YOLOv8 ve YOLOv9#

Gerçek zamanlı nesne tespiti evrimi, daha iyi doğruluk, daha düşük gecikme ve gelişmiş donanım kullanımı için sürekli bir çaba ile karakterize edilmiştir. Bu yolculuktaki iki önemli kilometre taşı Ultralytics YOLOv8 ve YOLOv9 modelleridir. Her iki model de computer vision alanında son teknoloji yetenekleri temsil ederken, farklı dağıtım ihtiyaçlarına, mimari felsefelere ve geliştirici ekosistemlerine hitap etmektedir.

Bu kapsamlı rehber, bir sonraki yapay zeka projeniz için doğru modeli seçmenize yardımcı olmak amacıyla teknik farklılıkları, mimari yenilikleri ve pratik dağıtım hususlarını detaylandırır.

Model Soy ağacı ve Temel Felsefeler#

Metriklerin derinliklerine inmeden önce, her modelin arkasındaki kökenleri ve birincil tasarım hedeflerini anlamak çok önemlidir.

Ultralytics YOLOv8: Çok Yönlü Ekosistem Standardı#

Ultralytics ekibi tarafından yayınlanan YOLOv8, yalnızca bağımsız bir nesne dedektörü olarak değil, birleştirilmiş, çok görevli bir çerçeve olarak tasarlanmıştır. Sorunsuz bir geliştirici deneyimini, düşük bellek gereksinimlerini ve geniş donanım uyumluluğunu ön planda tutar.

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

YOLOv8 hakkında daha fazla bilgi edinin

YOLOv9: Programlanabilir Gradyan Bilgisi#

Academia Sinica'daki araştırmacılar tarafından bağımsız olarak geliştirilen YOLOv9, derin sinir ağlarındaki bilgi darboğazı fenomenini özel olarak ele alarak mimari teoriye büyük ölçüde odaklanır.

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

YOLOv9 hakkında daha fazla bilgi edin

Mimari Derinlemesine İnceleme#

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

YOLOv8 Mimarisi: C2f ve Ayrıştırılmış Başlıklar#

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

Ayrıca YOLOv8, ayrıştırılmış başlığa (decoupled head) sahip çapasız (anchor-free) bir tasarım kullanır. Nesneselliği, sınıflandırmayı ve regresyonu ayrı yollar aracılığıyla işleyerek model eğitim sırasında daha hızlı yakınsar ve çeşitli custom datasets verilerine daha iyi genelleme yapar.

YOLOv9 Mimarisi: PGI ve GELAN#

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağını (GELAN) tanıtır. PGI, ağın katmanlarından geçerken kritik verilerin kaybolmamasını sağlayarak ağırlık güncellemeleri için güvenilir gradyanlar sunar. GELAN, parametre verimliliğini en üst düzeye çıkararak modelin, FLOP'ları yönetilebilir tutmaya çalışırken yüksek accuracy elde etmesini sağlar.

Matematiksel olarak etkileyici olsa da, YOLOv9'un eğitim sırasında belirli yardımcı tersine çevrilebilir dallara olan bağımlılığı, eğitim kodunun standart hatlara kıyasla özelleştirilmesini daha karmaşık hale getirebilir.

Performans Metrikleri ve Kıyaslamalar#

Aşağıdaki tablo, modellerin farklı boyutlardaki doğrudan bir karşılaştırmasını sunar. Performans, nesne tespiti için standart bir kıyaslama olan MS COCO dataset üzerinde ölçülmüştür.

Not: Her sütundaki en iyi değerler kalın olarak vurgulanmıştır.

Ödünleşimleri Analiz Etmek#

YOLOv9, özellikle daha büyük e varyantı ile biraz daha yüksek tepe doğruluk (mAP) elde eder. Ancak bunun bir bedeli vardır. Ultralytics YOLOv8, özellikle TensorRT veya ONNX gibi formatlara derlendiğinde çıkarım hızında belirgin bir avantaj korur. Kısıtlı uç donanımlarda (bir Raspberry Pi veya daha eski mobil yongalar gibi) yüksek saniye başına kare (FPS) gerektiren uygulamalar için YOLOv8'in n ve s varyantları çok daha pratik bir performans dengesi sunar.

Eğitim Verimliliği ve Ekosistem Entegrasyonu#

Bir model seçmek, sadece doğruluk tablolarına bakmaktan daha fazlasını gerektirir; geliştirici deneyimi son derece önemlidir.

Ultralytics Avantajı: Kullanım Kolaylığı#

YOLOv9 eğitimi genellikle karmaşık GitHub depolarını klonlamayı, PyTorch ortamlarını dikkatlice yönetmeyi ve yardımcı kayıp ağırlıklarını manuel olarak yapılandırmayı gerektirir.

