Başla

YOLOv9 ve EfficientDet

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılamada hızlı bir gelişim kaydetti; araştırmacılar doğruluğu ve verimliliği sürekli artırıyor. Sağlam görü sistemleri geliştirirken doğru mimariyi seçmek kritik bir karardır. Bu alanda sıkça konuşulan iki model, gradyan bilgisine odaklanan YOLO ailesinin gelişmiş bir sürümü YOLOv9 ve Google tarafından geliştirilen ölçeklenebilir bir çerçeve olan EfficientDet'tir.

Bu kılavuz, bilinçli bir sonraki yapay zekâ projesi kararı vermene yardımcı olmak için iki mimariyi teknik açıdan karşılaştırır; temel çalışma biçimlerini, performans ölçütlerini ve ideal dağıtım senaryolarını inceler.

Modellerin Kökeni ve Teknik Özellikleri#

Bir modelin soyunu ve tasarım felsefesini anlamak, yapısal kararları ve pratik uygulamaları hakkında değerli bir bağlam sunar.

YOLOv9: Bilgi Akışını En Üst Düzeye Çıkarma#

Derin öğrenmedeki "bilgi darboğazını" ele almak üzere geliştirilen YOLOv9, veriler derin sinir ağlarından geçerken bilginin kaybolmasını önleyen yöntemler sunar.

  • Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
  • Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
  • Tarih: 21 Şubat 2024
  • Bağlantılar: arXiv Yayını, Resmî GitHub

YOLOv9, derin katmanlardaki güvenilir gradyan bilgisini korumaya yardımcı olan Programlanabilir Gradyan Bilgisini (PGI) kullanıma sunar. Buna, CSPNet ile ELAN'ın güçlü yönlerini birleştirerek parametre verimliliğini optimize eden Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) eşlik eder. Bu sayede YOLOv9, gerçek zamanlı uç işlemeye uygun hafif yapısını korurken yüksek doğruluk elde eder.

YOLOv9 hakkında daha fazla bilgi edin

EfficientDet: Bileşik Ölçekleme ve BiFPN#

Google Brain tarafından tanıtılan EfficientDet, hız ve doğruluğu dengelemek için ağ boyutlarını sistematik biçimde ölçeklendirerek nesne algılama yaklaşımını ele alır.

EfficientDet, EfficientNet omurgasını Çift Yönlü Özellik Piramit Ağı (BiFPN) ile birleştirir. BiFPN, çok ölçekli özellik birleştirmeyi kolay ve hızlı hâle getirir. Mimaride, tüm omurga, özellik ağı ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda eşit oranda ölçeklendiren bir bileşik ölçekleme yöntemi kullanılır.

EfficientDet hakkında daha fazla bilgi edin

Doğru Çerçeveyi Seçmek

Teorik mimariler önemli olsa da bir projenin başarısını çoğu zaman yazılım ekosistemi belirler. Ultralytics, karmaşık ve araştırma odaklı kod tabanlarına kıyasla pazara çıkış süresini kısaltan sadeleştirilmiş bir Python API ve güçlü dağıtım araçları sunar.

Performans ve Metrik Karşılaştırması#

Model performansını incelerken doğruluğu çıkarım gecikmesi ve hesaplama maliyetiyle dengelemek çok önemlidir. Aşağıdaki tablo, YOLOv9 ve EfficientDet'in farklı boyutları arasındaki ödünleşimleri gösterir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

Ölçütlerin Eleştirel Analizi#

  1. Doğruluk Eşikleri: YOLOv9e, %55.6 mAP (ortalama kesinlik ortalaması) ile en yüksek genel doğruluğa ulaşır ve daha hızlı TensorRT hızını korurken en büyük EfficientDet-d7 modelini (%53.7) geride bırakır.
  2. Gerçek Zamanlı Hız: YOLOv9t, T4 GPU'da TensorRT kullanarak yalnızca 2.3 ms gerektirir; bu da GELAN mimarisinin yüksek hızlı video akışlarındaki verimliliğini gösterir. EfficientDet-d0 daha yavaştır (3.92 ms) ve YOLOv9t'nin 3.7 mAP gerisinde kalır.
  3. Hesaplama Karmaşıklığı: Bileşik katsayı arttıkça EfficientDet'in parametre sayısı ve FLOP değerleri hızla yükselir. d7 sürümünün gecikmesi 128 ms'ye ulaşır; bu da daha doğru YOLOv9e'den (16.77 ms) yaklaşık 7.6 kat daha yavaş olduğu anlamına gelir ve gerçek zamanlı çıkarım ortamlarında kullanımını sınırlar.

