YOLOv7 ve YOLOv9#

Gerçek zamanlı nesne tespiti alanı hızla gelişti; her yeni sürüm, uç cihazlarda ve bulut sunucularında mümkün olanın sınırlarını daha da zorluyor. Bilgisayarlı görü projeleri için mimarileri değerlendirirken geliştiriciler, yerleşik kıyaslama sonuçlarını yeni yeniliklerle sıkça karşılaştırır. Bu kapsamlı kılavuz, YOLO ailesindeki iki önemli kilometre taşını karşılaştırır: YOLOv7 ve YOLOv9.

Uygulaman için doğru modeli seçmene yardımcı olmak amacıyla bu modellerin mimari atılımlarını, performans ölçümlerini ve ideal dağıtım senaryolarını analiz edeceğiz. Ayrıca Ultralytics Platformu bu modelleri nasıl bir araya getirerek eğitilmelerini, doğrulanmalarını ve dağıtılmalarını kolaylaştırıyor, bunu da inceleyeceğiz.

Model Soy Ağacı ve Teknik Özellikler#

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

YOLOv7: Ücretsiz Avantajların Öncüsü#

2022'nin ortalarında yayımlanan YOLOv7, kendisini son derece güvenilir ve kapsamlı biçimde optimize edilmiş bir mimari olarak kanıtladı. Yüksek çıkarım hızlarını ortalama kesinlikten (mAP) ödün vermeden korumak için yapısal yeniden parametreleştirme ve "eğitilebilir ücretsiz avantajlar paketi" yaklaşımını tanıttı.

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

Mimari Yenilikler: YOLOv7, kardinaliteyi genişletip karıştırarak ve birleştirerek modelin daha çeşitli özellikleri öğrenmesini sağlayan Genişletilmiş Verimli Katman Birleştirme Ağı'na (E-ELAN) sahiptir. Bu tasarım, mükemmel GPU kullanımına ve çıkarım gecikmesine olanak tanır. Ancak modern sürümlere kıyasla karmaşık eğitim çalıştırmaları sırasında önemli miktarda bellek gerektirebilir.

YOLOv7 hakkında daha fazla bilgi edin

YOLOv9: Bilgi Darboğazını Çözmek#

2024'ün başlarında aynı araştırma ekibi tarafından tanıtılan YOLOv9, derin sinir ağlarında bulunan "bilgi darboğazını" ele alır. Veriler derin katmanlardan geçerken kritik ayrıntılar sıklıkla kaybolur. YOLOv9, bunu temelden yeni katman tasarımlarıyla azaltır.

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

Mimari Yenilikler: YOLOv9, Programlanabilir Gradyan Bilgisi'ni (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) tanıtır. PGI, güvenilir gradyanların korunmasını ve ağırlıkların doğru şekilde güncellenmesi için geri beslenmesini sağlar. GELAN, parametre verimliliğini en üst düzeye çıkararak YOLOv9'un önceki modellerinden önemli ölçüde daha az FLOPs ile yüksek doğruluk elde etmesini sağlar.

YOLOv9 hakkında daha fazla bilgi edin

Performans Analizi#

Mimariler arasında seçim yaparken yapay zekâ mühendisleri doğruluk, çıkarım hızı ve hesaplama maliyeti arasında denge kurmalıdır. Aşağıdaki tablo, standart COCO veri kümesinde bu modeller arasındaki performans farklarını vurgular.

Önemli Çıkarımlar#

• Parametre Verimliliği: YOLOv9m, neredeyse %45 daha az parametre (20,0M yerine 36,9M) kullanarak YOLOv7l'nin doğruluğuna (%51,4 mAP) ulaşır. Bu büyük azalma, YOLOv9m'nin belleği kısıtlı uç yapay zekâ cihazlarına dağıtılmasını çok daha kolay hâle getirir.
• Mikro Dağıtımlar: YOLOv9t (tiny) varyantının kullanıma sunulması, gerçek zaman kısıtlarının kesin olduğu ortamlar için olağanüstü hızlar (T4 TensorRT üzerinde 2,3 ms) sağlar.
• Maksimum Doğruluk: Hassasiyetin büyük önem taşıdığı uygulamalarda YOLOv9e, tespit doğruluğunu %55,6 mAP'ye çıkararak YOLOv7x'i önemli ölçüde geride bırakır.

