YOLOv9 ve YOLO11
Bilgisayarlı görünün hızlı gelişimi, gerçek zamanlı nesne algılamada mümkün olanları sürekli genişletti. Önde gelen mimariler arasında YOLOv9 ve Ultralytics YOLO11, her biri farklı teknik gereksinimleri karşılayan önemli ilerlemeler olarak öne çıkıyor. YOLOv9, derin ağ eğitiminde gradyan akışını korumak için yeni yöntemler sunarken YOLO11, genel amaçlı Ultralytics çerçevesini verimlilik, çok yönlülük ve kullanım kolaylığı için iyileştirdi.
Bu teknik karşılaştırma, sonraki yapay zekâ projen için doğru modeli seçmene yardımcı olmak amacıyla modellerin mimarilerini, performans ölçütlerini, bellek gereksinimlerini ve ideal dağıtım senaryolarını inceliyor.
YOLOv9 ve YOLO11 yetenekli modeller olsa da Ultralytics'in şu anda önerdiği model YOLO26'dır. Daha kolay dağıtım için uçtan uca, NMS içermeyen bir tasarıma; CPU'da %43'e kadar daha hızlı çıkarıma (YOLO26n ile YOLO11n karşılaştırıldığında) ve daha hızlı yakınsama sağlayan MuSGD optimizasyon algoritmasına sahiptir. Bu özellikleriyle yeni üretim projeleri için en iyi başlangıç noktasıdır.
Teknik Özellikler ve Yazarlar#
Bu modellerin kökenini anlamak, mimari tercihler ve framework bağımlılıkları için gerekli bağlamı sağlar.
YOLOv9#
YOLOv9, özel ağ blokları aracılığıyla özellik doğruluğuna öncelik vererek derin öğrenmedeki bilgi darboğazlarına güçlü bir akademik odak getirdi.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 21 Şubat 2024
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
YOLOv9 hakkında daha fazla bilgi edin
Ultralytics YOLO11#
YOLO11; yüksek doğruluk, gerçek dünya dağıtım hızları ve çoklu görev çok yönlülüğü arasında denge kurmaya odaklanarak üretim ortamları için en baştan tasarlandı.
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 27 Eylül 2024
- GitHub: https://github.com/ultralytics/ultralytics
Mimari Yenilikler#
YOLOv9'da Programlanabilir Gradyan Bilgisi#
YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) kavramını Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte sunar. Sinir ağları derinleştikçe ileri beslemeli süreçte kritik ayrıntıların kaybolduğu bilgi darboğazlarıyla sıklıkla karşılaşır. PGI, ince ayrıntılı uzamsal bilgileri koruyan güvenilir gradyan güncellemeleri sunarak bu sorunu ele alırken GELAN, parametre verimliliğini en üst düzeye çıkarır. Bu, YOLOv9'u yüksek özellik doğruluğu gerektiren görevlerde özellikle yetkin kılar; ancak son işlem sırasında uç cihazlarda gecikmeye yol açabilen standart Maksimum Olmayanların Bastırılması (NMS) yöntemine dayanır.
YOLO11 ile Verimli ve Basit Kullanım#
YOLO11, verimli bir mimari sunmak için yıllar süren YOLO araştırmalarını temel alır. Hesaplama yükünü azaltırken özellik çıkarımını iyileştirerek önceki sürümlerin üzerine koyar. YOLO11 hâlâ standart NMS son işlemini kullansa da geliştirilmiş algılama başlıkları, gecikme ile doğruluk arasında güçlü bir denge kurar. YOLO11 ayrıca eğitimi daha yavaş olan ve büyük miktarda CUDA belleği gerektiren ağır Transformer modellerine kıyasla model eğitimi ve çıkarım sırasında daha az bellek kullanır.
Performans Ölçütlerinin Karşılaştırması#
Standart COCO veri kümesinde bu modeller karşılaştırıldığında her ikisi de güçlü performans gösterir; ancak ham parametre sayısı ile çalışma hızı arasında ödünleşimler ortaya çıkar.
Aşağıdaki tablo, temel YOLO performans ölçütlerini karşılaştırıyor.
| Model | boyut (piksel) | mAPval50-95 | 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Sonuçların Analizi#
- Hız ve Donanım Verimliliği: Bu tablodaki her boyutta YOLO11, YOLOv9'dan daha hızlıdır. Örneğin YOLO11n, NVIDIA T4 GPU'da TensorRT kullanarak 1.5 ms'de çalışır ve katı gerçek zamanlı iş akışları için çok uygundur.
