YOLOv9 ile YOLOv6-3.0#

Gerçek zamanlı nesne algılamanın gelişimi, çıkarım hızı, doğruluk ve hesaplama verimliliği arasındaki hassas dengeyi optimize eden sinir ağı mimarilerindeki sürekli yeniliklerle şekillendi. Geliştiriciler ve araştırmacılar bilgisayarlı görü çerçevelerinin kalabalık dünyasında yol alırken, işe uygun aracı seçmek için önde gelen mimarileri karşılaştırmak önem taşır.

Bu teknik kılavuz, son derece yetenekli iki modeli derinlemesine karşılaştırıyor: derin öğrenme sırasında bilgiyi korumasıyla tanınan YOLOv9 ve özellikle endüstriyel uygulamalara göre tasarlanmış YOLOv6-3.0.

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

2024'ün başlarında kullanıma sunulan YOLOv9, derin sinir ağlarındaki en kalıcı sorunlardan birini ele alıyor: ileri beslemeli süreçte bilgi kaybı. Gradyanların güvenilir olmasını ve özellik haritalarının kritik verileri korumasını sağlayarak kuramsal doğruluğun sınırlarını zorluyor.

• 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, Programlanabilir Gradyan Bilgisi (PGI) kavramını Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) ile birlikte sunuyor. PGI, ana ağın çıkarım yükünü artırmadan güçlü ve güvenilir özellikler öğrenmesini sağlayan yardımcı denetim sunarak bilgi darboğazını gideriyor. GELAN ise parametre kullanımını optimize ederek hesaplama maliyetini yönetilebilir düzeyde tutarken modelin son teknoloji ortalama Hassasiyet (mAP) değerlerine ulaşmasını sağlıyor. Bu özellikler, tıbbi görüntü analizini veya özellik doğruluğunun kritik olduğu çok küçük nesnelerin algılanmasını olağanüstü bir kullanım alanı hâline getiriyor.

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), en başından itibaren ağır hizmet tipi endüstriyel uygulamalara yönelik tasarlandı. 2023'ün başlarında yayımlanan model, uç donanımlarda üstün performans gösteren, nicemlemeye uygun modellerden oluşan bir paket sunarak dağıtım verimliliğine büyük önem veriyor.

• 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 Çapa Destekli Eğitim (AAT) stratejileriyle öne çıkar. RepVGG'den ilham alan, donanım farkındalıklı bir sinir ağı tasarımı kullanan model, katmanları birleştirerek çıkarım sırasında GPU'larda olağanüstü yüksek hızda çalışır. 3.0 güncellemesi, yerelleştirme doğruluğunu artırmak için Çift Yönlü Birleştirme (BiC) modülünü ekleyerek mimariyi daha da geliştirdi. TensorRT ve OpenVINO gibi dağıtım biçimleri için büyük ölçüde optimize edildiğinden YOLOv6-3.0; lojistik, üretim otomasyonu ve yüksek aktarım hacimli sunucu ortamlarında sıkça tercih edilir.

YOLOv6-3.0 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri standart COCO veri kümesinde değerlendirirken doğruluk ve ham çıkarım hızı arasındaki belirgin ödünleşimleri görebiliriz.

Teknik Analiz#

YOLOv6-3.0n, T4 donanımında ham hız açısından birinci sırada yer alırken (1,17 ms), YOLOv9t daha az parametreyle (2,0 M'ye karşı 4,7 M) ve önemli ölçüde daha az FLOP kullanarak biraz daha yüksek mAP (38,3%) elde ediyor. Karmaşık ve yüksek doğruluk gerektiren senaryolarda devasa YOLOv9e, mAP değerini %55,6'ya çıkararak PGI mimarisinin derin ağlardaki gücünü ortaya koyuyor.

Ultralytics Ekosisteminin Avantajı#

Hangi modelin mimari yaklaşımını tercih edersen et, Ultralytics Python API ile yerel olarak uygulamak daha üstün bir geliştirici deneyimi sunar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Karmaşık derin öğrenme modellerini eğitmek geleneksel olarak çok miktarda kalıp kod gerektirir. Ultralytics Platform bu karmaşıklıkları soyutlar. YOLOv9'u kusur algılama için ince ayarlıyor veya YOLOv6'yı mobil uygulamalar için dışa aktarıyor ol, iş akışı son derece tutarlı kalır.

Ayrıca Ultralytics mimarileri, eğitim sırasında genellikle hantal Transformer tabanlı modellere kıyasla daha az CUDA belleği gerektirir. Bu sayede geliştiriciler tüketici sınıfı GPU'larda daha büyük toplu iş boyutları kullanarak eğitim verimliliğini önemli ölçüde 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 sorunsuzca aktar
model.export(format="engine", quantize=16)

Görsel Görevlerde Eşsiz Çok Yönlülük#

YOLOv6-3.0, hızlı sınırlayıcı kutu üretimi için büyük ölçüde optimize edilmiş olsa da modern bilgisayarlı görü projeleri çoğu zaman çok görevli bir yaklaşım gerektirir. Ultralytics modelleri olağanüstü çok yönlülükleriyle bilinir. Ultralytics YOLOv8 ve daha yeni YOLO26 gibi araçlarla tek bir çerçeve; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) sorunsuzca ele alır.

YOLO26 ile Tanış: Yeni Standart#

Hem performansı hem de dağıtım kolaylığını en üst düzeye çıkarmak isteyen kuruluşlar için YOLO26, hız ve doğruluğun en iyi birleşimini sunar.

YOLO11'in başarıları üzerine inşa edilen YOLO26, ezber bozan birçok özellik sunuyor:

• MuSGD Optimizer: Moonshot AI'ın Kimi K2 modeli gibi Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan bu hibrit optimizer, son derece kararlı eğitim ve hızlı yakınsama sağlar.
• DFL Removal: Distribution Focal Loss'u kaldıran YOLO26, dışa aktarım grafiğini basitleştirerek düşük güçlü uç bilişim yongalarıyla uyumluluğu önemli ölçüde artırır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve IoT uygulamaları için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Göreve Özel İyileştirmeler: YOLO26; segmentasyon için yerel çok ölçekli prototipleme, poz tahmini için Artık Log-Olabilirlik Tahmini (RLE) ve OBB algılamadaki uç durumları çözmeye yönelik özel açı kaybı algoritmaları içerir.

İdeal Dağıtım Senaryoları#

Doğru mimariyi seçmek, sonuçta üretim kısıtlarına bağlıdır.

Endüstriyel üretimde yerleşik bir işlem hattın varsa, nicemlemeye büyük ölçüde dayanıyorsan ve donanım gecikmesini olabildiğince azaltman gereken özel çıkarım hızlandırıcıları kullanıyorsan YOLOv6-3.0'ı 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 en ileri doğruluğu basitleştirilmiş, NMS'siz dağıtımla birleştiren dengeli bir yaklaşım için Ultralytics YOLO26, modern bilgisayarlı görü mühendisliğinde kesin tercih olarak öne çıkar. Aktif geliştirme döngüsü, kapsamlı belgeleri ve canlı topluluk desteği, YOLO26'yı araştırmacılar ve geliştiriciler için vazgeçilmez bir araç hâline getirir.