Başla

YOLOv9 ile YOLOv6-3.0

Gerçek zamanlı nesne algılama, çıkarım hızını, doğruluğu ve hesaplama verimliliğini dengeleyen sinir ağı mimarilerindeki sürekli yeniliklerle gelişti. Geliştiriciler ve araştırmacılar, bilgisayarlı görü çerçevelerinin kalabalık ekosisteminde yollarını bulmaya çalışırken iş için doğru aracı seçmek açısından önde gelen mimarileri karşılaştırmak büyük önem taşır.

Bu teknik kılavuz, derin ağlarda bilgiyi korumasıyla tanınan YOLOv9 ve endüstriyel uygulamalara yönelik YOLOv6-3.0 olmak üzere iki yetenekli modeli karşılaştırır.

YOLOv9'a Genel Bakış: Özelliklerin Korunmasını En Üst Düzeye Çıkarma#

2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarındaki en kalıcı sorunlardan birini, yani ileri beslemeli işlem sırasında bilgi kaybını ele alır. Gradyanları güvenilir tutup özellik haritalarının kritik verileri korumasına yardımcı olarak doğruluğu artırır.

  • Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
  • Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
  • Tarih: 21 Şubat 2024
  • Bağlantılar: arXiv Makalesi, GitHub Deposu

Mimari ve Yöntemler#

YOLOv9, Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ile birlikte Programlanabilir Gradyan Bilgisi (PGI) kavramını sunar. PGI, ana ağın çıkarım yükü eklemeden güçlü ve güvenilir özellikler öğrenmesini sağlayan yardımcı denetim sunarak bilgi darboğazını giderir. GELAN ise parametre kullanımını optimize ederek hesaplama maliyetini yönetilebilir düzeyde tutarken modelin son teknoloji Ortalama Hassasiyet (mAP) değerine ulaşmasını sağlar. Bu nedenle özellik doğruluğunun kritik olduğu tıbbi görüntü analizi veya son derece küçük nesnelerin algılanması için güçlü bir seçenektir.

YOLOv9 hakkında daha fazla bilgi edin

YOLOv6-3.0'a Genel Bakış: Endüstriyel Ölçek İçin Tasarlandı#

Meituan tarafından geliştirilen YOLOv6-3.0 (v3.0 olarak da anılır), ağır sanayi uygulamalarına hizmet etmesi için en baştan tasarlanmıştır. 2023'ün başlarında yayımlanan model dağıtım verimliliğine odaklanır ve uç donanımlarda iyi performans gösteren, nicelemeye uygun bir dizi model sunar.

  • Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
  • Kuruluş: Meituan
  • Tarih: 13 Ocak 2023
  • Bağlantılar: arXiv Makalesi, GitHub Deposu

Mimari ve Yöntemler#

YOLOv6-3.0, RepOptimizer ve Bağlantı Destekli Eğitim (AAT) stratejileriyle öne çıkar. RepVGG'den esinlenen donanım farkındalıklı bir sinir ağı tasarımı kullanır; bu tasarım katmanları birleştirerek çıkarım sırasında GPU'larda çok hızlı çalışmasını sağlar. 3.0 güncellemesi, yerelleştirme doğruluğunu iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü sunarak mimariyi daha da geliştirdi. TensorRT ve OpenVINO gibi dağıtım biçimleri için yüksek ölçüde optimize edildiğinden YOLOv6-3.0 lojistikte, üretim otomasyonunda ve yüksek verimli sunucu ortamlarında sıkça tercih edilir.

YOLOv6-3.0 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modeller standart COCO veri kümesinde değerlendirildiğinde doğruluk ile ham çıkarım hızı arasında belirgin ödünleşimler ortaya çıkar.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Teknik Analiz#

YOLOv6-3.0n, T4 donanımında ham hızda zirveye çıksa da (1,17 ms) YOLOv9t, parametre sayısının yarısından azını (2,0 milyon ile 4,7 milyon) ve çok daha az FLOPs kullanırken biraz daha yüksek mAP (%38,3) elde eder. Karmaşık ve yüksek doğruluk gerektiren görevler için en büyük model YOLOv9e, %55,6 mAP değerine ulaşarak derin ağlarda PGI mimarisinin gücünü gösterir.

