YOLO Vision 2026:

YOLOv9 ve YOLOv7#

Gerçek zamanlı object detection evrimi, hesaplama verimliliğini yüksek doğrulukla dengelemeye yönelik sürekli bir arayışla yönlendirilmiştir. Bu yolculuktaki iki dönüm noktası mimari, her ikisi de Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü araştırmacıları tarafından geliştirilen YOLOv9 ve YOLOv7'dir. YOLOv7 devrim niteliğinde eğitilebilir bedava ekstralar (bag-of-freebies) sunarken, daha yeni olan YOLOv9 derin öğrenme bilgi darboğazlarıyla doğrudan mücadelere girişiyor.

Bu kapsamlı teknik karşılaştırma, mimari farkları, performance metrics ve her iki model için ideal dağıtım senaryolarını inceleyerek ML mühendislerinin ve araştırmacılarının bilgisayarlı görü boru hatları için doğru aracı seçmesine yardımcı olur.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, ham performans ve verimlilik kritik faktörlerdir. Aşağıdaki tablo, standart COCO veri kümesi kıyaslamaları için ortalama Hassasiyet (mAP) değerlerini ve hesaplama gereksinimlerini detaylandırır.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametreler
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
Performans Dengesi

YOLOv9c'nin, önemli ölçüde daha az parametre (25,3M'e karşı 71,3M) ve FLOP kullanarak YOLOv7x (53,1 mAP) ile kabaca aynı doğruluğu (53,0 mAP) nasıl elde ettiğine dikkat et. Bu, modern mimarilerdeki Performance Balance iyileştirmelerini göstermektedir.

YOLOv9: Bilgi Darboğazını Çözmek#

2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarının verileri katmanları boyunca nasıl koruduğunu temelden değiştirdi.

Mimari Yenilikler#

YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) ve Programlanabilir Gradyan Bilgisi'ni (PGI) tanıtır. GELAN, parametre verimliliğini ve hesaplama maliyetini optimize etmek için CSPNet ve ELAN'ın güçlü yönlerini birleştirerek daha düşük parametre sayısıyla yüksek hassasiyet sağlar. PGI, derin ağlarda veri kaybını önlemek için tasarlanmış ve eğitim sürecinde ağırlıkları güncellemek için güvenilir gradyanlar üreten yardımcı bir denetim çerçevesidir.

Güçlü ve Zayıf Yönler#

YOLOv9'un ana gücü, muazzam bir hesaplama yükü olmadan ince özellikleri çıkarma yeteneğidir; bu da onu medical image analysis gibi yüksek özellik doğruluğu gerektiren görevler için inanılmaz derecede yetenekli kılar. Bununla birlikte, eğitim sırasındaki karmaşık PGI yapısı, yeni başlayanlar için daha birleşik çerçevelere kıyasla özel mimari değişiklikleri yapmayı daha zor hale getirebilir.

YOLOv9 hakkında daha fazla bilgi edin

YOLOv7: Bag-of-Freebies'in Öncüsü#

2022'de piyasaya sürülen YOLOv7, tüketici donanımında nelerin mümkün olduğuna dair yeni bir kıyaslama belirleyerek real-time inference hızlarını önemli ölçüde artıran yapısal yenilikler tanıttı.

Mimari Yenilikler#

YOLOv7'nin temel katkısı, Genişletilmiş Verimli Katman Birleştirme Ağı'dır (E-ELAN). Bu mimari, modelin daha çeşitli özellikleri sürekli olarak öğrenmesini sağlar. Ayrıca YOLOv7, planlanmış yeniden parametrelendirilmiş evrişimler ve dinamik etiket ataması gibi "eğitilebilir bag-of-freebies" tekniklerini kullanır. Bu yöntemler, dağıtım sırasında çıkarım maliyetlerini artırmadan eğitim sırasında modelin doğruluğunu iyileştirir.

Güçlü ve Zayıf Yönler#

YOLOv7, gerçek zamanlı kenar (edge) işleme için yüksek düzeyde optimize edilmiştir ve eski sistemlerde ile daha eski CUDA environments içinde bir demirbaş olmaya devam etmektedir. Bugün temel sınırlaması, daha yeni modellere kıyasla daha büyük parametre boyutudur. Performans tablosunda gösterildiği gibi, üst düzey doğruluk elde etmek, eşdeğer modern mimarilere kıyasla çok daha fazla GPU memory gerektiren ağır YOLOv7x modelini gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

Ultralytics Avantajı: Kolaylaştırılmış Dağıtım#

YOLOv9 ve YOLOv7 için orijinal araştırma depoları mükemmel akademik temeller sağlasa da, bu modelleri üretim ortamlarında konuşlandırmak karmaşık olabilir. Bunları ultralytics paketi aracılığıyla entegre etmek benzersiz bir Kullanım Kolaylığı sunar.

