Başla

YOLOv9 ile YOLOv5

Bilgisayarlı görü alanı hızla büyüdü ve nesne algılama birçok endüstriyel ve araştırma uygulamasının temelini oluşturuyor. Doğru mimariyi seçmek çoğu zaman Ortalama Hassasiyet (mAP), çıkarım hızı ve bellek yükünün dikkatle değerlendirilmesini gerektirir. Bu karşılaştırma, gradyan bilgisini korumaya yönelik mimari gelişmeleriyle bilinen YOLOv9 ile kullanım kolaylığı ve dağıtım esnekliğiyle tanınan, kendini kanıtlamış ve yaygın olarak kullanılan bir model olan Ultralytics YOLOv5'i inceliyor.

Mimari Yenilikler ve Teknik Kökenler#

Bu iki modelin temel işleyişini anlamak, performans özellikleri hakkında önemli bir bağlam sunar.

YOLOv9: Programlanabilir Gradyan Bilgisi#

Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsünden araştırmacılar Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Model, derin sinir ağlarında sık görülen bilgi darboğazını gidermek için iki yeni kavram sunar: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN).

PGI kullanan YOLOv9, ileri beslemeli işlem boyunca önemli bilgilerin korunmasını sağlayarak daha güvenilir gradyan güncellemelerine olanak tanır. GELAN mimarisi ise parametre verimliliğini en üst düzeye çıkararak modelin düşük hesaplama yüküyle yüksek doğruluk elde etmesini sağlar. Teknik ayrıntıları resmî YOLOv9 arXiv makalesinde inceleyebilir veya YOLOv9 GitHub deposunu görüntüleyebilirsin.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Üretim Standardı#

Glenn Jocher tarafından geliştirilen ve Ultralytics tarafından 26 Haziran 2020'de yayımlanan YOLOv5, bilgisayarlı görüyü çok daha erişilebilir hâle getirdi. Yerel olarak PyTorch çerçevesi üzerinde oluşturulan ilk nesne algılama modellerinden biri olarak eski Darknet C çerçevesinin karmaşıklıklarını aştı. YOLOv5, hız ve doğruluğu dengeleyen CSPNet tabanlı bir omurga ve PANet boynu kullanır.

Ancak en büyük gücü, daha geniş Ultralytics ekosistemiyle entegrasyonudur. YOLOv5, hızlı eğitim ve düşük bellek gereksinimli ortamlar için optimize edilmiştir; bu da onu uç dağıtımlar için kararlı kılar.

Bellek Verimliliği

Uç cihazlar için model değerlendirirken Ultralytics YOLO modellerinin hem eğitim hem de çıkarım sırasında ağır Transformer tabanlı mimarilere kıyasla genellikle çok daha az GPU belleği gerektirdiğini unutma.

Performans Analizi: Hız ve Doğruluk#

Bilgisayarlı görü işlem hattı tasarlarken geliştiriciler doğruluk ve gecikme arasındaki ödünleşimleri değerlendirmelidir. Aşağıdaki tablo, standart COCO veri kümesindeki performans farklarını gösteriyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Ödünleşimlerin Analizi#

YOLOv9, bu tablodaki her boyutta YOLOv5'ten daha yüksek mAP değeriyle doğrulukta öne çıkar. YOLOv9e, ince ayrıntıları koruyan GELAN katmanları sayesinde %55,6 mAP değerine ulaşır; bu nedenle tıbbi görüntüleme veya küçük nesnelerde titiz doğruluk gerektiren senaryolar için güçlü bir seçenektir.

Buna karşılık YOLOv5, ham GPU hızı ve donanım esnekliğinde öne çıkar. YOLOv5n (Nano) çok hafiftir; TensorRT aracılığıyla T4 GPU'da çıkarım işlemlerini yalnızca 1,12 ms'de gerçekleştirir. Kaynakları kısıtlı IoT cihazlarına, cep telefonlarına veya Raspberry Pi cihazlarına dağıtım yapıyorsan YOLOv5'in küçük bellek ayak izi onu güvenilir bir seçenek kılar.

Ultralytics Ekosisteminin Avantajı#

Model seçerken göz önünde bulundurulması gereken önemli noktalardan biri çevresindeki yazılım ekosistemidir. YOLOv9 üst düzey araştırma kıyaslamaları sunsa da her iki modeli de modern Ultralytics Python API üzerinden kullanmak, geliştiricilere birleşik ve kolaylaştırılmış bir deneyim sunarak aradaki boşluğu kapatır.

Kullanım ve Dışa Aktarım Kolaylığı#

Ultralytics karmaşık mühendislik işlerini üstlenir. Otomatik veri artırma ve hiperparametre ayarlama gibi özellikler kullanıma hazır olarak sunulur. Yerleşik dışa aktarma komutlarıyla modelleri ONNX, OpenVINO veya LiteRT biçimlerine dönüştürmek de üretime geçişi kolaylaştırır.

Görev Çok Yönlülüğü#

Her iki model de nesne algılama konusunda başarılı olsa da modern Ultralytics modelleri çeşitli bilgisayarlı görü zorluklarının üstesinden gelmek için tasarlanmıştır. Daha geniş çerçeve; geliştiricilerin kod tabanlarını değiştirmeden birden fazla görü sorununu çözmelerini sağlayan örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) için yerel destek sunar.

Kullanım Alanları ve Öneriler#

YOLOv9 ile YOLOv5 arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda güçlü bir seçenektir:

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

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5 şu durumlarda önerilir:

  • Üretimde Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna değer verilen mevcut dağıtımlar.
  • Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
  • Geniş Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dahil birçok biçimde dağıtım gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Uygulama Örneği#

Ultralytics ekosistemiyle, ağırlık metnini değiştirerek YOLOv5 modeliyle YOLOv9 modeli arasında geçiş yapabilirsin.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv9 modelini yükle (YOLOv5u kullanmak için "yolov5su.pt" ile değiştir)
model = YOLO("yolov9c.pt")

# Modeli özel bir veri kümesinde verimli şekilde eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Yeni görüntüler üzerinde çıkarım yap
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")

# Dağıtım için ONNX'e dışa aktar
model.export(format="onnx")

Daha Yeni Mimarileri Keşfet#

YOLOv5 ve YOLOv9 kendilerine özgü avantajları olan mükemmel modeller olsa da alan gelişmeye devam ediyor. Yeni projeler üzerinde çalışan kullanıcılar, Ultralytics'in en yeni sürümlerini de değerlendirmek isteyebilir.

  • YOLO11: Tüm görü görevlerinde hız ve doğruluk arasında mükemmel bir denge sunan, YOLOv8 soyunun geliştirilmiş devamı.
  • YOLO26: Ocak 2026'da yayımlanan YOLO26, yeni işlem hatları için önerilen modeldir. Darboğaz oluşturan NMS son işlemesini ortadan kaldıran isteğe bağlı Uçtan Uca, NMS İçermeyen Tasarım (nms=False) sunar. DFL Kaldırma (daha kolay dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Dağılımsal Odak Kayıp'ın kaldırılması) sayesinde YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sağlar. MuSGD İyileştiricisi eğitim kararlılığını artırırken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması), uç ve bulut dağıtımlarında IoT, robotik ve hava görüntüleri için küçük nesne algılamayı iyileştirir.

Büyük veri kümelerini ve karmaşık dağıtım işlem hatlarını yöneten ekipler için Ultralytics Platform, bu modelleri kod yazmadan eğitme, izleme ve dağıtma olanağı sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.