YOLOv7 ve YOLOv9#

Gerçek zamanlı nesne algılama alanı hızla gelişti; her yeni sürüm, hem uç cihazlarda hem de bulut sunucularında mümkün olanın sınırlarını zorluyor. Bilgisayarlı görü projeleri için mimarileri değerlendirirken geliştiriciler, kanıtlanmış kıyaslamaları sıklıkla yeni yeniliklerle karşılaştırıyor. Bu kapsamlı kılavuz, YOLO ailesinin iki önemli dönüm noktasını karşılaştırıyor: YOLOv7 ve YOLOv9.

Uygulaman için doğru modeli seçmene yardımcı olmak amacıyla mimari atılımlarını, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyeceğiz. Ayrıca Ultralytics Platformu ile Python API'sinin YOLOv9 gibi desteklenen modellerin eğitimini, doğrulamasını ve dağıtımını nasıl kolaylaştırdığını da ele alacağız.

Modelin Soy Ağacı ve Teknik Özellikleri#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, yeteneklerine ilişkin önemli bir bağlam sunar. İki modelin araştırma geçmişi ortak olsa da farklı mimari darboğazları hedefliyorlar.

YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#

2022'nin ortalarında yayımlanan YOLOv7, son derece güvenilir ve büyük ölçüde optimize edilmiş bir mimari olarak kendini kanıtladı. ortalama Ortalama Hassasiyetten (mAP) ödün vermeden yüksek çıkarım hızlarını korumak için yapısal yeniden parametrelendirmeyi ve "eğitilebilir ücretsiz avantajlar paketi" yaklaşımını kullanıma sundu.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kurum: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 6 Temmuz 2022
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7

Mimari Yenilikler: YOLOv7, kardinaliteyi genişleterek, karıştırarak ve birleştirerek modelin daha çeşitli özellikler öğrenmesini sağlayan Genişletilmiş Verimli Katman Toplama Ağına (E-ELAN) sahiptir. Bu tasarım, GPU'dan mükemmel yararlanma ve çıkarım gecikmesi sağlar. Ancak modern sürümlere kıyasla karmaşık eğitim süreçlerinde önemli miktarda bellek gerektirebilir.

YOLOv7 hakkında daha fazla bilgi edin

YOLOv9: Bilgi Darboğazını Çözme#

2024'ün başlarında aynı araştırma ekibinin kullanıma sunduğu YOLOv9, derin sinir ağlarında bulunan "bilgi darboğazını" ele alıyor. Veriler derin katmanlardan geçerken önemli ayrıntılar çoğu zaman kaybolur. YOLOv9, bu sorunu temelden yeni katman tasarımlarıyla azaltıyor.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kurum: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 21 Şubat 2024
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Mimari Yenilikler: YOLOv9, Programlanabilir Gradyan Bilgisini (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağını (GELAN) kullanıma sunuyor. PGI, güvenilir gradyanların korunup ağırlıkları doğru biçimde güncellemek üzere geri beslenmesini sağlıyor. GELAN, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un önceki modellerinden çok daha az FLOP ile yüksek doğruluk elde etmesini sağlıyor.

YOLOv9 hakkında daha fazla bilgi edin

Performans Analizi#

Mimariler arasında seçim yaparken yapay zekâ mühendisleri doğruluk, çıkarım hızı ve hesaplama maliyetini dengelemelidir. Aşağıdaki tablo, standart COCO veri kümesinde bu modellerin performans farklılıklarını vurguluyor.

Öne Çıkan Noktalar#

• Parametre Verimliliği: YOLOv9m, yaklaşık %45 daha az parametre (20,1M'ye karşı 36,9M) kullanırken YOLOv7l'nin doğruluğuna (%51,4 mAP) ulaşıyor. Bu büyük azalma, YOLOv9m'nin belleği kısıtlı uç yapay zekâ cihazlarına dağıtımını çok daha kolaylaştırıyor.
• Mikro Dağıtımlar: YOLOv9t (tiny) varyantının kullanıma sunulması, gerçek zamanlı kısıtların mutlak olduğu ortamlar için inanılmaz hızlar sağlıyor (T4 TensorRT üzerinde 2,3 ms).
• Maksimum Doğruluk: Hassasiyetin en önemli olduğu uygulamalarda YOLOv9e, algılama doğruluğunu %55,6 mAP'ye çıkararak YOLOv7x'i önemli ölçüde geride bırakıyor.

Ultralytics Avantajı#

Model mimarisi seçmek yalnızca ilk adım. Modeli çevreleyen yazılım ekosistemi, prototipten üretime ne kadar hızlı geçebileceğini belirler. YOLOv9 gibi desteklenen modelleri Ultralytics Python API aracılığıyla entegre etmek, geliştiricilere ve araştırmacılara önemli avantajlar sağlar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Geçmişte YOLOv7 eğitimi, karmaşık veri hazırlığı ve büyük ölçüde özelleştirilmiş betikler gerektiriyordu. Ultralytics çerçevesi, derin öğrenmenin bu karmaşıklıklarını soyutlar. Geliştiriciler mimariler arasında kolayca geçiş yapabilir, hiperparametre ayarlamayı deneyebilir ve çok az kodla akıllı veri artırma işlem hatlarından yararlanabilir.