Ultralytics Avantajı#

Model mimarisi seçmek yalnızca ilk adımdır. Modeli çevreleyen yazılım ekosistemi, prototipten üretime ne kadar hızlı geçebileceğini belirler. Bu modelleri Ultralytics Python API aracılığıyla entegre etmek, geliştiriciler ve araştırmacılar için önemli avantajlar sağlar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Geçmişte YOLOv7'yi eğitmek, karmaşık veri hazırlığı ve büyük ölçüde özelleştirilmiş betikler gerektiriyordu. Ultralytics çatısı, derin öğrenmenin bu karmaşıklıklarını soyutlar. Geliştiriciler mimariler arasında kolayca geçiş yapabilir, hiperparametre ayarlama üzerinde denemeler yapabilir ve minimum 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: Kolaylaştırılmış Eğitim#

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

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 sürdürülen bir ekosistem, çeşitli bilgisayarlı görü görevlerine erişim anlamına gelir. YOLOv7 öncelikle nesne tespiti için geliştirilmişken (daha sonra diğer görevler için deneysel çatallar ortaya çıkmıştır), modern Ultralytics modelleri yerel olarak çok yönlülük için tasarlanmıştır. Herhangi bir ek yapılandırma olmadan örnek segmentasyonu, poz tahmini, görüntü sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini sorunsuzca gerçekleştirebilirsin.

İdeal Kullanım Alanları ve Uygulamalar#

YOLOv7 ve YOLOv9 arasındaki karar çoğu zaman sektöre özgü kısıtlarına ve kullanılabilir donanıma bağlıdır.

YOLOv7 Ne Zaman Kullanılmalı#

• Eski Uç Dağıtımlar: YOLOv7'nin E-ELAN mimarisi için zaten kapsamlı biçimde ayarlanmış ve optimize edilmiş donanım ortamlarında, endüstriyel IoT için hâlâ sağlam bir seçimdir.
• Trafik İzleme: YOLOv7'nin yüksek kare hızları ve kanıtlanmış kararlılığı, onu akıllı şehir altyapısı ve gerçek zamanlı trafik yönetimi için mükemmel hâle getirir.
• Robotik Entegrasyonu: Dinamik ortamlarda gezinmek düşük gecikmeli işlemeyi gerektirir; YOLOv7 varyantlarının kapsamlı biçimde test edildiği senaryo budur.

YOLOv9 Ne Zaman Kullanılmalı?#

• Tıbbi Görüntüleme: YOLOv9'daki PGI mimarisi, derin katmanlar boyunca ince ayrıntıları koruma konusunda olağanüstüdür. Bu özellik, tümör tespiti gibi karmaşık tıbbi görüntü analizi görevlerini incelerken kritik öneme sahiptir.
• Yoğun Perakende Analitiği: Perakende raflarında sıkışık biçimde duran ürünleri takip edip saymak için YOLOv9'un özellik entegrasyonu daha üstün doğruluk sağlar ve yanlış negatifleri azaltır.
• Havadan ve Drone Görüntüleri: YOLOv9m'nin parametre verimliliği, dronlarda yüksek çözünürlüklü görüntü işleme olanağı sunarak pil ömrünü tüketmeden yaban hayatı koruma ve tarımsal izlemeye yardımcı olur.

Sonuç#

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

Bununla birlikte, bugün yeni projelere başlayan geliştiriciler için Ultralytics ekosisteminden—özellikle YOLO11 ve YOLO26 gibi yeni nesil modellerden—yararlanmak; hız, doğruluk ve geliştirici deneyimi arasında en elverişli dengeyi sunar. MuSGD optimizer gibi yenilikler ve daha geniş donanım uyumluluğu için Distribution Focal Loss'un (DFL) kaldırılması sayesinde Ultralytics, görüntü yapay zekâsı profesyonellerine en erişilebilir ve güçlü araçları sunmaya devam ediyor.