YOLOv7 ve YOLOv9#

Gerçek zamanlı object detection alanı hızla gelişti; her yeni iterasyon, uç cihazlarda ve bulut sunucularında mümkün olanın sınırlarını zorladı. Bilgisayarlı görü projeleri için mimarileri değerlendirirken geliştiriciler sıklıkla köklü kıyaslamaları daha yeni yeniliklerle karşılaştırır. Bu kapsamlı kılavuz, YOLO ailesindeki iki kritik dönüm noktasını karşılaştırır: YOLOv7 ve YOLOv9.

Uygulamanız için doğru modeli seçmenize yardımcı olmak amacıyla mimari atılımlarını, performans metriklerini ve ideal dağıtım senaryolarını analiz edeceğiz. Ayrıca Ultralytics Platform çözümünün bu modelleri nasıl birleştirdiğini, bunların eğitilmesini, doğrulanmasını ve dağıtılmasını nasıl kolaylaştırdığını inceleyeceğiz.

Model Soy Ağacı ve Teknik Özellikler#

Bu modellerin kökenlerini ve tasarım felsefelerini anlamak, yetenekleri için temel bir bağlam sağlar. Her iki model de ortak bir araştırma geçmişini paylaşır ancak farklı mimari darboğazları hedefler.

YOLOv7: Bag-of-Freebies'in Öncüsü#

2022'nin ortalarında yayınlanan YOLOv7, son derece güvenilir ve yoğun bir şekilde optimize edilmiş bir mimari olarak kendini kanıtladı. mean Average Precision (mAP) değerinden ödün vermeden yüksek çıkarım hızlarını korumak için yapısal yeniden parametrelendirme ve "eğitilebilir avantajlar çantası" (trainable bag-of-freebies) yaklaşımını sunmuştur.

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

Mimarideki Yenilikler: YOLOv7, modelin kardinaliteyi genişleterek, karıştırarak ve birleştirerek daha çeşitli özellikleri öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı'na (Extended Efficient Layer Aggregation Network - E-ELAN) sahiptir. Bu tasarım, mükemmel GPU kullanımı ve inference latency ile sonuçlanır. Bununla birlikte, modern iterasyonlara kıyasla karmaşık eğitim süreçlerinde önemli miktarda bellek gerektirebilir.

YOLOv7 hakkında daha fazla bilgi edinin

YOLOv9: Bilgi Darboğazını Çözmek#

Aynı araştırma ekibi tarafından 2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarında doğuştan gelen "bilgi darboğazı" sorununu ele alıyor. Veriler derin katmanlardan geçerken, hayati ayrıntılar genellikle kaybolur. YOLOv9, bunu temelden yeni katman tasarımlarıyla hafifletir.

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

Mimarideki Yenilikler: YOLOv9, Programlanabilir Gradyan Bilgisi (Programmable Gradient Information - PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (Generalized Efficient Layer Aggregation Network - GELAN) sunar. PGI, güvenilir gradyanların korunmasını ve ağırlıkları doğru bir şekilde güncellemek için geri beslenmesini sağlar. GELAN, parametre verimliliğini maksimize ederek YOLOv9'un öncüllerine kıyasla çok daha az FLOPs ile yüksek doğruluk elde etmesini sağlar.

YOLOv9 hakkında daha fazla bilgi edin

Performans Analizi#

Mimari seçimini yaparken yapay zeka mühendisleri doğruluk, inference speed ve hesaplama maliyetini dengelemek zorundadır. Aşağıdaki tablo, bu modellerin standart COCO dataset üzerindeki performans farklılıklarını vurgulamaktadır.

Önemli Çıkarımlar#

• Parametre Verimliliği: YOLOv9m, neredeyse %45 daha az parametre kullanarak (36.9M'ye karşı 20.0M) YOLOv7l'nin doğruluğunu (%51.4 mAP) yakalar. Bu keskin düşüş, YOLOv9m'yi bellek kısıtlı edge AI cihazlarında dağıtmayı çok daha kolay hale getirir.
• Mikro Dağıtımlar: YOLOv9t (tiny) varyantının tanıtılması, gerçek zamanlı kısıtlamaların mutlak olduğu ortamlar için inanılmaz hızlar (T4 TensorRT üzerinde 2.3ms) sağlar.
• Maksimum Doğruluk: Hassasiyetin her şeyden önemli olduğu uygulamalar için YOLOv9e, algılama doğruluğunu %55,6 mAP'ye çıkararak YOLOv7x'ten önemli ölçüde daha iyi performans gösterir.