YOLO26 ile Projeni Geleceğe Hazırla

Yeni bir bilgisayarlı görü projesine başlıyorsan Ultralytics, YOLO26 modelini öneriyor. Ocak 2026'da yayımlanan model, son işleme aşamasındaki Maksimum Olmayan Bastırma (NMS) gecikmesini ortadan kaldıran yerel Uçtan Uca, NMS İçermeyen Tasarım (nms=False) özelliğine sahiptir ve YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunar.

Ultralytics Ekosisteminin Avantajı#

Hangi modelin mimari yaklaşımını tercih edersen et, Ultralytics Python API üzerinden yerel olarak uygulamak tutarlı bir geliştirici deneyimi sağlar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Karmaşık derin öğrenme modellerini eğitmek geleneksel olarak çok sayıda yinelenen kod yazmayı gerektirir. Ultralytics Platform ve Python paketi bu karmaşıklıkları yönetir. İster kusur algılama için YOLOv9'u ince ayarlıyor ister mobil uygulamalar için YOLOv6'yı dışa aktarıyor ol, iş akışı tutarlı kalır.

Ultralytics mimarileri, eğitim sırasında genellikle daha ağır Transformer tabanlı modellere kıyasla daha düşük CUDA bellek gereksinimlerine sahiptir. Böylece geliştiriciler tüketici sınıfı GPU'larda daha büyük toplu iş boyutları kullanarak eğitim verimliliğini artırabilir.

from ultralytics import YOLO

# Model dosyası metnini değiştirerek mimariler arasında kolayca geçiş yap
# model = YOLO("yolov6n.yaml")  # YOLOv6 bir YAML yapılandırması olarak kullanılabilir (önceden eğitilmiş ağırlık yok)
model = YOLO("yolov9c.pt")

# Modeli yerleşik veri artırma ve önbelleğe alma özellikleriyle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# ONNX veya TensorRT'ye aktar
model.export(format="engine", quantize=16)

Görü Görevlerinde Çok Yönlülük#

YOLOv6-3.0 hızlı sınırlayıcı kutu üretimi için büyük ölçüde optimize edilmiş olsa da modern bilgisayarlı görü projelerinde çoğu zaman çok görevli bir yaklaşım gerekir. Ultralytics modelleri çok yönlülükleriyle bilinir. Ultralytics YOLOv8 ve daha yeni YOLO26 gibi modellerle tek bir çerçeve; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerini yerine getirir.

YOLO26 ile Tanış: Yeni Standart#

Hem performansı hem de dağıtım kolaylığını en üst düzeye çıkarmak isteyen kuruluşlar için YOLO26, hız ve doğruluğu güçlü biçimde bir araya getirir.

YOLO11'in başarılarını temel alan YOLO26, çeşitli yeni özellikler sunar:

  • MuSGD İyileştiricisi: Moonshot AI'ın Kimi K2'si gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen, SGD ve Muon'un birleşimi olan bu yöntem kararlı eğitim ve hızlı yakınsama sağlar.
  • DFL Kaldırma: Dağılımsal Odak Kayıp'ı kaldıran YOLO26, dışa aktarma grafiğini basitleştirerek düşük güçlü uç bilişim yongalarıyla uyumluluğu artırır.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), küçük nesne algılamayı iyileştirir; bu özellik drone operasyonları ve IoT uygulamaları için kritik önemdedir.
  • Göreve Özel İyileştirmeler: YOLO26; segmentasyon için çok ölçekli proto modülü, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve OBB algılamadaki sınır sorunlarını gidermek için özel bir açı kaybı içerir.

İdeal Dağıtım Senaryoları#

Doğru mimariyi seçmek, sonuçta üretim kısıtlarına bağlıdır.

Endüstriyel üretimde yerleşik bir işlem hattın varsa, nicelemeye yoğun biçimde dayanıyorsan ve en düşük donanım gecikmesine ihtiyaç duyduğun özel çıkarım hızlandırıcılarından yararlanıyorsan YOLOv6-3.0 modelini seç.

İnce ayrıntıların, piksel düzeyindeki özelliklerin gözden kaçırılmasının söz konusu olamayacağı karmaşık sağlık hizmetleri tanılama veya uzun menzilli gözetim uygulamaları üzerinde çalışıyorsan YOLOv9'u seç.

Ancak yüksek doğruluğu basitleştirilmiş, NMS içermeyen dağıtımla birleştiren dengeli bir yaklaşım için aktif geliştirme, kapsamlı belgeler ve topluluk desteğiyle desteklenen Ultralytics YOLO26, modern bilgisayarlı görü mühendisliği için önerilen seçenektir.

Katkıda Bulunanlar

Yorumlar

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