YOLOv9 YOLO11: Mimari Yenilik ve Üretim Hazırlığı Arasında Köprü Kurmak

Gerçek zamanlı nesne algılama alanı hızla gelişmekte olup, her nesil doğruluk, hız ve verimlilik sınırlarını zorlamaktadır. Bu karşılaştırma, YOLOv9ve YOLO11Ultralytics derinlemesine incelemektedir.

Her iki model de efsanevi YOLO türemiş olsa da, bilgisayar görme ekosisteminde farklı amaçlara hizmet ederler. Bu kılavuz, geliştiricilerin özel ihtiyaçlarına uygun doğru aracı seçmelerine yardımcı olmak için mimarilerini, performans ölçütlerini ve ideal kullanım örneklerini analiz eder.

Özet: İnovasyon ve Ekosistem

YOLOv9 , Programlanabilir Gradyan Bilgisi (PGI) gibi yeni mimari kavramlar aracılığıyla derin ağlarda bilgi kaybı gibi temel bir sorunu ele almaya odaklanmaktadır. Akademik araştırmalar ve karmaşık veri kümelerinde maksimum özellik koruma gerektiren senaryolar için mükemmel bir seçimdir.

YOLO11ise tam tersine gerçek dünya için tasarlanmıştır. Ultralytics bir parçası olarak, eşsiz bir kullanım kolaylığı, uç donanımda üstün çıkarım hızları ve basit algılamanın ötesinde çok çeşitli görevler için yerel destek sunar. Ticari uygulamalar geliştiren geliştiriciler için YOLO11 , eğitimden uygulamaya kadar daha akıcı bir yol YOLO11 .

Teknik Özellikler ve Performans

Aşağıdaki tablo, COCO modeller arasındaki performans farklarını göstermektedir. YOLOv9 güçlü bir teorik performans YOLOv9 , YOLO11 hız ve parametre verimliliği açısından, özellikle kenar AI için kritik öneme sahip daha küçük model varyantlarında önemli avantajlar YOLO11 .

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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLOv9: Programlanabilir Gradyanlara Derinlemesine Bakış

YOLOv9 derin sinir ağlarındaki "bilgi darboğazı" sorununu çözmek için YOLOv9 . Ağlar derinleştikçe, girdi verileri genellikle tahmin katmanlarına ulaşmadan önce kritik bilgileri kaybeder.

Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
Tarih: 21 Şubat 2024
Arxiv:YOLOv9: Programlanabilir Gradyan Bilgisi Kullanarak Ne Öğrenmek İstediğinizi Öğrenme

Temel Mimari Özellikler

Programlanabilir Gradyan Bilgisi (PGI): PGI, yardımcı bir denetim dalı aracılığıyla güvenilir gradyanlar oluşturur ve ana dalın çok derin mimarilerde bile sağlam özellikleri öğrenmesini sağlar. Bu, gradyan iniş dinamiklerini araştırmak için özellikle yararlıdır.
GELAN (Genelleştirilmiş Verimli Katman Toplama Ağı): CSPNet ve ELAN'ın en iyi özelliklerini birleştirerek parametre kullanımını optimize eden yeni bir mimari. Bu, YOLOv9 eskiUltralytics kıyasla nispeten hafif bir yapı ile yüksek doğruluk YOLOv9 sağlar.

YOLOv9 hakkında daha fazla bilgi edinin.

YOLO11: Üretim ve Çok Yönlülük için Tasarlanmıştır

YOLO11 , Ultralytics milyonlarca yapay zeka uygulayıcısını destekleme konusundaki deneyiminin doruk noktasını YOLO11 . Pratik kullanışlılığı ön planda tutarak, modellerin sadece benchmarklarda doğru sonuçlar vermesi değil, aynı zamanda NVIDIA Raspberry Pi cihazlarına kadar çeşitli donanımlarda kolayca eğitilebilmesi, dışa aktarılabilmesi ve çalıştırılabilmesini sağlar.

Yazarlar: Glenn Jocher, Jing Qiu
Kuruluş:Ultralytics
Tarih: 27 Eylül 2024
Repo:Ultralytics

Ultralytics'in Avantajı

YOLO11 , daha geniş Ultralytics entegrasyonu sayesinde YOLO11 . Buna şunlar dahildir:

Bellek Verimliliği: YOLO11 , dönüştürücü ağırlıklı mimarilere veya optimize edilmemiş depolara kıyasla eğitim sırasında önemli ölçüde daha az CUDA gerektirecek şekilde optimize YOLO11 . Bu, eğitime erişimi demokratikleştirerek, kullanıcıların RTX 3060 veya 4070 gibi tüketici sınıfı GPU'larda en son teknolojiye sahip modelleri ince ayar yapmalarına olanak tanır.
Geniş Görev Desteği: Temel depoda öncelikle algılamaya odaklanan YOLOv9 farklı olarak, YOLO11 destekler:
Dışa aktarılabilirlik: Tek tıklamayla aşağıdaki formatlara dışa aktarma ONNX, TensorRT, CoreML ve TFLite gibi formatlara tek tıklamayla dışa aktarım, YOLO11 mobil ve gömülü dağıtım için ideal YOLO11 TFLite .

