Link to this sectionYOLOv9 ile YOLOv5 karşılaştırması#
Bilgisayarlı görü alanı, nesne tespitiyle sayısız endüstriyel ve araştırma uygulamasının temelini oluşturarak muazzam bir büyüme kaydetti. Doğru mimariyi seçmek genellikle ortalama Hassasiyet (mAP), çıkarım hızı ve bellek yükü konusunda dikkatli bir değerlendirme gerektirir. Bu karşılaştırmada, iki son derece etkili modeli inceliyoruz: gradyan bilgisi tutma konusundaki mimari atılımlarıyla kutlanan YOLOv9 ve inanılmaz kullanım kolaylığı ve eşsiz dağıtım esnekliğiyle tanınan, sahada kendini kanıtlamış endüstri standardı Ultralytics YOLOv5.
Link to this sectionMimari Yenilikler ve Teknik Kökenler#
Bu iki modelin temel işleyişini anlamak, performans profilleri için kritik bir bağlam sunar.
Link to this sectionYOLOv9: 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 hayati bilgilerin ileri besleme süreci boyunca korunmasını sağlar ve bu da oldukça doğru gradyan güncellemelerine yol açar. Bu sırada GELAN mimarisi, parametre verimliliğini maksimize ederek modelin şaşırtıcı derecede düşük hesaplama yüküyle en güncel (state-of-the-art) doğruluğa ulaşmasını sağlar. Teknik detayları resmi YOLOv9 Arxiv makalesinde keşfedebilir veya YOLOv9 GitHub deposuna göz atabilirsin.
YOLOv9 hakkında daha fazla bilgi edin
Link to this sectionUltralytics YOLOv5: Üretim Standardı#
Glenn Jocher tarafından yazılan ve 26 Haziran 2020'de Ultralytics tarafından yayınlanan YOLOv5, bilgisayarlı görünün erişilebilirliğinde devrim yarattı. PyTorch çerçevesi üzerinde yerel olarak oluşturulan ilk nesne tespit modellerinden biri olarak, eski Darknet C-çerçevesinin karmaşıklıklarını aştı. YOLOv5, hız ve doğruluk arasında sorunsuz bir dengeye öncelik veren, yüksek düzeyde optimize edilmiş bir CSPNet omurgası ve PANet boyun yapısından yararlanır.
Ancak en büyük başarısı, daha geniş Ultralytics ekosistemine entegrasyonudur. YOLOv5, hızlı eğitim verimliliği ve düşük bellekli ortamlar için yoğun bir şekilde optimize edilmiştir, bu da onu uç cihaz dağıtımları için inanılmaz derecede kararlı kılar.
YOLOv5 hakkında daha fazla bilgi edin
Uç cihazlar için modelleri değerlendirirken, Ultralytics YOLO modellerinin ağır Transformer tabanlı mimarilere kıyasla hem eğitim hem de çıkarım sırasında genellikle önemli ölçüde daha düşük GPU belleği talep ettiğini unutma.
Link to this sectionPerformans Analizi: Hız ve Doğruluk#
Bir bilgisayarlı görü hattı tasarlarken, hassasiyet ve gecikme arasındaki ödünleşimleri tartmalısın. Aşağıdaki tablo, standart COCO veri kümesindeki performans farklılıklarını göstermektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Link to this sectionÖdünleşimleri Analiz Etmek#
YOLOv9, ham hassasiyette mutlak bir üstünlük sağlar. YOLOv9e, ince detayları korumak için GELAN katmanlarını kullanarak mAP sınırlarını %55,6'ya kadar zorlar. Bu, onu tıbbi görüntüleme veya küçük nesnelerde katı doğruluk gerektiren senaryolar için olağanüstü bir seçenek haline getirir.
Buna karşılık YOLOv5, ham dağıtım hızı ve donanım esnekliği ile parlar. YOLOv5n (Nano) modeli meşhur derecede hafiftir ve TensorRT aracılığıyla T4 GPU üzerinde sadece 1,12 ms'de çıkarım gerçekleştirir. Kısıtlı IoT cihazlarına, cep telefonlarına veya Raspberry Pi sistemlerine dağıtım yapıyorsan, YOLOv5'in bellek ayak izi onu olağanüstü derecede güvenilir kılar.
Link to this sectionUltralytics Ekosistemi Avantajı#
Bir model seçerken önemli bir husus, çevreleyen yazılım ekosistemidir. YOLOv9 en üst düzey araştırma kıyaslamaları sunarken, her iki modeli de modern Ultralytics Python API üzerinden kullanmak, geliştiricilere birleşik ve modern bir deneyim sunarak aradaki boşluğu kapatır.
Link to this sectionKullanım Kolaylığı ve Dışa Aktarma#
Ultralytics, karmaşık mühendislik engellerini ortadan kaldırır. Otomatik veri artırma ve hiperparametre ayarlama gibi özellikler kutudan çıktığı gibi çalışır. Modelleri ONNX, OpenVINO veya TFLite formatlarına dönüştürmek için yerleşik dışa aktarma komutlarıyla modelleri üretime taşımak da aynı derecede kolaydır.
Link to this sectionGörev Çok Yönlülüğü#
Her iki model de nesne tespiti konusunda mükemmel olsa da, modern Ultralytics modelleri çeşitli bilgisayarlı görü zorluklarını ele almak üzere tasarlanmıştır. Daha geniş çerçeve, görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) için yerel destek sağlayarak geliştiricilerin kod tabanlarını değiştirmeden birden fazla görü problemini çözmelerine olanak tanır.
Link to this sectionKullanım Durumları ve Öneriler#
YOLOv9 ve YOLOv5 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionNe 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.
Link to this sectionYOLOv5 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.
Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionUygulama 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")Link to this sectionDaha 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 rafine bir evrimi.
- YOLO26: 2026'da yayınlanan YOLO26, modern hatlar için nihai öneridir. İşlem sonrası darboğazlarını tamamen ortadan kaldıran Uçtan Uca NMS-Free Tasarım sunar. DFL Kaldırma (basitleştirilmiş dışa aktarma ve daha iyi uç/düşük güçlü cihaz uyumluluğu için Dağılımsal Odak Kaybı kaldırılmıştır) ile %43'e kadar daha hızlı CPU çıkarımı sağlar. Eğitim kararlılığı, yeni MuSGD Optimize Edici ile güçlendirilmiştir ve ProgLoss + STAL, IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada kayda değer iyileştirmelerle gelişmiş kayıp fonksiyonları sunarak onu hem uç hem de bulut dağıtımları için en sağlam mimari haline getirir.
Büyük veri kümelerini ve karmaşık dağıtım hatlarını yöneten ekipler için Ultralytics Platformunu kullanmak, bu son teknoloji modelleri zahmetsizce eğitmek, izlemek ve dağıtmak için kodsuz (no-code) bir çözüm sunar.