YOLOv9 ile YOLOv5#

Bilgisayarlı görü alanı büyük bir gelişime tanık oldu; nesne algılama sayısız endüstriyel ve araştırma uygulamasının temelini oluşturuyor. Doğru mimariyi seçerken genellikle ortalama Hassasiyet (mAP), çıkarım hızı ve bellek yükü dikkatle değerlendirilmelidir. Bu karşılaştırmada, gradyan bilgisini korumaya yönelik mimari atılımlarıyla öne çıkan YOLOv9 ile kullanım kolaylığı ve eşsiz dağıtım çok yönlülüğü sayesinde kendini kanıtlamış endüstri standardı Ultralytics YOLOv5 modellerini inceliyoruz.

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 Enstitüsü'nden araştırmacılar Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından geliştirilen YOLOv9, 21 Şubat 2024'te yayımlandı. Model, derin sinir ağlarında yaygın olan bilgi darboğazını gidermek için Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) olmak üzere iki çığır açan kavram sunuyor.

YOLOv9, PGI kullanarak ileri beslemeli süreç boyunca hayati bilgilerin korunmasını ve böylece son derece doğru gradyan güncellemeleri yapılmasını sağlar. GELAN mimarisi ise parametre verimliliğini en üst düzeye çıkararak modelin şaşırtıcı ölçüde düşük hesaplama yüküyle son teknoloji doğruluğa ulaşmasına imkân tanır. Teknik ayrıntılar için resmî YOLOv9 Arxiv makalesini inceleyebilir veya YOLOv9 GitHub deposuna göz atabilirsin.

YOLOv9 hakkında daha fazla bilgi edin

Ultralytics YOLOv5: Üretim Standardı#

Glenn Jocher tarafından yazılan ve Ultralytics tarafından 26 Haziran 2020'de yayımlanan YOLOv5, bilgisayarlı görüye erişimi dönüştürdü. Yerel olarak PyTorch çerçevesi üzerinde geliştirilen ilk nesne algılama modellerinden biri olarak eski Darknet C çerçevesinin karmaşıklığını aştı. YOLOv5, hız ve doğruluk arasında sorunsuz bir dengeyi önceliklendirerek yüksek düzeyde optimize edilmiş bir CSPNet omurgası ve PANet boyun ağı kullanır.

Ancak modelin en büyük başarısı, daha geniş Ultralytics ekosistemiyle bütünleşmesidir. YOLOv5, hızlı eğitim verimliliği ve düşük bellekli ortamlar için büyük ölçüde optimize edilmiştir; bu da onu uç cihazlara dağıtım için son derece kararlı kılar.

Performans Analizi: Hız ve Doğruluk#

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

Ödünleşimlerin Analizi#

YOLOv9, ham hassasiyet açısından tartışmasız üstünlük kuruyor. YOLOv9e, ince ayrıntıları korumak için GELAN katmanlarını kullanarak mAP sınırını %55,6'ya taşıyor. Bu özelliği, tıbbi görüntüleme veya küçük nesnelerde titiz doğruluk gerektiren senaryolar için olağanüstü bir seçenek hâline getiriyor.

Buna karşılık YOLOv5, ham dağıtım hızı ve donanım esnekliğiyle öne çıkıyor. YOLOv5n (Nano), son derece hafif olmasıyla bilinir ve TensorRT üzerinden T4 GPU'da çıkarımı yalnızca 1,12 ms'de gerçekleştirir. Kısıtlı IoT cihazlarına, cep telefonlarına veya Raspberry Pi'ye dağıtım yapıyorsan YOLOv5'in bellek gereksinimi modeli son derece güvenilir kılar.

Ultralytics Ekosisteminin Avantajı#

Model seçerken önemli bir nokta da modeli çevreleyen yazılım ekosistemidir. YOLOv9 araştırma ölçütlerinde üst düzey sonuçlar sunsa da her iki modeli modern Ultralytics Python API üzerinden kullanmak aradaki boşluğu kapatarak geliştiricilere birleşik ve yalın bir deneyim sunar.

Kullanım ve Dışa Aktarım Kolaylığı#

Ultralytics karmaşık mühendislik engellerini soyutlar. Otomatik veri artırma ve hiperparametre ayarı gibi özellikler kutudan çıktığı gibi kullanılabilir. Yerleşik dışa aktarma komutları modelleri ONNX, OpenVINO veya LiteRT biçimlerine dönüştürdüğünden modelleri üretime taşımak da aynı derecede kolaydır.

Görev Çok Yönlülüğü#

Her iki model de nesne algılamada üstün olsa da modern Ultralytics modelleri çeşitli bilgisayarlı görü sorunlarını çözmek için tasarlanmıştır. Daha geniş çerçeve; görüntü sınıflandırma, örnek segmentasyonu, poz tahmini ve yönlendirilmiş sınırlayıcı kutular için yerel destek sunarak geliştiricilerin kod tabanlarını değiştirmeden birden fazla görü sorununu çözmesine imkân tanır.

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 Kendini Kanıtlamış Sistemler: YOLOv5'in uzun süreli istikrar geçmişine, 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 kaynaklarının sınırlı olduğu ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil 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:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Uygulama Örneği#

Ultralytics ekosisteminin en güzel yanı, yalnızca ağırlık metnini değiştirerek YOLOv5 modeli ile YOLOv9 modeli arasında geçiş yapabilmendir.

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")

# Sorunsuz dağıtım için ONNX biçimine 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: YOLOv8 ailesinin 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 en iyi tercihtir. NMS son işleme darboğazlarını ortadan kaldıran isteğe bağlı bir Uçtan Uca, NMS'siz Tasarım (nms=False) sunar. Basitleştirilmiş dışa aktarım ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Distribution Focal Loss'u kaldıran DFL Removal sayesinde CPU çıkarımını %43'e kadar hızlandırır. Yeni MuSGD Optimizer eğitim kararlılığını önemli ölçüde artırırken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması), IoT, robotik ve hava görüntüleri için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar; böylece uç ve bulut dağıtımlarının ikisi için de en sağlam mimari olur.

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