Ayrıca Ultralytics, eğitim ve çıkarım sırasında bellek kullanımını optimize eder. Ağır transformer modellerinin (örneğin RT-DETR) aksine Ultralytics YOLO mimarileri çok daha hızlı eğitilir ve çok daha az CUDA belleği gerektirir; bu da onları tüketici sınıfı GPU'lar için ideal hâle getirir.

Kod Örneği: Sadeleştirilmiş Eğitim#

Son teknoloji modelleri eğitmek, Ultralytics ekosistemi içinde sorunsuzdur. Aşağıda, YOLOv9 modelinin nasıl eğitilip doğrulanacağını gösteren, tamamen çalıştırılabilir bir örnek yer alıyor:

from ultralytics import YOLO

# Modeli başlat (istersen 'yolov9c.pt' yerine 'yolo26n.pt' kullanabilirsin)
model = YOLO("yolov9c.pt")

# Modeli COCO8 örnek veri kümesinde eğit
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # Varsa GPU 0'ı kullan
    batch=16,  # Bellek verimliliği için optimize edilmiş toplu iş boyutu
)

# Modelin doğrulama kümesindeki performansını doğrula
metrics = model.val()

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")

Görevler Arasında Eşsiz Çok Yönlülük#

İyi bakımı yapılan bir ekosistem, çeşitli bilgisayarlı görü görevlerine erişim sağlar. YOLOv7 öncelikli olarak nesne algılama için geliştirilmişken (diğer görevler için daha sonra deneysel çatallanmalar yayımlandı), modern Ultralytics modelleri çok yönlülük için yerel olarak tasarlanmıştır. Kutudan çıktığı hâliyle örnek segmentasyonu, poz tahmini, görüntü sınıflandırması ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı sorunsuzca gerçekleştirebilirsin.

İdeal Kullanım Alanları ve Uygulamalar#

YOLOv7 ile YOLOv9 arasındaki seçim genellikle sektöre özgü kısıtlarına ve donanım kullanılabilirliğine bağlıdır.

YOLOv7 Ne Zaman Kullanılmalı#

• Eski Nesil Uç Dağıtımları: YOLOv7'nin E-ELAN mimarisi için kapsamlı biçimde ayarlanıp optimize edilmiş donanım ortamlarında YOLOv7, endüstriyel IoT için sağlam bir seçenek olmaya devam ediyor.
• Trafik İzleme: YOLOv7'nin yüksek kare hızları ve kanıtlanmış kararlılığı, onu akıllı şehir altyapısı ve gerçek zamanlı trafik yönetimi için mükemmel kılıyor.
• Robotik Entegrasyonu: Dinamik ortamlarda gezinmek, düşük gecikmeli işlemeyi gerektirir; YOLOv7 varyantları da bu senaryoda kapsamlı biçimde test edilmiştir.

YOLOv9'u Ne Zaman Kullanmalı?#

• Tıbbi Görüntüleme: YOLOv9'daki PGI mimarisi, derin katmanlarda ince ayrıntıları korumada son derece başarılıdır. Bu, tümör tespiti gibi karmaşık tıbbi görüntü analizi görevlerinde kritik önem taşır.
• Yoğun Perakende Analitiği: Perakende raflarındaki sıkışık ürünleri izlemek ve saymak için YOLOv9'un özellik entegrasyonu daha yüksek doğruluk sağlar ve yanlış negatifleri azaltır.
• Havadan ve Drone ile Çekilen Görüntüler: YOLOv9m'nin parametre verimliliği, dronlarda yüksek çözünürlüklü görüntü işleme olanağı sunar; pil ömrünü tüketmeden yaban hayatını koruma ve tarımsal izlemeye yardımcı olur.

Sonuç#

YOLOv7 ve YOLOv9, bilgisayarlı görü tarihindeki yerlerini sağlamlaştırdı. YOLOv7 gerçek zamanlı işleme için temel optimizasyonlar sunarken YOLOv9, parametre verimliliğini en üst düzeye çıkarmak için yapısal derin öğrenme darboğazlarını ele aldı.

Ancak bugün yeni projelere başlayan geliştiriciler için Ultralytics ekosisteminden, özellikle YOLO11 ve YOLO26 gibi yeni nesil modellerden yararlanmak; hız, doğruluk ve geliştirici deneyimi arasında en avantajlı dengeyi sunar. MuSGD optimizer gibi yenilikler ve daha geniş donanım uyumluluğu için Distribution Focal Loss'un (DFL) kaldırılmasıyla Ultralytics, yapay zekâ alanındaki bilgisayarlı görü profesyonellerine en erişilebilir ve güçlü araçları sunmaya devam ediyor.