YOLOv9 vs. RTDETRv2: Nesne Algılama için Teknik Bir Karşılaştırma

Doğru nesne algılama mimarisini seçmek, bilgisayarla görü geliştirmede çok önemli bir karardır ve genellikle geliştiricilerin hassasiyet, çıkarım gecikmesi ve hesaplama ek yükü arasındaki dengeleri tartmasını gerektirir. Bu analiz, aşağıdakiler arasında kapsamlı bir teknik karşılaştırma sağlar YOLOv9verimlilik için optimize edilmiş CNN tabanlı bir mimari ve yüksek doğrulukta algılama için tasarlanmış transformatör tabanlı bir model olan RTDETRv2.

YOLOv9: CNN Verimliliğini Yeniden Tanımlamak

YOLOv9 You Only Look OnceYOLO) serisinde önemli bir evrimi temsil eder ve derin sinir ağlarının doğasında bulunan bilgi darboğazı sorununu çözmeye odaklanır. Yeni mimari konseptler sunarak, YOLO ailesinin hafif ayak izi özelliğini korurken en son teknolojiye sahip performansa ulaşır.

• Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
• Organizasyon:Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2024-02-21
• Arxiv:arXiv:2402.13616
• GitHub:WongKinYiu/yolov9
• Dokümanlar:Ultralytics YOLOv9 Dokümantasyonu

Çekirdek Mimari

YOLOv9 iki temel yenilik getirmektedir: Programlanabilir Gradyan Bilgisi (PGI ) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN). PGI, derin katmanlar boyunca yayılırken veri bilgisi kaybı sorununu ele alır ve model güncellemeleri için güvenilir gradyan bilgisinin korunmasını sağlar. GELAN, parametre kullanımını optimize ederek modelin geleneksel evrişimli mimarilere kıyasla daha az kayan nokta işlemiyle (FLOP) daha yüksek doğruluk elde etmesini sağlar.

YOLOv9 hakkında daha fazla bilgi edinin

RTDETRv2: Transformer Challenger

RTDETRv2, Gerçek Zamanlı Algılama DönüştürücüsününRT-DETR) başarısı üzerine inşa edilmiş ve dinamik ölçek işleme ve eğitim kararlılığını geliştirmek için temel çizgiyi iyileştirmiştir. Transformatör tabanlı bir model olarak, karmaşık sahnelerdeki nesneleri ayırt etmek için avantajlı olabilecek küresel bağlamı yakalamak için kendi kendine dikkat mekanizmalarından yararlanır.

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Organizasyon:Baidu
• Tarih: 2024-07-24
• Arxiv:arXiv:2407.17140
• GitHub:RT-DETR GitHub Deposu

Çekirdek Mimari

Görüntüleri yerel yamalar halinde işleyen CNN'lerin aksine RTDETRv2, görüntü özelliklerini işlemek için bir dönüştürücü backbone kullanır. Bu yaklaşım, modelin bir görüntünün uzak kısımları arasındaki ilişkileri anlamasını sağlayarak karmaşık ortamlarda doğruluğu potansiyel olarak artırır. Bununla birlikte, bu küresel dikkat mekanizması, özellikle eğitim sırasında tipik olarak daha yüksek bellek ve hesaplama maliyetleri ile birlikte gelir.

RT-DETR hakkında daha fazla bilgi edinin

Performans Karşılaştırması

Aşağıdaki veriler, COCO veri kümesi üzerinde çeşitli model boyutlarının performans metriklerini vurgulamaktadır. Karşılaştırma Ortalama Ortalama HassasiyetmAP), çıkarım hızı ve hesaplama karmaşıklığına odaklanmaktadır.

Metriklerin Analizi

• En Yüksek Doğruluk: YOLOv9e modeli, en büyük RTDETRv2-x modelini (%54,3 mAP) geride bırakarak %55,6'lık kayda değer bir mAP elde etmiştir. Bu, YOLOv9 'daki mimari yeniliklerin CNN'ler ve Transformatörler arasındaki boşluğu etkili bir şekilde kapattığını, hatta en üst düzey doğrulukta onlardan daha iyi performans gösterdiğini göstermektedir.
• Verimlilik: YOLOv9 , parametre başına sürekli olarak daha yüksek performans sunar. Örneğin, YOLOv9c yalnızca 25,3M parametre ve 102,1B FLOP ile %53,0 mAP elde ederken, karşılaştırılabilir RTDETRv2-l %53,4 mAP'ye ulaşmak için 42M parametre ve 136B FLOP gerektirir. Bu verimlilik, YOLOv9 'u depolamak için önemli ölçüde daha hafif ve yürütmek için daha hızlı hale getirir.
• Çıkarım Hızı: Gerçek zamanlı uygulamalarda hız kritik önem taşır. YOLOv9 gibi daha küçük YOLOv9 varyantları, son derece düşük gecikme süresi ( TensorRT'de 2,3 ms) sunarak RTDETRv2 modellerinin çok ağır olabileceği uç yapay zeka dağıtımları için idealdir.

