YOLOv9 vs YOLOv5: Detaylı Bir Karşılaştırma
Bu sayfa, YOLO serisinin iki popüler modeli olan YOLO ve YOLOv5 arasında nesne algılama yeteneklerine odaklanan teknik bir karşılaştırma sunmaktadır. Bilgisayarla görme görevleriniz için doğru modeli seçmenize yardımcı olmak üzere mimari farklılıklarını, performans ölçümlerini, eğitim metodolojilerini ve uygun kullanım durumlarını inceliyoruz.
YOLOv9: Programlanabilir Gradyan Bilgileri
Tayvan, Academia Sinica, Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından Şubat 2024'te tanıtılan YOLOv9, gerçek zamanlı nesne tespitinde önemli bir ilerlemeyi temsil ediyor. Model,"YOLOv9: Programlanabilir Gradyan Bilgisini Kullanarak Öğrenmek İstediğinizi Öğrenmek" adlı makalelerinde ayrıntılı olarak açıklanmıştır ve kod GitHub'da mevcuttur.
Mimari ve Yenilikler: YOLOv9 iki önemli yenilik getirmektedir: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN). PGI, derin ağlardaki bilgi kaybını ele alarak modelin daha etkili bir şekilde öğrenmesini sağlarken GELAN, gelişmiş parametre kullanımı ve hesaplama verimliliği için ağ mimarisini optimize eder. Bu kombinasyon, hesaplama maliyetinde orantılı bir artış olmadan gelişmiş doğruluk sağlar.
Performans: YOLOv9, MS COCO veri setinde en son teknolojiye sahip performansa ulaşarak önceki YOLO sürümlerine ve diğer gerçek zamanlı nesne dedektörlerine kıyasla üstün doğruluk ve verimlilik gösterir. Örneğin, YOLOv9c 25.3M parametre ile 53.0 mAPval50-95 değerine ulaşır.
Kullanım Alanları: YOLOv9, aşağıdakiler gibi yüksek doğruluk ve verimlilik gerektiren uygulamalar için idealdir:
- Yüksek hassasiyetli nesne algılama: Otonom sürüş, gelişmiş gözetim ve robotik görüş gibi doğruluğun çok önemli olduğu senaryolar.
- Kaynak kısıtlı ortamlar: Eğitim, YOLOv5'ten daha fazla kaynak gerektirse de verimli mimari, optimize edilmiş çıkarım hızıyla uç cihazlarda dağıtıma izin verir.
Güçlü yönler:
- Yüksek Doğruluk: Özellikle YOLOv9e gibi modellerde üstün mAP skorları elde eder.
- Verimli Tasarım: GELAN ve PGI, benzer doğruluğa sahip önceki modellere kıyasla daha iyi parametre ve hesaplama verimliliğine katkıda bulunur.
Zayıflıklar:
- Daha Yüksek Eğitim Kaynağı Talebi: YOLOv9 modellerinin eğitimi, YOLOv5'e kıyasla daha fazla hesaplama kaynağı ve zaman gerektirir.
- Nispeten Daha Yeni Model: Daha yeni bir model olduğundan, topluluk ve dokümantasyon daha köklü olan YOLOv5'e kıyasla hala gelişmektedir.
YOLOv9 hakkında daha fazla bilgi edinin
YOLOv5: Çok Yönlülük ve Hız
Glenn Jocher tarafından yazılan ve Haziran 2020'de piyasaya sürülen Ultralytics YOLOv5, hızı, kullanım kolaylığı ve çok yönlülüğü ile ünlüdür. Belirli bir arXiv makalesi olmasa da, Ultralytics YOLOv5 belgelerinde ve GitHub deposunda ayrıntılı bilgi mevcuttur.
Mimari ve Özellikler: YOLOv5 , CSP Bottleneck ve PANet gibi mimarileri kullanarak hız ve erişilebilirliğe odaklanarak oluşturulmuştur. Farklı hesaplama bütçelerini ve performans ihtiyaçlarını karşılamak için çeşitli model boyutları (YOLOv5n, s, m, l, x) sunar. YOLOv5 , PyTorch'ta uygulanarak kullanıcı dostu ve son derece uyarlanabilir hale getirilmiştir.
Performans: YOLOv5 , hız ve doğruluk arasında bir denge sağlayarak onu çok çeşitli gerçek dünya uygulamaları için uygun hale getirir. Küçük bir varyant olan YOLOv5s, yüksek çıkarım hızlarıyla 37,4 mAPval50-95 değerine ulaşır.
Kullanım Alanları: YOLOv5 son derece çok yönlüdür ve hız ve dağıtım kolaylığının kritik olduğu senaryolara iyi uyum sağlar:
- Gerçek zamanlı uygulamalar: Canlı video işleme, robotik ve drone görüşü gibi hızlı çıkarım gerektiren uygulamalar için idealdir.
- Uç dağıtım: Daha küçük modeller (YOLOv5n, YOLOv5s), daha düşük hesaplama talepleri nedeniyle uç cihazlarda ve mobil platformlarda dağıtım için çok uygundur.
- Hızlı prototipleme ve geliştirme: Kullanım kolaylığı ve kapsamlı dokümantasyonu, YOLOv5 'i hızlı geliştirme döngüleri ve eğitim amaçları için mükemmel hale getirir.
Güçlü yönler:
- Yüksek Hız: Özellikle küçük model varyantlarında yüksek çıkarım hızları sunar.
- Kullanım Kolaylığı: Geniş ve aktif bir topluluk ile iyi belgelenmiş olması, kullanımını ve uygulanmasını kolaylaştırır.
- Çok yönlülük: Birden fazla boyutta mevcuttur ve algılama, segmentasyon ve sınıflandırma gibi çeşitli görevlere uyarlanabilir.
Zayıflıklar:
- YOLOv9 ile Karşılaştırıldığında Daha Düşük Doğruluk: Genel olarak YOLOv5 modelleri, özellikle zorlu senaryolarda en yeni YOLOv9 ile aynı doğruluk seviyesine ulaşamamaktadır.
- YOLOv9'dan Daha Az Yenilikçi Mimari: Etkili olmakla birlikte, mimarisi YOLOv9'da bulunan yeni PGI ve GELAN yeniliklerini içermemektedir.
YOLOv5 hakkında daha fazla bilgi edinin
| Model | boyut(piksel) | mAPval50-95 | HızCPU ONNX(ms) | HızT4TensörRT10(ms) | params(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 |
Sonuç
YOLOv9 ve YOLOv5 arasında seçim yapmak proje önceliklerinize bağlıdır. Doğruluk çok önemliyse ve eğitim için kaynaklar mevcutsa, YOLOv9 üstün bir seçimdir. Özellikle uç cihazlarda hız, kullanım kolaylığı ve dağıtım esnekliğine öncelik veren uygulamalar için YOLOv5 mükemmel ve yaygın olarak benimsenen bir seçenek olmaya devam etmektedir.
Diğer modelleri keşfetmek isteyen kullanıcılar için Ultralytics , her biri kendi güçlü yönleri ve optimizasyonları olan YOLOv8, YOLOv7, YOLOv6 ve yeni çıkan YOLO11'i de sunmaktadır. Tüm seçenekleri keşfetmek için Ultralytics Modelleri belgelerini keşfedin.
