YOLOv9 ve PP-YOLOE+#
Gerçek zamanlı nesne algılama alanı hızla ilerlemeye devam ediyor ve bilgisayarlı görü mühendislerine uç ve bulut altyapılarında yüksek doğruluklu modeller dağıtmak için geniş bir seçenek yelpazesi sunuyor. Bu alandaki öne çıkan iki model YOLOv9 ve PP-YOLOE+'dır. Her ikisi de doğruluk ve hız sınırlarını zorlasa da farklı araştırma kökenlerinden ve yazılım ekosistemlerinden ortaya çıkmıştır.
Bu kapsamlı teknik karşılaştırmada mimarileri, eğitim yöntemleri, performans metrikleri ve ideal gerçek dünya uygulamaları inceleniyor. Ayrıca daha kolay kullanım, bellek verimliliği ve çok yönlü dağıtımı önceliklendiren geliştiriciler için daha geniş Ultralytics ekosisteminin sunduğu önemli avantajları da ele alacağız.
Model Kökenleri ve Teknik Özellikler#
Bu modellerin geçmişini anlamak, mimari kararlarını ve çerçeve bağımlılıklarını bağlamına oturtmaya yardımcı olur.
YOLOv9: Bilgi Darboğazını Çözmek#
2024'ün başlarında tanıtılan YOLOv9, bilginin derin sinir ağlarından akışı sırasında meydana gelen veri kaybını ele alır. Parametre verimliliğini en üst düzeye çıkarmak üzere tasarlanmış, yüksek düzeyde optimize edilmiş bir evrişimli sinir ağıdır.
- Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
- Tarih: 21 Şubat 2024
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
- Belgeler: Ultralytics YOLOv9 Belgeleri
YOLOv9 hakkında daha fazla bilgi edin
PP-YOLOE+: Paddle Ekosistemini İleri Taşımak#
Baidu tarafından 2022'de yayımlanan PP-YOLOE+, PP-YOLOv2'nin yinelenerek geliştirilmiş bir sürümüdür. PaddlePaddle çerçevesi içinde yakınsamayı ve doğruluğu iyileştirmek için anchor-free paradigmasını kullanır ve dinamik bir etiket atama stratejisi sunar.
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2 Nisan 2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection
- Belgeler: PP-YOLOE+ Yapılandırması
PP-YOLOE+ hakkında daha fazla bilgi edin
Mimari Karşılaştırması#
Programlanabilir Gradyan Bilgisi ve CSPRepResStage#
YOLOv9'daki temel yenilik Programlanabilir Gradyan Bilgisi (PGI)'dir. PGI, yardımcı bir denetim çerçevesi olarak görev yaparak hayati gradyan bilgilerinin korunmasını ve eğitim sırasında sığ katmanlara doğru şekilde geri yayılmasını sağlar. Bu yapı, yüksek doğruluk sunarken hesaplama maliyetini (FLOPs) büyük ölçüde azaltmak için CSPNet ve ELAN'ın güçlü yönlerini birleştiren Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile eşleştirilmiştir.
PP-YOLOE+, CSPRepResStage adlı özel bir omurgaya dayanır. Dağıtım sırasında evrişim katmanlarını birleştirerek çıkarımı hızlandırmak için RepVGG'de görülenlere benzer yeniden parametreleme tekniklerinden yararlanır. Ayrıca sınıflandırma ve regresyon görevlerini dengelemek için Verimli Görev Hizalı başlığı (ET-head) kullanır.
PP-YOLOE+ sağlam olsa da YOLOv9'un GELAN mimarisi genellikle hem eğitim hem de çıkarım sırasında daha küçük bir bellek ayak izi gerektirir; bu da onu uç AI cihazları için son derece uygun kılar.
Performans Karşılaştırması#
Modeller üretim için değerlendirilirken mAP (ortalama Ortalama Kesinlik) ile çıkarım hızı ve model boyutu arasındaki ödünleşim kritik önem taşır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Analiz#
- Parametre Verimliliği: YOLOv9, dikkat çekici ölçüde daha yüksek verimlilik sağlar. Örneğin YOLOv9c, yalnızca 25,3 milyon parametre kullanarak %53,0 mAP değerine ulaşırken PP-YOLOE+l, %52,9 ile biraz daha düşük bir mAP değerine ulaşmak için iki katından fazla parametreye (52,2 milyon) ihtiyaç duyar. Bu, YOLOv9'un bellek gereksinimlerini büyük ölçüde azaltır.
