YOLOv9 vs. PP-YOLOE+: Modern Nesne Algılamaya Teknik Bir Derin Bakış

Gerçek zamanlı nesne detect'i alanı hızla ilerlemeye devam ediyor ve bilgisayar görüşü mühendislerine uç ve bulut altyapısında yüksek doğruluklu modelleri dağıtmak için geniş bir seçenek yelpazesi sunuyor. Bu alandaki iki önde gelen model YOLOv9 ve PP-YOLOE+'dır. Her ikisi de doğruluk ve hız sınırlarını zorlasa da, farklı araştırma soylarından ve yazılım ekosistemlerinden gelmektedirler.

Bu kapsamlı teknik karşılaştırma, modellerin mimarilerini, eğitim metodolojilerini, performans metriklerini ve ideal gerçek dünya uygulamalarını inceler. Ayrıca, daha geniş Ultralytics ekosisteminin kullanım kolaylığı, bellek verimliliği ve çok yönlü dağıtıma öncelik veren geliştiriciler için nasıl önemli avantajlar sağladığını da inceleyeceğiz.

Model Kökenleri ve Teknik Özellikler

Bu modellerin arka planını anlamak, mimari kararlarını ve çerçeve bağımlılıklarını bağlamsallaştırmaya yardımcı olur.

YOLOv9: Bilgi Darboğazını Çözme

2024'ün başlarında tanıtılan YOLOv9, bilginin derin sinir ağlarından akışı sırasında meydana gelen veri kaybını ele alır. Parametre verimliliğini en üst düzeye çıkarmak için tasarlanmış, yüksek düzeyde optimize edilmiş bir evrişimsel 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 edinin.

PP-YOLOE+: Paddle Ekosistemini Geliştirmek

Baidu tarafından 2022'de piyasaya sürülen PP-YOLOE+, PP-YOLOv2 üzerinde yinelemeli bir iyileştirmedir. Çıpa içermeyen bir paradigma kullanır ve PaddlePaddle framework içinde yakınsama ve doğruluğu artırmak için dinamik bir etiket atama stratejisi sunar.

Yazarlar: PaddlePaddle Yazarları
Kuruluş: Baidu
Tarih: 2 Nisan 2022
Arxiv:2203.16250
GitHub:PaddleDetection
Belgeler:PP-YOLOE+ Yapılandırması

PP-YOLOE+ hakkında daha fazla bilgi edinin

Mimari Karşılaştırma

Programlanabilir Gradyan Bilgisi ve CSPRepResStage

YOLOv9'daki temel yenilik Programlanabilir Gradyan Bilgisi (PGI)'dir. PGI, yardımcı bir denetim çerçevesi olarak görev yapar ve eğitim sırasında hayati gradyan bilgisinin korunmasını ve sığ katmanlara doğru bir şekilde geri yayılmasını sağlar. Bu, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek yüksek doğruluk sağlarken hesaplama maliyetini (FLOPs) önemli ölçüde azaltan Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ile eşleştirilmiştir.

PP-YOLOE+, özel bir backbone'a dayanır: CSPRepResStage. Konuşlandırma sırasında evrişimsel katmanları birleştirerek çıkarımı hızlandırmak için yeniden parametrelendirme tekniklerinden (RepVGG'de görülenlere benzer) yararlanır. Ayrıca, sınıflandırma ve regresyon görevlerini dengelemek için Verimli Görev Uyumlu 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 edge AI devices için son derece uygun hale getirir.

Performans Karşılaştırması

Üretim için modelleri değerlendirirken, mAP (ortalama Hassasiyet Ortalaması), çıkarım hızı ve model boyutu arasındaki denge çok önemlidir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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, belirgin şekilde daha yüksek verimlilik elde eder. Örneğin, YOLOv9c yalnızca 25.3M parametre kullanarak %53.0'lık bir mAP'ye ulaşırken, PP-YOLOE+l %52.9'luk biraz daha düşük bir mAP elde etmek için iki katından fazla parametre (52.2M) gerektirir. Bu, YOLOv9 için bellek gereksinimlerini önemli ölçüde düşürür.
Çıkarım Hızı: YOLOv9 modelleri, TensorRT gibi donanım hızlandırıcıları için mükemmel optimizasyon göstererek, real-time inference için kritik olan NVIDIA T4 GPU'larda rekabetçi çıkarım hızları sunar.

