YOLOv8 ve YOLOv9#

Gerçek zamanlı nesne tespitinin gelişimi; daha iyi doğruluk, daha düşük gecikme ve donanım kaynaklarından daha iyi yararlanma arayışıyla şekillendi. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLOv8 ve YOLOv9. Her iki model de bilgisayarlı görü alanında son teknoloji yetenekleri temsil etse de farklı dağıtım gereksinimlerine, mimari yaklaşımlara ve geliştirici ekosistemlerine hitap ediyor.

Bu kapsamlı kılavuz, bir sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak üzere teknik farkları, mimari yenilikleri ve pratik dağıtım noktalarını ele alıyor.

Model Soy Ağacı ve Temel Yaklaşımlar#

Metriklere geçmeden önce her modelin kökenini ve temel tasarım hedeflerini anlamak çok önemlidir.

Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#

Ultralytics ekibi tarafından yayımlanan YOLOv8, bağımsız bir nesne algılayıcı olarak değil, birleşik ve çok görevli bir çerçeve olarak tasarlandı. Sorunsuz bir geliştirici deneyimine, düşük bellek gereksinimlerine ve geniş donanım uyumluluğuna öncelik veriyor.

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Belgeler: YOLOv8 Belgeleri

YOLOv9: Programlanabilir Gradyan Bilgisi#

Academia Sinica araştırmacılarının bağımsız olarak geliştirdiği YOLOv9, mimari kurama odaklanıyor; özellikle derin sinir ağlarındaki bilgi darboğazı olgusunu ele alıyor.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
• Tarih: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

YOLOv9 hakkında daha fazla bilgi edin

Mimarinin Derinlemesine İncelenmesi#

Derin öğrenmedeki mimari tercihler, bir modelin ne kadar verimli öğrendiğini ve NVIDIA Jetson ya da Intel CPU gibi hedef donanımlarda ne kadar hızlı çalıştığını belirler.

YOLOv8 Mimarisi: C2f ve Ayrıştırılmış Başlıklar#

YOLOv8, eski C3 modülünün yerini alan C2f modülünü (iki evrişimli Çapraz Aşamalı Kısmi darboğaz) tanıttı. Bu değişiklik, gradyan akışını iyileştirir ve ağın GPU belleğini aşırı zorlamadan daha zengin özellik temsilleri öğrenmesini sağlar.

Ayrıca YOLOv8, çapasız bir tasarımdan ve ayrıştırılmış bir başlıktan yararlanıyor. Sınıflandırma ve regresyonu ayrı yollardan işleyerek model, eğitim sırasında daha hızlı yakınsıyor ve çeşitli özel veri kümelerine daha iyi genelleniyor.

YOLOv9 Mimarisi: PGI ve GELAN#

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) kavramlarını sunuyor. PGI, ağ katmanlarından geçerken kritik verilerin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar sunuyor. GELAN, parametre verimliliğini en üst düzeye çıkararak FLOP değerlerini yönetilebilir tutmaya çalışırken modelin yüksek doğruluk elde etmesini sağlıyor.

Matematiksel açıdan etkileyici olsa da YOLOv9'un eğitim sırasında belirli yardımcı tersinir dallara dayanması, eğitim kodunu standart işlem hatlarına kıyasla özelleştirmeyi daha karmaşık hâle getirebilir.

Performans Ölçütleri ve Kıyaslamalar#

Aşağıdaki tabloda farklı boyutlardaki modeller doğrudan karşılaştırılıyor. Performans, nesne tespiti için standart bir kıyaslama olan MS COCO veri kümesi üzerinde ölçülmüştür.

Not: Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.

Ödünleşimlerin Analizi#

YOLOv9, özellikle daha büyük e varyantında, en yüksek doğruluk değerine (mAP) biraz daha fazla ulaşıyor. Ancak bunun bir bedeli var. Ultralytics YOLOv8, özellikle TensorRT veya ONNX gibi biçimlerde derlendiğinde çıkarım hızında önemli bir avantaja sahip. Kısıtlı uç donanımlarda (örneğin Raspberry Pi veya eski mobil yongalarda) saniyede yüksek kare sayısı (FPS) gerektiren uygulamalarda YOLOv8'in n ve s varyantları çok daha pratik bir performans dengesi sunuyor.

Eğitim Verimliliği ve Ekosistem Entegrasyonu#

Model seçerken doğruluk tablolarına bakmaktan fazlası gerekir; geliştirici deneyimi de büyük önem taşır.

Ultralytics'in Avantajı: Kullanım Kolaylığı#

YOLOv9'u eğitmek çoğu zaman karmaşık GitHub depolarını klonlamayı, PyTorch ortamlarını dikkatlice yönetmeyi ve yardımcı kayıp ağırlıklarını elle yapılandırmayı gerektirir.