- Çıkarım Hızı: YOLOv9 modelleri, TensorRT gibi donanım hızlandırıcıları için mükemmel optimizasyon sergiler ve gerçek zamanlı çıkarım için kritik olan NVIDIA T4 GPU'larda rekabetçi çıkarım hızları sunar.
Eğitim Yöntemleri ve Ekosistem#
Bu modeller arasındaki seçim genellikle yazılım ekosistemine bağlıdır.
PP-YOLOE+ ve PaddlePaddle#
PP-YOLOE+, PaddleDetection paketiyle sıkı biçimde entegredir. Güçlü olmasına rağmen kullanıcıların yapılandırma ağırlıklı ve komut satırı odaklı bir ortamda çalışmasını gerektirir. PyTorch veya TensorFlow ekosistemlerine derinlemesine entegre ekipler için PaddlePaddle'a geçiş önemli bir sürtüşme ve daha dik bir öğrenme eğrisi yaratır.
Ultralytics Avantajı: Basitleştirilmiş İş Akışları#
Buna karşılık YOLOv9, son derece gelişmiş Ultralytics ekosistemi içinde çalışır. Geliştiriciler ve araştırmacılar için tasarlanan Ultralytics, olağanüstü kullanım kolaylığına öncelik verir. Python API, karmaşık şablon kodlarını tamamen soyutlar.
from ultralytics import YOLO
# Load a pre-trained YOLOv9 model
model = YOLO("yolov9c.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Run inference and visualize results
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for production deployment
model.export(format="onnx")Bu iş akışı, Ultralytics modellerinin üstün Eğitim Verimliliğini öne çıkarır. Veri artırma, dağıtık eğitim ve Weights & Biases veya MLflow gibi platformlara otomatik günlük kaydı için yerel destek standart olarak sunulur.
YOLOv9 olağanüstü performans sunsa da yeni projeler için kısa süre önce yayımlanan Ultralytics YOLO26 modelini değerlendirmeni önemle öneriyoruz. YOLO26, dağıtımı büyük ölçüde basitleştiren yerel bir Uçtan Uca NMS'siz Tasarım sunar. DFL'nin Kaldırılması (daha basit dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde uç bilişim için CPU çıkarımını %43'e kadar hızlandırır. MuSGD Optimize Edici tarafından desteklenen model, kararlı eğitim ve hızlı yakınsama sağlar. Ayrıca ProgLoss + STAL, özellikle IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada dikkate değer iyileştirmelerle geliştirilmiş kayıp işlevleri sunar.
Çok Yönlülük ve Görev Desteği#
Modern bilgisayarlı görü projeleri nadiren yalnızca basit sınırlayıcı kutularla sınırlı kalır.
PP-YOLOE+ öncelikle standart nesne algılama için tasarlanmıştır. Mimarisini diğer görevlere uyarlamak kapsamlı özel mühendislik gerektirir.
Buna karşılık Ultralytics çerçevesi, çok görevli güçlü bir platformdur. Geliştiriciler, birleşik bir API kullanarak standart nesne algılamadan karmaşık Örnek Segmentasyonuna, yüksek doğruluklu Poz Tahminine, hava görüntüleri için Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamaya ve Görüntü Sınıflandırmasına zahmetsizce geçebilir. Eşi benzeri olmayan bu çok yönlülük, kurumsal ekiplerin YOLOv9, YOLO11 ve YOLO26 gibi Ultralytics modellerini sürekli olarak tercih etmesinin nedenidir.
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 kentsel güvenliği izlemek üzere kısıtlı uç donanımlarda (NVIDIA Jetson cihazları gibi) dağıtım için onları ideal kılar.
- Perakende Envanter Sistemleri: Raflardaki küçük öğelerin yoğun dizilimlerini algılamak için YOLOv9'un PGI'si ayrıntılı uzamsal bilgileri etkili biçimde korur ve küçük nesne algılama görevlerinde PP-YOLOE+'yi geride bırakır.
- Eski Sistem Dağıtımları: PP-YOLOE+, yalnızca mevcut eski altyapıda Baidu/PaddlePaddle yazılım yığınını kullanması açıkça zorunlu tutulan ekipler için geçerli bir seçenek olmaya devam eder.
Transformer tabanlı mimarileri araştıran araştırmacılar için Ultralytics, aynı kullanımı kolay API içinde RT-DETR desteğini de yerel olarak sunar; böylece belirli dağıtım gereksinimlerin için her zaman en uygun modele erişebilirsin.