YOLO11 hakkında daha fazla bilgi edinin

Ultralytics ile Kolaylaştırılmış Eğitim

YOLO11 eğitmek için minimum düzeyde standart kod YOLO11 . Python kullanarak birkaç saniye içinde özel bir veri seti üzerinde eğitime başlayabilirsiniz:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Gerçek Dünya Kullanım Durumları

Bu iki model arasında seçim yapmak, büyük ölçüde dağıtım kısıtlamalarınıza ve proje hedeflerinize bağlıdır.

YOLOv9 için İdeal Senaryolar

Akademik Karşılaştırma: Ağ topolojisi ve bilgi akışını inceleyen araştırmacılar, YOLOv9 daki PGI kavramlarını sinir mimarisi araştırması için YOLOv9 bulacaklardır.
Yüksek Doğruluklu Özellik Çıkarma: Yüksek çözünürlüklü tıbbi görüntülemede ince özelliklerin yakalanmasının kritik olduğu görevler için, GELAN backbone güçlü bir temsil gücü backbone .
Standart GPU Dağıtımı: Gecikmenin mAP son %0,1'ini sıkıştırmaktan daha az önemli olduğu ortamlarda, daha büyük YOLOv9e modeli güçlü bir rakiptir.

YOLO11 için İdeal Senaryolar

Edge AI ve IoT: Üstün CPU hızları (örneğin, T4 GPU YOLO11n için 1,5 ms ve YOLOv9t için 2,3 ms ve CPUda daha da büyük farklar) ile YOLO11 , drone navigasyonu ve akıllı kameralar için YOLO11 .
Ticari SaaS: Ultralytics istikrarı ve aktif bakımı, ticari uygulamaların güvenli kalmasını ve en son PyTorch güncel olmasını sağlar.
Çoklu Görev Boru Hatları: Spor analitiği gibi eşzamanlı algılama ve izleme gerektiren uygulamalar, YOLO11 temel çerçeveyi değiştirmeden görevler arasında geçiş yapma özelliğinden yararlanır.
Kaynak Kısıtlı Eğitim: Sınırlı donanıma sahip girişimler ve öğrenciler, daha ağır mimarilerle ilişkili yüksek bulut maliyetlerine katlanmadan etkili YOLO11 eğitebilirler.

Gelecek: YOLO26'ya Bakış

YOLOv9 YOLO11 mükemmel seçenekler YOLO11 da, bilgisayar görme alanı asla durgun kalmaz. Ultralytics kısa süre önce, 2026 ve sonrası için verimliliği yeniden tanımlayan YOLO26 modelini Ultralytics .

YOLO2 NMS, her iki mimariden de alınan dersleri temel alır, ancak ilk olarakYOLOv10tarafından ilk kez ortaya konulan, yerel uçtan uca NMS'siz bir tasarım sunar. Bu, Non-Maximum Suppression son işlemine olan ihtiyacı ortadan kaldırarak, dağıtım süreçlerini önemli ölçüde basitleştirir.

Neden YOLO26'yı Tercih Etmelisiniz?

Hız: Dağıtım Odak Kaybı (DFL) ve optimize edilmiş grafik yürütme sayesinde önceki nesillere kıyasla %43'e kadar daha hızlı CPU .
Kararlılık: SGD Muon'un (LLM eğitiminden esinlenerek) bir karışımı olan yeni MuSGD Optimizer'ı kullanarak, görme görevlerine büyük parti eğitiminin kararlılığını sunar.
Hassasiyet: Uydu görüntüsü analizinde sıkça karşılaşılan bir sorun olan küçük nesnelerin tanınmasını önemli ölçüde iyileştiren ProgLoss + STAL işlevlerine sahiptir.

Bugün yeni projelere başlayan geliştiriciler için, uygulamalarınızı geleceğe hazır hale getirmek amacıyla YOLO26'yı YOLO11 ile birlikte değerlendirmeniz şiddetle tavsiye YOLO11 .

YOLO26 hakkında daha fazla bilgi edinin

Sonuç

Hem YOLOv9 YOLO11 , nesne algılama tarihinde önemli kilometre YOLO11 . YOLOv9 , derin ağlarda bilgi saklama konusunda önemli teorik iyileştirmeler YOLOv9 . Ancak, YOLO11 (ve daha yeni olan YOLO26), entegre Ultralytics , üstün hız-doğruluk oranları ve kolay dağıtım sayesinde çoğu kullanıcı için genel olarak daha pratik bir paket sunmaktadır.

Ultralytics kullanarak, geliştiriciler her iki modeli de kolayca deneyebilir, özel veri kümeleri üzerinde performanslarını karşılaştırabilir ve kazanan modeli sadece birkaç tıklama ile üretime geçirebilirler.

Daha Fazla Okuma

Model Karşılaştırması: Bu modellerin YOLOv8 ile karşılaştırıldığında nasıl bir performans sergilediğini görün YOLOv8 ve RT-DETRile nasıl karşılaştırıldıklarını görün.
Veri Yönetimi: Ultralytics kullanarak bu modeller için verileri verimli bir şekilde nasıl açıklama ekleyeceğinizi öğrenin.
Dağıtım: Modelleri TensorRTGPU aktarmak için kılavuzları inceleyin.