Eğitim Verimliliği ve Ekosistem#

Model seçerken geliştirici ekosistemini değerlendirmek gerekir. Ultralytics ekosistemi eğitim verimliliği, dağıtım esnekliği ve çok yönlülük açısından belirgin avantajlar sunar.

Ultralytics Avantajı#

YOLOv9, YOLOv8 ve YOLO11 dahil Ultralytics çerçevesi tarafından desteklenen modeller, genellikle Transformer tabanlı modellere veya EfficientDet gibi eski TensorFlow mimarilerine kıyasla eğitim sırasında daha az bellek gerektirir. PyTorch arka ucu hızlı yakınsamayı ve kararlı eğitimi destekler.

Uygulama Örneği#

Bir bilgisayarlı görü modelini eğitmek yüzlerce satır yinelenen kod gerektirmemeli. Aşağıdaki örnek, Ultralytics Python paketiyle eğitimi başlatır:

from ultralytics import YOLO

# Resmî bir Ultralytics modeli yükle (ör. YOLO11 veya YOLO26)
model = YOLO("yolo11n.pt")

# Modeli doğrudan özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Farklı yapısal paradigmalar, bu modelleri farklı senaryolara uygun hâle getirir.

EfficientDet ne zaman kullanılmalı: EfficientDet, PyTorch'a geçişin mümkün olmadığı ve TensorFlow ekosistemine sıkı biçimde bağlı eski sistemlerde geçerli bir seçenek olmaya devam ediyor. Ayrıca yüksek çözünürlüklü taramaların daha yavaş çevrimdışı işlenmesinin kabul edilebilir olduğu tıbbi görüntü analizi araştırmalarında tarihsel öneme sahiptir.

YOLOv9 ne zaman kullanılmalı: YOLOv9, yüksek parametre sayısı olmadan yüksek doğruluk gerektiren uygulamalar için uygundur. Akıllı şehirlerde trafik yönetimi ve yoğun kalabalık izleme gibi uygulamalar, PGI'nin özellik ayrıntılarını koruma becerisinden yararlanır.

Geleceğe Hazırlık: Görsel Yapay Zekânın Yeni Nesli#

YOLOv9 ve EfficientDet yetenekli modeller olsa da uç bilişim hızını, eğitim kararlılığını ve dağıtım kolaylığını en iyi şekilde dengeleyen bir model arayan geliştiriciler en yeni yeniliklere yönelmeli.

Ocak 2026'da yayımlanan Ultralytics YOLO26, şu anda önerilen Ultralytics modelidir. Önceki nesillere (YOLO11 ve YOLOv8 dahil) kıyasla birkaç önemli değişiklik sunar:

  • Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) adımını tamamen atlayan isteğe bağlı bir bire bir başlık (nms=False) sunar. YOLO modellerine YOLOv10 tarafından kazandırılan bu yaklaşım, daha hızlı ve basit model dağıtımı sağlar.
  • DFL'nin Kaldırılması: Dağılım Odaklı Kayıp (DFL), dışa aktarma işlemini basitleştirmek ve uç cihazlarla düşük güç tüketimli cihazlardaki uyumluluğu artırmak için kaldırılmıştır.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da IoT cihazlarına ve özel GPU bulunmayan ortamlara uygundur.
  • MuSGD Optimize Edici: Daha hızlı yakınsama ve daha kararlı eğitim için SGD ile Muon'u birleştiren hibrit bir yöntem (büyük dil modeli eğitimindeki yeniliklerden esinlenmiştir).
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), küçük nesnelerin algılanmasını iyileştirir; bu, hava dronu görüntüleri ve robotik için kritik bir etkendir.

Ultralytics Platform sayesinde ekipler veri kümelerini yönetebilir, deneyleri izleyebilir ve YOLO26 gibi modelleri farklı donanımlara dağıtarak bilgisayarlı görü işlem hatlarını üretime hazır tutabilir.

Katkıda Bulunanlar

Yorumlar

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