Başla

YOLOv9 ve PP-YOLOE+ Karşılaştırması

Gerçek zamanlı nesne algılama alanı hızla gelişmeye devam ediyor ve bilgisayarlı görü mühendislerine uç ve bulut altyapılarında yüksek doğruluklu modeller dağıtmak için çok çeşitli seçenekler sunuyor. Bu alandaki öne çıkan iki model YOLOv9 ve PP-YOLOE+. Her ikisi de yüksek doğruluk ve hız sunsa da farklı araştırma geleneklerinden ve yazılım ekosistemlerinden geliyor.

Bu teknik karşılaştırmada mimarileri, eğitim yöntemleri, performans ölçütleri ve gerçek dünyadaki ideal uygulamaları inceleniyor. Ayrıca kullanım kolaylığına, bellek verimliliğine ve çok yönlü dağıtıma önem veren geliştiriciler için daha geniş Ultralytics ekosisteminin nasıl kolaylık sağladığı açıklanıyor.

Modellerin Kökeni ve Teknik Özellikleri#

Bu modellerin geçmişini anlamak, mimari kararlarını ve çerçeve bağımlılıklarını bağlam içine yerleştirmeye yardımcı olur.

YOLOv9: Bilgi Darboğazını Çözme#

2024'ün başlarında tanıtılan YOLOv9, bilginin derin sinir ağlarından geçerken oluşan veri kaybını ele alır. Parametre verimliliğini en üst düzeye çıkarmak üzere tasarlanmış verimli bir evrişimli sinir ağıdır.

YOLOv9 hakkında daha fazla bilgi edin

PP-YOLOE+: Paddle Ekosistemini İleriye Taşıma#

Baidu tarafından 2022'de yayımlanan PP-YOLOE+, PP-YOLOv2'nin yinelemeli bir iyileştirmesidir. PaddlePaddle çerçevesi içinde yakınsamayı ve doğruluğu iyileştirmek için çapaya bağlı olmayan bir tasarım kullanır ve dinamik bir etiket atama stratejisi sunar.

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Karşılaştırması#

Programlanabilir Gradyan Bilgisi ve CSPRepResStage#

YOLOv9'un temel yeniliği Programlanabilir Gradyan Bilgisi (PGI)'dir. PGI, eğitim sırasında hayati gradyan bilgisinin korunmasını ve sığ katmanlara doğru biçimde geri yayılmasını sağlayan yardımcı bir denetim çerçevesi görevi görür. Buna, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek hesaplama maliyetini (FLOP) azaltırken yüksek doğruluk sunan Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) eşlik eder.

PP-YOLOE+, CSPRepResStage adlı özel bir omurgaya dayanır. Dağıtım sırasında evrişim katmanlarını birleştirerek çıkarımı hızlandırmak için yeniden parametreleştirme tekniklerinden (RepVGG'de kullanılanlara benzer) yararlanır. Ayrıca sınıflandırma ve regresyon görevlerini dengelemek için Verimli Görev Hizalı başlığı (ET-head) kullanır.

PP-YOLOE+ güçlü bir model olsa da YOLOv9'un GELAN mimarisi her boyutta daha az parametre kullanır. Böylece çıkarım sırasında daha az bellek kullanır ve uç yapay zekâ cihazları için uygun hâle gelir.

Performans Karşılaştırması#

Üretim ortamı için modelleri değerlendirirken mAP (ortalama Ortalama Hassasiyet), çıkarım hızı ve model boyutu arasındaki denge kritik önem taşır.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Analiz#

  • Parametre Verimliliği: YOLOv9 parametre açısından daha verimlidir. Örneğin YOLOv9c, yalnızca 25.5M parametre kullanarak %53.0 mAP elde ederken PP-YOLOE+l, %52.9 ile biraz daha düşük mAP değerine ulaşmak için bunun iki katından fazla parametre (52.2M) gerektirir; bu da YOLOv9'un bellek gereksinimlerini azaltır. PP-YOLOE+ ise s ve m boyutlarında daha az FLOP kullanır.
  • Çıkarım Hızı: YOLOv9, NVIDIA T4 GPU'larda TensorRT ile rekabetçi hızlara ulaşır ve burada YOLOv9t en hızlı modeldir; PP-YOLOE+ ise s, m ve x boyutlarında daha hızlıdır. Her iki model ailesi de gerçek zamanlı çıkarım için uygundur.