Buna karşılık Ultralytics YOLOv8, oldukça sadeleştirilmiş bir Python API'siyle sunuluyor. Kullanım kolaylığı için tasarlanan bu API, veri artırmayı, Weights & Biases ve Comet ML gibi araçlara günlük kaydını ve donanım dağıtımını yerleşik olarak yönetiyor.

from ultralytics import YOLO

# Önceden eğitilmiş küçük bir YOLOv8 modeli yükle
model = YOLO("yolov8s.pt")

# Modeli özel verilerle verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Uç dağıtım için dışa aktar
model.export(format="engine", quantize=16)  # TensorRT dışa aktarımı

Bu tek API, prototipten üretime geçiş süresini önemli ölçüde kısaltıyor. Ayrıca YOLOv8, eğitim sırasında genellikle daha az CUDA belleği gerektiriyor ve geliştiricilerin tüketici sınıfı donanımlarda daha büyük toplu iş boyutları kullanmasına olanak tanıyor.

Görev Çok Yönlülüğü#

YOLOv9 mükemmel bir sınırlayıcı kutu algılayıcısı olsa da gerçek dünyadaki görsel yapay zekâ uygulamaları çoğu zaman daha fazlasını gerektiriyor. Çok yönlü bir güç merkezi olan YOLOv8, yerel olarak Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) destekliyor. Birden fazla görev için tek bir çerçeve kullanmak, yazılım şişkinliğini ve bakım yükünü önemli ölçüde azaltıyor.

Gerçek Dünya Kullanım Senaryoları#

Bu modeller üretimde nasıl performans gösteriyor?

Otonom Dronlar ve Robotik#

Hızlı engelden kaçınma gerektiren robotik uygulamalarında YOLOv8 tercih edilir. YOLOv8n değerinin son derece düşük gecikmesi, otonom sistemlerin çevrelerine gerçek zamanlı tepki vermesini sağlayarak çarpışmaları önler. OpenVINO ve CoreML'ye yerleşik dışa aktarım özellikleri sayesinde ticari dronlarda yaygın olan düşük güçlü yongalara dağıtım son derece kolaydır.

Yüksek Çözünürlüklü Kusur Tespiti#

Mikroskobik kusurların tespitinin kritik olduğu ve çevrimdışı işlemenin kabul edilebilir olduğu uzmanlaşmış üretim ortamlarında YOLOv9 son derece etkili olabilir. PGI mimarisi, ağın ince çatlakları veya PCB lehim hatalarını belirlemek için gereken ayrıntılı görsel özellikleri korumasına yardımcı olur.

Akıllı Perakende ve Güvenlik Analitiği#

Mağaza koridorlarında müşterileri izlemek veya otomatik ödeme sistemlerini yönetmek için YOLOv8 en iyi dengeyi sunar. BoT-SORT gibi standart algoritmaları kullanarak algılama ve çoklu nesne takibini aynı anda çalıştırabilmesi, onu çok kameralı perakende dağıtımları için sağlam bir çözüm hâline getiriyor.

Kullanım Alanları ve Öneriler#

YOLOv8 ile YOLOv9 arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

• Çok Yönlü, Çok Görevli Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda önerilir:

• Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Bir Sonraki Evrim: YOLO26#

YOLOv8 ve YOLOv9 güçlü modeller olsa da yapay zekâ dünyası hızla değişiyor. En iyi performansı isteyen ekipler için yeni yayımlanan YOLO26, önceki nesillerin başarılarını temel alıyor.

YOLO26, karmaşık son işlem darboğazlarını ortadan kaldırarak dağıtımı kolaylaştıran ve gecikmeyi daha öngörülebilir kılan isteğe bağlı uçtan uca NMS'siz tasarımı (nms=False) sunar. Yeni MuSGD Optimizer ve geliştirilmiş ProgLoss + STAL kayıp fonksiyonlarıyla desteklenen ve DFL'nin Kaldırılması (daha basit dışa aktarma ve uçta/düşük güç tüketen cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde, küçük nesne tanımayı geliştirirken CPU çıkarımını %43'e kadar hızlandırır. Uç bilişimin sınırlarını zorlayan geliştiricilerin YOLO26 modelini değerlendirmeleri önemle tavsiye edilir.

Özetle, YOLOv9 ilgi çekici mimari araştırmalar ve mükemmel tepe doğruluk değerleri sunsa da güvenilir yazılımları hızla kullanıma sunmayı hedefleyen bilgisayarlı görü mühendislerinin büyük çoğunluğu için en pratik, en iyi desteklenen ve en çok yönlü seçenek Ultralytics YOLOv8 olmaya devam ediyor.