışından, aktif bakımdan ve veriden dağıtıma yolculuğu hızlandıran bir araç paketinden yararlanmasını sağlar. Geleceğe yönelik, çok yönlü ve yüksek performanslı bir model arayanlar için YOLOv9 önerilen yoldur.

Diğer Modelleri İnceleyin

Son teknoloji ürünü seçenekleri araştırıyorsanız, Ultralytics kütüphanesindeki bu diğer güçlü modelleri göz önünde bulundurun:

YOLO11: YOLO serisindeki en son evrim, detect, segmentasyon ve poz tahmini için en son teknoloji performansını sunar.
YOLOv8: Hız ve doğruluk dengesiyle bilinen, çok çeşitli görevlerde kullanılabilen, oldukça popüler ve çok yönlü bir model.
RT-DETR: Non-Maximum Suppression'a (NMS) ihtiyaç duymadan doğrulukta öne çıkan, dönüştürücü tabanlı bir dedektör.