YOLOv9 ile YOLOv5 karşılaştırması#

Bilgisayarlı görü alanı, sayısız endüstriyel ve araştırma uygulaması için nesne tespiti omurga görevi görürken muazzam bir büyüme kaydetti. Doğru mimariyi seçmek genellikle ortalama Duyarlılığın (mAP), çıkarım hızının ve bellek ek yükünün dikkatli bir şekilde değerlendirilmesini gerektirir. Bu karşılaştırmada, son derece etkili iki modeli inceliyoruz: gradyan bilgisi saklama konusundaki mimari çığır açan özellikleriyle ün salmış YOLOv9 ve inanılmaz kullanım kolaylığı ile rakipsiz dağıtım çok yönlülüğüyle bilinen, sahada test edilmiş endüstri standardı Ultralytics YOLOv5.

Mimari Yenilikler ve Teknik Kökenler#

Bu iki modelin temel işleyişini anlamak, performans profilleri için kritik bir bağlam sunar.

YOLOv9: Programlanabilir Gradyan Bilgisi#

Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nden araştırmacılar Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayınlandı. Model, derin sinir ağlarında yaygın olan bilgi darboğazını ele almak için iki çığır açıcı kavram sunar: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN).

YOLOv9, PGI kullanarak ileri besleme süreci boyunca hayati bilgilerin saklanmasını sağlar ve bu da son derece doğru gradyan güncellemelerine yol açar. Bu sırada GELAN mimarisi parametre verimliliğini en üst düzeye çıkararak modelin şaşırtıcı derecede düşük hesaplama ek yüküyle son teknoloji doğruluk elde etmesini sağlar. Teknik detayları resmi YOLOv9 Arxiv paper üzerinde inceleyebilir veya YOLOv9 GitHub repository sayfasına göz atabilirsin.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Üretim Standardı#

Glenn Jocher tarafından yazılan ve 26 Haziran 2020'de Ultralytics tarafından yayınlanan YOLOv5, bilgisayarlı görü erişilebilirliğinde devrim yarattı. Doğrudan PyTorch çerçevesi üzerinde oluşturulan ilk nesne tespiti modellerinden biri olarak, eski Darknet C-framework yapısının karmaşıklıklarını atladı. YOLOv5; hız ve doğruluk arasında kusursuz bir dengeyi önceliklendirerek son derece optimize edilmiş bir CSPNet omurgası ve bir PANet boyun yapısı kullanır.

Ancak en büyük başarısı, daha geniş Ultralytics ekosistemine entegrasyonudur. YOLOv5, hızlı training efficiency ve düşük belleğe sahip ortamlar için yoğun bir şekilde optimize edilmiştir, bu da onu uç (edge) dağıtımları için son derece kararlı hale getirir.

YOLOv5 hakkında daha fazla bilgi edin

Performans Analizi: Hız ve Doğruluk#

Bir bilgisayarlı görü boru hattı tasarlarken geliştiriciler hassasiyet ve gecikme süresi arasındaki ödünleşimleri tartmalıdır. Aşağıdaki tablo, standart COCO dataset üzerindeki performans farklarını göstermektedir.

Ödünleşimleri Analiz Etmek#

YOLOv9 ham hassasiyette mutlak bir üstünlük kurar. YOLOv9e, ince ayrıntıları korumak için GELAN katmanlarını kullanarak mAP sınırlarını %55,6'ya çıkarır. Bu, onu medical imaging veya küçük nesnelerde titiz doğruluk gerektiren senaryolar için olağanüstü bir seçim haline getirir.

Buna karşılık YOLOv5, ham dağıtım hızı ve donanım esnekliği konusunda parlar. YOLOv5n (Nano), TensorRT aracılığıyla T4 GPU üzerinde çıkarımları yalnızca 1,12 ms'de gerçekleştirerek son derece hafiftir. Kısıtlı IoT cihazlarına, cep telefonlarına veya Raspberry Pi üzerine dağıtım yapıyorsan, YOLOv5'in bellek kaplaması onu son derece güvenilir kılmaktadır.

Ultralytics Ekosistemi Avantajı#

Bir model seçerken önemli bir husus da çevreleyen yazılım ekosistemidir. YOLOv9 en üst düzey araştırma kıyaslamaları sağlarken, her iki modeli de modern Ultralytics Python API aracılığıyla kullanmak aradaki boşluğu kapatarak geliştiricilere birleştirilmiş ve akıcı bir deneyim sunar.

Kullanım Kolaylığı ve Dışa Aktarma#

Ultralytics, karmaşık mühendislik engellerini soyutlar. Otomatik data augmentation ve hyperparameter tuning gibi özellikler kutudan çıktığı gibi halledilir. Modelleri üretime taşımak, modelleri ONNX, OpenVINO veya TFLite formatlarına dönüştürmek için yerleşik dışa aktarma komutlarıyla aynı şekilde kolaydır.

Görev Çok Yönlülüğü#

Her iki model de object detection konusunda mükemmel olsa da, modern Ultralytics modelleri çeşitli bilgisayarlı görü zorluklarının üstesinden gelmek için üretilmiştir. Daha geniş çerçeve, geliştiricilerin kod tabanlarını değiştirmeden birden fazla görü problemini çözmesine olanak tanıyan image classification, instance segmentation, pose estimation ve oriented bounding boxes (OBB) için yerel destek sağlar.

Kullanım Durumları ve Öneriler#

YOLOv9 ve YOLOv5 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için güçlü bir seçimdir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

YOLOv5 Ne Zaman Seçilmeli#

YOLOv5 şunlar için önerilir:

• Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
• Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
• Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Uygulama Örneği#

Ultralytics ekosisteminin güzelliği, ağırlık dizesini değiştirerek YOLOv5 modeli ile YOLOv9 modeli arasında kolayca geçiş yapabilmendir.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model (swap to "yolov5s.pt" to use YOLOv5)
model = YOLO("yolov9c.pt")

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

# Run inference on new images
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Export to ONNX for seamless deployment
model.export(format="onnx")

Daha Yeni Mimarileri Keşfetmek#

YOLOv5 ve YOLOv9 belirgin avantajlara sahip mükemmel modeller olsa da, bu alan ilerlemeye devam ediyor. Yeni projeleri keşfeden kullanıcılar, Ultralytics'in en son sürümlerini de değerlendirmek isteyebilirler.

• YOLO11: Tüm görü görevlerinde mükemmel hız-doğruluk dengesi sunan, YOLOv8 soyunun güçlü ve geliştirilmiş bir evrimi.
• YOLO26: 2026 yılında yayınlanan YOLO26, modern boru hatları için nihai tavsiyedir. İşlem sonrası darboğazları tamamen ortadan kaldıran End-to-End NMS-Free Design özelliğini sunar. Basitleştirilmiş dışa aktarma ve daha iyi uç/düşük güçte cihaz uyumluluğu için kaldırılan DFL Removal (Dağıtım Odaklı Kayıp) ile %43'e kadar daha hızlı CPU çıkarımı elde eder. Eğitim kararlılığı yeni MuSGD Optimizer aracılığıyla güçlendirilmiştir ve ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada belirgin iyileştirmeler içeren gelişmiş kayıp fonksiyonları sunarak onu hem uç hem de bulut dağıtımları için en sağlam mimari haline getirir.

Büyük veri setlerini ve karmaşık dağıtım boru hatlarını yöneten ekipler için Ultralytics Platform kullanmak, bu son teknoloji modelleri zahmetsizce eğitmek, izlemek ve dağıtmak için kodsuz (no-code) bir çözüm sunar.