Buna karşın, Ultralytics YOLOv8 son derece akıcı bir Python API ile desteklenmektedir. Kullanım kolaylığı için oluşturulmuş olup veri artırma, Weights & Biases ve Comet ML gibi araçlara günlük kaydı ve donanım dağıtımını yerel olarak yönetir.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model efficiently on custom data
results = model.train(data="custom_dataset.yaml", epochs=100, imgsz=640)

# Export for edge deployment
model.export(format="engine", quantize=16)  # TensorRT export

Bu tek API, prototipten üretime geçiş süresini önemli ölçüde kısaltır. Ayrıca YOLOv8, eğitim sırasında genellikle daha düşük CUDA belleği gerektirir, bu da geliştiricilerin tüketici sınıfı donanımlarda daha büyük yığın boyutları kullanmasına olanak tanır.

Görev Çok Yönlülüğü#

YOLOv9 mükemmel bir sınırlayıcı kutu dedektörü olsa da, gerçek dünyadaki yapay zeka görüşü genellikle daha fazlasını gerektirir. YOLOv8; Instance Segmentation, Pose Estimation, Image Classification ve Oriented Bounding Boxes (OBB) destekleyen çok yönlü bir güç merkezidir. Birden fazla görev için tek bir çerçeve kullanmak, yazılım şişmesini ve bakım yükünü büyük ölçüde azaltır.

Gerçek Dünya Kullanım Durumları#

Bu modeller üretim ortamlarında nasıl performans gösterir?

Otonom Drone'lar ve Robotik#

Hızlı engel kaçınma gerektiren robotik uygulamalar için YOLOv8 tercih edilen seçenektir. YOLOv8n modelinin ultra düşük gecikmesi, otonom sistemlerin çevrelerine gerçek zamanlı olarak tepki vermesini sağlayarak çarpışmaları önler. OpenVINO ve CoreML'ye yönelik yerel dışa aktarma yetenekleri, ticari dronlara ait tipik düşük güç çipleri üzerinde dağıtım yapmayı kolaylaştırır.

Yüksek Çözünürlüklü Hata Algılama#

Mikroskobik anormallikleri tespit etmenin kritik olduğu ve çevrimdışı işlemenin kabul edilebilir olduğu özel üretim ortamlarında, YOLOv9 oldukça etkili olabilir. PGI mimarisi, ağın saç teli kadar ince çatlakları veya PCB lehim hatalarını tanımlamak için gerekli olan ince görsel ayrıntıları korumasına yardımcı olur.

Akıllı Perakende ve Güvenlik Analitiği#

Mağaza koridorlarında müşterileri takip etmek veya automated checkout systems sistemlerini yönetmek için YOLOv8 en iyi dengeyi sağlar. BoT-SORT gibi standart algoritmaları kullanarak hem tespiti hem de multi-object tracking işlemlerini aynı anda çalıştırma yeteneği, onu çok kameralı perakende dağıtımları için sağlam bir çözüm haline getirir.

Kullanım Durumları ve Öneriler#

YOLOv8 ve YOLOv9 arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için güçlü bir tercihtir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için önerilir:

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

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Bir Sonraki Evrim: YOLO26#

YOLOv8 ve YOLOv9 güçlü olsalar da yapay zeka dünyası hızla ilerliyor. Mutlak en iyi performansı talep eden ekipler için, yeni çıkan YOLO26 bu önceki nesillerin başarıları üzerine inşa edilmiştir.

YOLO26, karmaşık işlem sonrası darboğazlarını tamamen ortadan kaldıran, dağıtımı daha basit ve gecikmeyi daha öngörülebilir hale getiren uçtan uca NMS içermeyen bir tasarım sunar. Yeni MuSGD Optimizer ve geliştirilmiş ProgLoss + STAL kayıp fonksiyonları tarafından desteklenen ve basitleştirilmiş dışa aktarım ile daha iyi uç/düşük güçte cihaz uyumluluğu için DFL Removal (Dağıtım Odaklı Kayıp kaldırıldı) özelliğine sahip olan bu model, küçük nesne tanımayı geliştirirken %43'e varan daha hızlı CPU çıkarımı sağlar. Uç bilişimin sınırlarını zorlayan geliştiriciler için YOLO26 modelini değerlendirmesi şiddetle tavsiye edilir.

Özetle, YOLOv9 büyüleyici bir mimari araştırma ve mükemmel bir tepe doğruluğu sunsa da, Ultralytics YOLOv8 güvenilir yazılımları hızlı bir şekilde sunmayı amaçlayan bilgisayarlı görü mühendislerinin büyük çoğunluğu için en pratik, en iyi desteklenen ve en çok yönlü seçim olmaya devam etmektedir.