YOLOv9 ile YOLOv5 karşılaştırması#

Bilgisayarlı görü alanı muazzam bir büyümeye tanık oldu; nesne algılama, sayısız endüstriyel ve araştırma uygulamasının temelini oluşturuyor. Doğru mimariyi seçmek çoğu zaman ortalama Hassasiyet (mAP), çıkarım hızı ve bellek yükünün dikkatle değerlendirilmesini gerektirir. Bu karşılaştırmada, iki son derece etkili modeli inceliyoruz: gradyan bilgilerinin korunmasındaki mimari yenilikleriyle öne çıkan YOLOv9 ve kullanım kolaylığı ile rakipsiz dağıtım esnekliği sayesinde kendini kanıtlamış sektör standardı olan Ultralytics YOLOv5.

Mimari Yenilikler ve Teknik Kökenler#

Bu iki modelin temel çalışma mekanizmalarını anlamak, ilgili performans profilleri için kritik bir bağlam sağlar.

YOLOv9: Programlanabilir Gradyan Bilgisi#

Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'nde araştırmacılar Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Model, derin sinir ağlarında yaygın olarak görülen 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 beslemeli süreç boyunca hayati bilgilerin korunmasını ve bunun sonucunda son derece doğru gradyan güncellemeleri elde edilmesini sağlar. Bu sırada GELAN mimarisi, parametre verimliliğini en üst düzeye çıkararak modelin şaşırtıcı derecede düşük hesaplama yüküyle son teknoloji doğruluk düzeyine ulaşmasını sağlar. Teknik ayrıntıları resmi 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 görünün erişilebilirliğinde devrim yarattı. Doğrudan PyTorch çatısı üzerine yerel olarak oluşturulan ilk nesne algılama modellerinden biri olarak, eski Darknet C çatısının karmaşıklıklarını ortadan kaldırdı. YOLOv5, hız ile doğruluk arasında kusursuz bir dengeyi önceliklendiren, yüksek düzeyde optimize edilmiş bir CSPNet omurgasından ve PANet boyun bölümünden yararlanır.

Ancak en büyük başarısı, daha geniş Ultralytics ekosistemine entegre edilmiş olmasıdır. YOLOv5, hızlı eğitim verimliliği ve düşük bellekli ortamlar için büyük ölçüde optimize edilmiştir; bu da onu uç dağıtımlarında son derece kararlı kılar.

Performans Analizi: Hız ve Doğruluk#

Bir bilgisayarlı görü işlem hattı tasarlarken geliştiriciler kesinlik ile gecikme arasındaki ödünleşimleri değerlendirmelidir. Aşağıdaki tablo, standart COCO veri kümesindeki performans farklarını gösterir.

Ödünleşimlerin Analizi#

YOLOv9, ham kesinlikte mutlak üstünlük kurar. YOLOv9e, ince ayrıntıları korumak için GELAN katmanlarını kullanarak mAP değerini %55,6'ya çıkarır. Bu özellik, onu tıbbi görüntüleme veya küçük nesnelerde titiz doğruluk gerektiren senaryolar için olağanüstü bir seçenek hâline getirir.

Buna karşılık YOLOv5, ham dağıtım hızı ve donanım esnekliğiyle öne çıkar. YOLOv5n (Nano), TensorRT aracılığıyla bir T4 GPU üzerinde çıkarımları yalnızca 1,12 ms'de gerçekleştirmesiyle ünlü derecede hafiftir. Kısıtlı IoT cihazlarına, cep telefonlarına veya Raspberry Pi cihazlarına dağıtım yapıyorsan YOLOv5'in bellek ayak izi onu olağanüstü güvenilir kılar.

Ultralytics Ekosisteminin Avantajı#

Model seçerken önemli bir husus, çevresindeki yazılım ekosistemidir. YOLOv9 üst düzey araştırma kıyaslamaları sunsa da her iki modeli modern Ultralytics Python API aracılığıyla kullanmak aradaki boşluğu kapatır ve geliştiricilere birleşik, akıcı bir deneyim sunar.

Kullanım Kolaylığı ve Dışa Aktarma#

Ultralytics, karmaşık mühendislik engellerini soyutlar. Otomatik veri artırma ve hiperparametre ayarlama gibi özellikler kullanıma hazır şekilde sunulur. Modelleri üretime taşımak da aynı derecede kolaydır; yerleşik dışa aktarma komutları, modelleri ONNX, OpenVINO veya TFLite biçimlerine dönüştürür.

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 çatı; görüntü sınıflandırma, örnek bölütleme, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) için yerel destek sunarak geliştiricilerin kod tabanlarını değiştirmeden birden fazla görü problemini çözmesine olanak tanır.

Kullanım Alanları ve Öneriler#

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

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için güçlü bir seçenektir:

• Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (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 benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için önerilir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, kapsamlı belgelerine ve geniş topluluk desteğine değer verilen mevcut dağıtımlar.
• Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava 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 İnceleme#

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

• YOLO11: YOLOv8 soyunun güçlü ve geliştirilmiş bir evrimi olan bu model, tüm görü görevlerinde mükemmel bir hız-doğruluk dengesi sunar.
• YOLO26: 2026'da yayımlanan YOLO26, modern işlem hatları için nihai öneridir. İşlem sonrası darboğazları tamamen ortadan kaldıran Uçtan Uca NMS'siz Tasarım sunar. DFL'nin Kaldırılması (Dağılımsal Odak Kayıbının dışa aktarmayı basitleştirmek ve uç/düşük güç tüketimli cihaz uyumluluğunu iyileştirmek için kaldırılması) sayesinde %43'e kadar daha hızlı CPU çıkarımı elde eder. Yeni MuSGD Optimize Edicisi eğitim kararlılığını büyük ölçüde artırırken, ProgLoss + STAL iyileştirilmiş kayıp işlevleriyle küçük nesne tanımada dikkate değer gelişmeler sağlar. Bu özellikler IoT, robotik ve hava görüntüleri için kritik olup modeli hem uç hem de bulut dağıtımları için en sağlam mimari hâline getirir.

Büyük veri kümelerini ve karmaşık dağıtım işlem hatlarını yöneten ekipler için Ultralytics Platformu, bu son teknoloji modelleri zahmetsizce eğitmek, izlemek ve dağıtmak üzere kod gerektirmeyen bir çözüm sunar.