Eğitim Metodolojileri ve Ekosistem

Bu modeller arasındaki seçim genellikle yazılım ekosistemine bağlıdır.

PP-YOLOE+ ve PaddlePaddle

PP-YOLOE+, PaddleDetection paketiyle sıkı bir şekilde entegredir. Güçlü olmasına rağmen, kullanıcıların yapılandırma ağırlıklı, komut satırı odaklı bir ortamda gezinmesini gerektirir. PyTorch veya TensorFlow ekosistemlerine derinden yerleşmiş ekipler için PaddlePaddle'a geçiş, önemli sürtünme ve daha dik bir öğrenme eğrisi getirir.

Ultralytics Avantajı: Akıcı İş Akışları

Buna karşılık, YOLOv9 son derece gelişmiş Ultralytics ecosystem içinde çalışır. Geliştiriciler ve araştırmacılar için tasarlanan Ultralytics, olağanüstü kullanım kolaylığına öncelik verir. Python API, karmaşık şablon kodunu 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 Training Efficiency vurgular. Veri artırma, dağıtılmış eğitim ve Weights & Biases veya MLflow gibi platformlara otomatik günlük kaydı için yerel destek standart olarak gelir.

Görsel Yapay Zeka'daki En Son Gelişmeleri Keşfedin

YOLOv9 olağanüstü performans sunsa da, yeni projeler için yeni piyasaya sürülen Ultralytics YOLO26'yı şiddetle tavsiye ederiz. YOLO26, dağıtımı önemli ölçüde basitleştiren yerel bir End-to-End NMS-Free Design özelliğine sahiptir. DFL Removal (basitleştirilmiş dışa aktarım ve daha iyi edge/düşük güçlü cihaz uyumluluğu için Distribution Focal Loss kaldırıldı) ile edge computing için %43'e kadar daha hızlı CPU inference sunar. MuSGD Optimizer tarafından desteklenen bu model, istikrarlı eğitim ve hızlı yakınsama sağlar. Ek olarak, ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada önemli iyileştirmelerle geliştirilmiş loss functions sunar.

Çok Yönlülük ve Görev Desteği

Modern bilgisayar görüşü projeleri nadiren basit sınırlayıcı kutularla sınırlı kalır.

PP-YOLOE+, öncelikli olarak standart object detection için tasarlanmıştır. Mimarisini diğer görevlere uyarlamak, kapsamlı özel mühendislik gerektirir.

Tersine, Ultralytics framework çok görevli bir güç merkezidir. Birleşik bir API kullanarak, geliştiriciler standart object detection'dan karmaşık Instance Segmentation, yüksek doğruluklu Pose Estimation, hava görüntüleri için Oriented Bounding Box (OBB) detection ve Image Classification gibi görevlere zahmetsizce geçiş yapabilirler. Bu eşsiz çok yönlülük, kurumsal ekiplerin YOLOv9, YOLO11 ve YOLO26 gibi Ultralytics modellerini sürekli olarak seçmelerinin nedenidir.

İdeal Kullanım Alanları ve Uygulamaları

Smart City Analytics & Traffic Management: YOLOv9'un (ve sonraki YOLO26'nın) yüksek parametre verimliliği ve düşük gecikme süresi, traffic flow ve şehir güvenliğini izlemek için kısıtlı edge hardware'lere (NVIDIA Jetson cihazları gibi) dağıtım için onları ideal kılar.
Retail Inventory Systems: Raflardaki yoğun küçük öğe yapılandırmalarını detect etmek için YOLOv9'un PGI'si, ince taneli uzamsal ayrıntıları etkili bir şekilde koruyarak küçük nesne detection görevlerinde PP-YOLOE+'dan daha iyi performans gösterir.
Legacy Deployments:PP-YOLOE+, mevcut eski altyapıda Baidu/PaddlePaddle software stack'ini kullanması açıkça zorunlu kılınan ekipler için kesinlikle geçerli bir seçenek olmaya devam etmektedir.

Transformer tabanlı mimarileri araştıran araştırmacılar için Ultralytics, aynı kolay kullanımlı API içinde RT-DETR'yi de yerel olarak destekleyerek, belirli deployment gereksinimleriniz için her zaman en uygun modele erişmenizi sağlar.