Başla

YOLOv7 ve YOLOv9

Gerçek zamanlı nesne algılama alanı hızla gelişti; her yeni sürüm hem uç cihazlarda hem de bulut sunucularında performansı artırdı. Bilgisayarlı görü projeleri için mimarileri değerlendirirken geliştiriciler, yerleşik kıyaslamaları yeni tasarımlarla sık sık karşılaştırır. Bu kılavuz, YOLO ailesinin iki önemli kilometre taşını, YOLOv7 ve YOLOv9, karşılaştırıyor.

Doğru modeli uygulamana göre seçmene yardımcı olmak için mimarileri, performans ölçütlerini ve ideal dağıtım senaryolarını ele alıyor; ayrıca Ultralytics Platform ile Python API'sinin YOLOv9 gibi desteklenen modellerin eğitimini, doğrulamasını ve dağıtımını nasıl kolaylaştırdığını gösteriyor.

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, yaygın olarak kullanılan ve iyi optimize edilmiş bir mimariye dönüştü. Çıkarım hızını yüksek tutarken ortalama Hassasiyet (mAP) değerinden ödün vermemek için yapısal yeniden parametreleştirme ve "eğitilebilir ücretsiz avantajlar paketi" yaklaşımını tanıttı.

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 ekibi tarafından tanıtılan YOLOv9, derin sinir ağlarının doğasında bulunan "bilgi darboğazı" sorununu ele alıyor. Veriler derin katmanlardan geçerken önemli ayrıntılar sıklıkla kayboluyor. YOLOv9, yeni mimari bileşenlerle bu sorunu azaltıyor.

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.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

Öne Çıkan Noktalar#

  • Parametre Verimliliği: YOLOv9m, yaklaşık %45 daha az parametre (20.1M'ye karşı 36.9M) kullanırken YOLOv7l'nin doğruluğuna (51.4% mAP) ulaşır. Bu azalma, YOLOv9m'nin belleği kısıtlı uç yapay zekâ cihazlarına dağıtımını kolaylaştırır.
  • Mikro Dağıtımlar: YOLOv9t (tiny), TensorRT ile T4 GPU'da 2.3 ms'de çalışır ve bu da onu gerçek zamanlı kısıtlamaların katı olduğu ortamlar için uygun kılar.
  • En Yüksek Doğruluk: Doğruluğun en önemli olduğu uygulamalarda YOLOv9e, YOLOv7x'ten 2.5 puan daha yüksek olan 55.6% mAP değerine ulaşır.
Bilgisayarlı Görü Projelerini Geleceğe Hazırlama

YOLOv7 ve YOLOv9 yetenekli modeller olsa da yeni projeler için şu anda önerilen Ultralytics modeli YOLO26'dır. Non-Maximum Suppression (NMS) son işlemesini atlayan yerel bir uçtan uca, NMS gerektirmeyen tasarım sunar (isteğe bağlı olarak nms=False ile kullanılabilir) ve CPU çıkarımını %43'e kadar hızlandırır (YOLO26n ile YOLO11n karşılaştırıldığında). MuSGD optimizasyon algoritması eğitim kararlılığını artırırken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması) küçük nesne algılamayı iyileştirir.

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 yoğun biçimde özelleştirilmiş betikler gerektiriyordu. Ultralytics çerçevesi bu ayrıntıları ele alır; böylece geliştiriciler mimariler arasında geçiş yapabilir, hiperparametre ayarlamayı deneyebilir ve yerleşik veri artırma işlem hatlarını çok az kodla kullanabilir.

Ultralytics, eğitim ve çıkarım sırasında bellek kullanımını da optimize eder. RT-DETR gibi daha ağır Transformer modelleri ile karşılaştırıldığında Ultralytics YOLO mimarileri genellikle daha hızlı eğitilir ve daha az CUDA belleği gerektirir; bu da onları tüketici sınıfı GPU'larda kullanışlı kılar.

Kod Örneği: Sadeleştirilmiş Eğitim#

Aşağıdaki çalıştırılabilir örnek, Ultralytics Python API'siyle bir YOLOv9 modelini eğitir, doğrular ve dışa aktarır:

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 Çok Yönlülük#

İyi bakımı yapılan bir ekosistem, daha fazla bilgisayarlı görü görevine erişim de sağlar. YOLOv7 öncelikle nesne algılama için geliştirilmiş olsa da (daha sonra diğer görevler için deneysel dallar eklenmiştir), modern Ultralytics modelleri birden fazla görevi yerel olarak destekler. Hazır olarak örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılaması yapabilirsin.

İdeal Kullanım Alanları ve Uygulamalar#

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

YOLOv7 Ne Zaman Kullanılmalı#

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

YOLOv9 Ne Zaman Kullanılmalı#

  • Tıbbi Görüntüleme: PGI, YOLOv9'un derin katmanlarda ince ayrıntıları korumasına yardımcı olur; bu özellik, tümör tespiti gibi tıbbi görüntü analizi görevlerinde değerlidir.
  • Yoğun Perakende Analitiği: Perakende raflarında sıkışık biçimde dizilmiş ürünleri izleyip sayarken YOLOv9'un özellik entegrasyonu doğruluğu artırabilir ve yanlış negatifleri azaltabilir.
  • 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, YOLO ailesinin önemli kilometre taşlarıdır. YOLOv7, gerçek zamanlı işleme için temel optimizasyonlar sunarken YOLOv9, parametre verimliliğini artırmak amacıyla derin ağlardaki bilgi kaybını ele aldı.

Ancak yeni projeler için YOLO11 ve YOLO26 gibi daha yeni Ultralytics modelleri hız, doğruluk ve geliştirici deneyimi arasında daha iyi bir denge sunar. MuSGD optimizasyon algoritması ve daha geniş donanım uyumluluğu için Distribution Focal Loss (DFL) modülünün kaldırılması sayesinde YOLO26 önerilen başlangıç modelidir.

Katkıda Bulunanlar

Yorumlar

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