Entegre edilmiş Ultralytics Platform kullanarak geliştiriciler, sezgisel bir Python API, aktif topluluk desteği ve güçlü experiment tracking özelliklerine sahip bakımlı bir ekosistemden faydalanır.

YOLO26 ile Geleceği Güvence Altına Almak#

Yeni bir bilgisayarlı görü projesine başlıyorsan, hem YOLOv9 hem de YOLOv7 yerine yeni yayınlanan YOLO26 keşfetmeni şiddetle tavsiye ederiz. Yeni son teknoloji standart olarak yayınlanan YOLO26, çığır açan gelişmeler getiriyor:

  • Uçtan Uca NMS-Free Tasarım: Non-Maximum Suppression işlem sonrası adımını ortadan kaldırarak, dağıtım karmaşıklığını ve gecikmeyi önemli ölçüde azaltır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: edge computing ortamları için optimize edilmiştir; uygulamanın özel GPU'lar olmadan bile sorunsuz çalışmasını sağlar.
  • MuSGD Optimize Edici: LLM eğitiminden esinlenen bir hibrit optimize edici; son derece kararlı yakınsama sağlar ve eğitim süresini azaltır.
  • DFL Kaldırma: Distribution Focal Loss'u kaldırarak model dışa aktarımını basitleştirir, düşük güçlü mobil cihazlarla uyumluluğu artırır.
  • ProgLoss + STAL: Küçük nesne tespitindeki performansı büyük ölçüde artırarak onu aerial imagery ve gözetim için bir numaralı tercih haline getirir.

Ekosistemdeki diğer popüler alternatifler arasında Ultralytics YOLOv8 ve YOLO11 yer alır; her ikisi de instance segmentation ve pose estimation gibi görevlerde büyük çok yönlülük sunar.

Uygulama Örneği#

Bu mimarilerden herhangi birini eğitmek ve dışa aktarmak, birleşik API ile inanılmaz derecede basittir. Aşağıdaki kod, Ultralytics araçlarının karakteristik olan kolaylaştırılmış Eğitim Verimliliğini göstermektedir.

from ultralytics import YOLO

# Initialize YOLOv9 or the recommended YOLO26 model
model = YOLO("yolov9c.pt")  # Swap with "yolo26n.pt" for faster edge performance

# Train on a custom dataset with built-in data augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")
Bellek Gereksinimleri

Tüketici sınıfı donanımda eğitim yaparken bellek verimliliği çok önemlidir. YOLOv9 ve YOLO26'nın Ultralytics uygulamaları, eğitim sırasında genellikle ciddi bellek şişmesi sorunu yaşayan (RT-DETR gibi) transformer tabanlı modellerin aksine, VRAM sıçramalarını azaltmak için yoğun bir şekilde optimize edilmiştir.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#

Bu mimariler arasında seçim yapmak genellikle üretim ortamının özel kısıtlamalarına bağlıdır.

YOLOv9 ne zaman kullanılır: YOLOv9, dakik detay korumasının gerekli olduğu ortamlarda üstündür. Güçlü özellik çıkarımı, raflardaki yoğun paketlenmiş ürünleri saymak için retail analytics alanında veya küçük yapraklardaki erken aşama mahsul hastalığını tanımlamanın çok önemli olduğu tarımsal uygulamalar için idealdir.

YOLOv7 ne zaman kullanılır: YOLOv7, eski dağıtım boru hatları için güçlü bir aday olmaya devam ediyor. Google Coral Edge TPU belirli nesilleri gibi daha eski donanım sistemlerine entegre ediyorsan, YOLOv7'nin basit CNN mimarisinin derlenmesi, daha yeni modellerin daha karmaşık gradyan dallarına kıyasla daha kolay olabilir.

YOLO26 ne zaman kullanılır (Önerilen): Otonom dronlardan akıllı şehir traffic management sistemlerine kadar herhangi bir modern dağıtım için YOLO26 üstün tercihtir. NMS'siz mimarisi, güvenlik açısından kritik robotik için esansiyel olan deterministik çıkarım sürelerini garanti ederken, yüksek hassasiyeti her açıdan hem YOLOv9'u hem de YOLOv7'yi geride bırakmaktadır.

Katkıda Bulunanlar
GLglenn-jocher13PDpderrenger1

Yorumlar