Ultralytics Avantajı#

Bir model mimarisi seçmek yalnızca ilk adımdır. Modelin etrafındaki yazılım ekosistemi, prototipten üretime ne kadar hızlı geçebileceğinizi belirler. Bu modelleri Ultralytics Python API aracılığıyla entegre etmek, geliştiriciler ve araştırmacılar için büyük avantajlar sağlar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Tarihsel olarak, YOLOv7'yi eğitmek karmaşık veri hazırlığı ve büyük ölçüde özelleştirilmiş betikler gerektiriyordu. Ultralytics çerçevesi, bu derin öğrenme karmaşıklıklarınısoyutlar. Geliştiriciler minimum kodla mimariler arasında kolayca geçiş yapabilir, hyperparameter tuning deneyleri yapabilir ve akıllı data augmentation boru hatlarını kullanabilir.

Ayrıca Ultralytics, eğitim ve çıkarım sırasında memory usage optimizasyonu sağlar. Ağır transformer models (RT-DETR gibi) aksine, Ultralytics YOLO mimarileri çok daha hızlı eğitilir ve çok daha az CUDA belleği gerektirir, bu da onları tüketici sınıfı GPU'lar için ideal hale getirir.

Kod Örneği: Kolaylaştırılmış Eğitim#

En gelişmiş modelleri eğitmek, Ultralytics ekosisteminde sorunsuzdur. İşte bir YOLOv9 modelini nasıl eğitip doğrulayacağınızı gösteren tamamen çalıştırılabilir bir örnek:

from ultralytics import YOLO

# Initialize the model (you can swap 'yolov9c.pt' with 'yolov7.pt' or 'yolo26n.pt')
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 sample dataset
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # Use GPU 0 if available
    batch=16,  # Optimized batch size for memory efficiency
)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Görevler Arasında Eşsiz Çok Yönlülük#

İyi bakım yapılan bir ekosistem, çeşitli bilgisayarlı görü görevlerine erişim anlamına gelir. YOLOv7 öncelikle nesne tespiti için oluşturulmuşken (diğer görevler için sonraki deneysel çatallarla), modern Ultralytics modelleri yerleşik olarak çok yönlülük için tasarlanmıştır. Kutudan çıkar çıkmaz instance segmentation, pose estimation, image classification ve Oriented Bounding Box (OBB) tespiti işlemlerini sorunsuz bir şekilde gerçekleştirebilirsiniz.

İdeal Kullanım Senaryoları ve Uygulamalar#

YOLOv7 ve YOLOv9 arasındaki karar, genellikle özel endüstri kısıtlamalarına ve donanım uygunluğuna bağlıdır.

YOLOv7 Ne Zaman Kullanılır?#

• Eski Uç Dağıtımları: Donanım ortamları YOLOv7'nin E-ELAN mimarisi için halihazırda yoğun bir şekilde ayarlanmış ve optimize edilmişse, industrial IoT için güçlü bir seçim olmaya devam eder.
• Trafik İzleme: YOLOv7'nin yüksek kare hızları ve kanıtlanmış kararlılığı, burayı akıllı şehir altyapısı ve real-time traffic management için mükemmel kılar.
• Robotik Entegrasyonu: Dinamik ortamlarda gezinmek, düşük gecikmeli işleme gerektirir; bu, YOLOv7 varyantlarının yoğun bir şekilde test edildiği bir senaryodur.

YOLOv9 Ne Zaman Kullanılmalı#

• Tıbbi Görüntüleme: YOLOv9'daki PGI mimarisi, derin katmanlar aracılığıyla ince detayları korumada olağanüstüdür; bu, tümör tespiti gibi karmaşık medical image analysis görevlerini analiz ederken çok önemlidir.
• Yoğun Perakende Analitiği: Perakende raflarındaki yoğun paketlenmiş ürünleri takip etmek ve saymak için, YOLOv9'un özellik entegrasyonu üstün doğruluk sağlar ve yanlış negatifleri azaltır.
• Hava ve Drone Görüntüleri: YOLOv9m'nin parametre verimliliği, dronlarda yüksek çözünürlüklü görüntü işlemeye izin vererek pil ömrünü tüketmeden wildlife conservation ve tarımsal izlemeye yardımcı olur.

Sonuç#

Hem YOLOv7 hem de YOLOv9, bilgisayarlı görü tarihindeki yerlerini sağlamlaştırdı. YOLOv7 gerçek zamanlı işleme için temel optimizasyonları getirirken, YOLOv9 parametre verimliliğini en üst düzeye çıkarmak için yapısal derin öğrenme darboğazlarını ele aldı.

Ancak bugün yeni projeler başlatan geliştiriciler için Ultralytics ekosisteminden yararlanmak —özellikle YOLO11 ve YOLO26 gibi yeni nesil modelleri— hız, doğruluk ve geliştirici deneyimi arasında en avantajlı uzlaşmayı sunar. MuSGD optimizer gibi yenilikler ve daha geniş donanım uyumluluğu için Dağılım Odaklı Kayıp (Distribution Focal Loss - DFL) özelliğinin kaldırılmasıyla Ultralytics, vizyon yapay zeka profesyonelleri için en erişilebilir ve güçlü araçları sağlamaya devam etmektedir.