Eğitim Verimliliği ve Ekosistem

Geliştiriciler için en kritik faktörlerden biri, eğitim kolaylığı ve özel veri kümeleri üzerinde modellere ince ayar yapmak için gereken kaynaklardır.

Bellek Gereksinimleri

RTDETRv2 gibi transformatör tabanlı modeller, kendi kendine dikkat mekanizmalarının ikinci dereceden karmaşıklığı nedeniyle eğitim sırasında yüksek bellek tüketimiyle ünlüdür. Bu genellikle devasa VRAM'e sahip üst düzey kurumsal GPU'ları gerektirir. Tam tersine, YOLOv9 CNN'lerin bellek verimliliğini koruyarak tüketici sınıfı donanımlarda eğitime olanak tanır. Bu düşük giriş engeli, son teknoloji nesne tespitine erişimi demokratikleştirir.

Ultralytics Avantajı

Ultralytics ekosistemi içinde bir model seçmek, ham performans ölçümlerinin ötesinde farklı avantajlar sağlar:

1. Kullanım Kolaylığı: Ultralytics Python API, karmaşık eğitim döngülerini birkaç kod satırına soyutlar.
2. Bakımlı Ekosistem: Sık güncellemeler, en son PyTorch sürümleri, dışa aktarma formatlarıONNX, TensorRT, CoreML) ve donanım sürücüleri ile uyumluluğu sağlar.
3. Çok yönlülük: RTDETRv2 öncelikle bir nesne algılayıcı olsa da, Ultralytics çerçevesi, model aileleri genelinde örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama gibi çok çeşitli görevleri destekler.

Kod Örneği

Ultralytics paketini kullanarak YOLOv9 'u eğitmek kolaydır. Aşağıdaki kod parçacığı, önceden eğitilmiş bir modelin nasıl yükleneceğini ve özel bir veri kümesi üzerinde nasıl eğitileceğini göstermektedir:

from ultralytics import YOLO

# Load a pre-trained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

model.export(format="onnx")

İdeal Kullanım Senaryoları

YOLOv9 Ne Zaman Seçilmeli

YOLOv9 , özellikle hız, doğruluk ve kaynak verimliliği dengesinin gerekli olduğu bilgisayarla görme uygulamalarının çoğu için önerilen seçimdir.

• Uç Dağıtım: NVIDIA Jetson veya Raspberry Pi gibi cihazlar YOLOv9'un daha düşük FLOP ve parametre sayısından yararlanır.
• Gerçek Zamanlı Video Analitiği: Güvenlik beslemeleri ve trafik izleme sistemleri, YOLOv9 'un sağladığı yüksek kare hızlarını gerektirir.
• Kaynak Kısıtlı Eğitim: Devasa GPU kümelerine erişimi olmayan ekipler yine de son teknoloji modellere ince ayar yapabilir.

RTDETRv2 Ne Zaman Düşünülmeli

RTDETRv2 aşağıdaki durumlarda niş senaryolar için uygundur:

• Küresel Bağlam Çok Önemlidir: Yüksek oklüzyona sahip veya uzak piksellerden gelen bağlamın sınıflandırma için kesinlikle gerekli olduğu sahneler.
• Donanım Sınırsızdır: Bellek ve işlem kısıtlamalarının ihmal edilebilir olduğu sunucu sınıfı GPU'larda dağıtımlar.
• Çapasız Tercih: Özellikle saf transformatör tabanlı, ankrajsız mimarileri denemek isteyen araştırmacılar.

Sonuç

RTDETRv2 nesne tespitinde dönüştürücülerin potansiyelini ortaya koyarken, YOLOv9 çoğu geliştirici ve araştırmacı için üstün pratik bir seçim olarak ortaya çıkmaktadır. Önemli ölçüde daha iyi verimlilik, daha düşük bellek kullanımı ve daha yüksek çıkarım hızları ile daha yüksek tepe doğruluğu (%55,6 mAP) sunar. Ultralytics ekosistemi tarafından sağlanan sağlam destek, kapsamlı dokümantasyon ve kullanım kolaylığı ile birleştirildiğinde, YOLOv9 prototipten üretime kadar daha akıcı bir yol sunar.

Bilgisayarla görme teknolojisindeki en son gelişmeleri keşfetmek isteyenler için ayrıca şu adrese göz atmanızı öneririz YOLO11Bu da hız ve doğruluk sınırlarını daha da zorluyor.

Diğer Modelleri İnceleyin

• YOLO11: Segmentasyon ve poz tahmini gibi çeşitli görevler için optimize edilmiş YOLO serisinin en son evrimi.
• YOLOv8: Güvenilirliği ve yaygın topluluk desteği ile bilinen oldukça popüler ve çok yönlü bir model.
• RT-DETR: Ultralytics çerçevesi içindeki orijinal Gerçek Zamanlı Algılama Dönüştürücüsü uygulamasını keşfedin.

Yorumlar