Eğitim Yöntemleri ve Ekosistem#

Bu modeller arasındaki seçim çoğu zaman yazılım ekosistemine bağlıdır.

PP-YOLOE+ ve PaddlePaddle#

PP-YOLOE+, PaddleDetection paketine sıkı sıkıya bağlıdır. Güçlü olsa da kullanıcıların yapılandırma dosyaları ve komut satırı kullanımı ağırlıklı bir ortamda çalışmasını gerektirir. PyTorch veya TensorFlow ekosistemlerine derinlemesine bağlı ekipler için PaddlePaddle'a geçiş önemli zorluklar ve daha dik bir öğrenme eğrisi getirir.

Ultralytics'in Avantajı: Kolaylaştırılmış İş Akışları#

Buna karşılık YOLOv9, geliştiriciler ve araştırmacılar için tasarlanmış, kullanım kolaylığına öncelik veren Ultralytics ekosistemi tarafından desteklenir. Python API, yinelenen kodların çoğunu ortadan kaldırır.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv9 modeli yükle
model = YOLO("yolov9c.pt")

# Özel bir veri kümesiyle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Çıkarım yap ve sonuçları görselleştir
results = model("https://ultralytics.com/images/bus.jpg")

# Üretim dağıtımı için ONNX biçimine aktar
model.export(format="onnx")

Bu iş akışı, Ultralytics modellerinin eğitim verimliliğini ortaya koyar. Veri artırma, dağıtık eğitim ve Weights & Biases veya MLflow gibi platformlara otomatik günlük kaydı için yerleşik destek standart olarak sunulur.

Görsel AI Alanındaki En Yenilikleri Keşfet

YOLOv9 iyi performans gösterse de Ultralytics, yeni projeler için Ultralytics YOLO26 modelini öneriyor. YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldıran ve dağıtımı basitleştiren yerel bir Uçtan Uca NMS'siz Tasarıma (nms=False üzerinden isteğe bağlı) sahiptir. DFL'nin kaldırılması (daha kolay dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26n, uç bilişim için YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar. MuSGD Optimize Edici kararlı eğitim ve hızlı yakınsama sağlarken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması), IoT, robotik ve hava görüntüleri için kritik olan küçük nesne algılamayı iyileştirir.

Çok Yönlülük ve Görev Desteği#

Modern bilgisayarlı görü projeleri nadiren yalnızca sınırlayıcı kutularla sınırlı kalır.

PP-YOLOE+ öncelikli olarak standart nesne algılama için tasarlanmıştır. Mimarinin diğer görevlere uyarlanması kapsamlı özel mühendislik gerektirir.

Buna karşılık Ultralytics çerçevesi birden fazla görevi destekler. Birleşik API sayesinde geliştiriciler, standart nesne algılamadan Örnek Segmentasyonuna, Görüntü Sınıflandırmasına, Poz Tahminine ve hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamaya geçebilir. Bu çok yönlülük, ekiplerin YOLOv9, YOLO11 ve YOLO26 gibi Ultralytics destekli modelleri seçmesinin başlıca nedenlerinden biridir.

İdeal Kullanım Alanları ve Uygulamalar#

  • Akıllı Şehir Analitiği ve Trafik Yönetimi: YOLOv9'un (ve sonraki YOLO26'nın) yüksek parametre verimliliği ve düşük gecikmesi, trafik akışını ve kent güvenliğini izlemek için NVIDIA Jetson cihazları gibi kısıtlı uç donanımlara dağıtımı uygun hâle getirir.
  • Perakende Envanter Sistemleri: Raflardaki küçük ürünlerin yoğun dizilimlerini algılamak için YOLOv9'un PGI özelliği ince uzamsal ayrıntıların korunmasına yardımcı olur ve küçük nesne algılamayı destekler.
  • Eski Sistem Dağıtımları: Mevcut altyapılarında Baidu/PaddlePaddle yazılım yığınını kullanmak zorunda olan ekipler için PP-YOLOE+ hâlâ pratik bir seçenektir.

Transformer tabanlı mimarileri araştıran kişiler için Ultralytics, aynı API içinde RT-DETR desteğini de yerel olarak sunar; böylece dağıtım gereksinimlerine en uygun modeli seçebilirsin.

Katkıda Bulunanlar

Yorumlar

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