- Hesaplama Gereksinimleri: YOLO11 modelleri genellikle daha az FLOP gerektirir (ör. YOLO11m için 68,1B, YOLOv9m için 76,8B). Bu, Raspberry Pi veya mobil donanım gibi pille çalışan uç cihazlarda daha düşük güç tüketimi anlamına gelir.
- Benzer Doğruluk: YOLOv9e, mutlak mAP değerinde YOLO11x'i az farkla geçse de (55.6'ya karşı 54.7) YOLO11 en yüksek doğruluğuna çok daha düşük gecikmeyle ulaşır (11.3 ms'ye karşı 16.77 ms); bu da gerçek dünya dağıtımları için daha elverişli bir performans dengesi sunar.
Ekosistem ve Kullanım Kolaylığı#
Ham ölçütler önemli olsa da proje başarısını çoğu zaman çerçeve ekosistemi belirler; Ultralytics de bu noktada öne çıkar.
Özgün YOLOv9 deposu, araştırma amaçlı bir uygulama sunan, oldukça özelleşmiş bir depodur. Ancak Ultralytics Platform ve buna karşılık gelen açık kaynaklı paket; pazara çıkış süresini kısaltan, akıcı bir kullanıcı deneyimi, basit bir API ve kapsamlı belgeler sunar.
Çoklu Görev Esnekliği#
YOLOv9 ağırlıklı olarak sınırlayıcı kutu algılamaya odaklanır. Buna karşılık YOLO11, aşağıdakileri yerel olarak destekleyen birleşik bir çoklu görev modelidir:
Dağıtım#
Ultralytics ekosistemini kullanarak geliştiriciler, tek satır Python koduyla modelleri çeşitli biçimlere aktarabilir. Hedef ONNX, OpenVINO, LiteRT veya CoreML olsun, eğitimden üretime geçiş kolaydır.
from ultralytics import YOLO
# Yüksek verimli bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")
# Özel bir veri kümesinde en az bellek kullanarak hızla eğitim yap
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli, Intel CPU hızlandırması için OpenVINO'ya aktar
model.export(format="openvino")İdeal Kullanım Alanları#
YOLOv9 Ne Zaman Kullanılmalı#
YOLOv9, donanım gecikmesinin öncelikli kısıt olmadığı; özellik doğruluğuna öncelik veren araştırma odaklı ortamlar veya senaryolar için kullanışlı bir araçtır. GELAN mimarisi, en küçük piksel farklılıklarını tespit etmenin kritik olduğu tıbbi görüntü analizinde yardımcı olabilir.
YOLO11'i Neden Seçmelisin?#
Bu iki seçenek arasında karar veren geliştiriciler, mühendisler ve üretim ekipleri için önerilen seçenek YOLO11'dir. Yüksek hızlı, ölçeklenebilir dağıtım gerektiren ortamlarda öne çıkar:
- Akıllı Perakende Analitiği: Standart Intel işlemcileri kullanarak ürünleri ve müşterileri izleme.
- Otonom Dronlar: Düşük FLOP gerektiren mimarilerin, güvenilir küçük nesne algılama sağlarken pil ömrünü koruduğu kullanım alanları.
- Değişken Projeler: Algılama ile başlayıp daha sonra poz tahmini veya segmentasyon gerektirecek şekilde gelişebilen iş akışları.
İleriye Bakış: Bir Sonraki Gelişim#
YOLO11, kendi nesli için en ileri teknolojiye sahipti; ancak bilgisayarlı görü alanı gelişmeye devam ediyor. Yeni projeler için Ultralytics'in şu anda önerdiği model olan YOLO26'yı değerlendirebilirsin.
YOLOv10 ile ilk kez incelenen uçtan uca, NMS içermeyen tasarımı temel alan YOLO26, daha istikrarlı eğitim için MuSGD optimizasyon algoritmasını (SGD ile Muon'un melezi) sunar. Dışa aktarmayı kolaylaştırmak için Dağılımsal Odak Kaybı (DFL) kaldırılmıştır; ProgLoss ve STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması) ise küçük nesne algılamayı iyileştirir. Böylece YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım sunar. Birleşik Ultralytics API'si sayesinde Ultralytics YOLOv8 gibi eski modellerden geçiş yapan ekipler, çok az kod değişikliğiyle YOLO26 veya YOLO11'e geçebilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.