YOLOv9 ve YOLOv7#
Gerçek zamanlı nesne algılama alanındaki gelişim, hesaplama verimliliğini yüksek doğrulukla dengeleme arayışıyla sürekli olarak ilerlemiştir. Bu süreçteki iki önemli mimari, her ikisi de Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü araştırmacıları tarafından geliştirilen YOLOv9 ve YOLOv7'dir. YOLOv7 devrim niteliğinde eğitilebilir ücretsiz avantajlar sunarken, daha yeni YOLOv9 derin öğrenmedeki bilgi darboğazlarını doğrudan ele alır.
Bu kapsamlı teknik karşılaştırma, her iki modelin mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını inceler; ML mühendislerinin ve araştırmacıların bilgisayarlı görü işlem 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 karşılaştırmaları için Ortalama Kesinlik (mAP) değerini ve hesaplama gereksinimlerini ayrıntılı olarak gösterir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv9c'nin, önemli ölçüde daha az parametre (25.3M'ye karşı 71.3M) ve FLOPs kullanırken YOLOv7x ile yaklaşık aynı doğruluğa (53.0 mAP'ye karşı 53.1 mAP) ulaştığına dikkat et. Bu, modern mimarilerdeki Performans Dengesi iyileştirmelerini gösterir.
YOLOv9: Bilgi Darboğazını Çözmek#
2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarının katmanları boyunca verileri koruma biçimini temelden değiştirdi.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica
- Tarih: 21 Şubat 2024
- Kaynaklar: ArXiv makalesi | GitHub deposu
Mimari Yenilikler#
YOLOv9, Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) ve Programlanabilir Gradyan Bilgisi (PGI) sunar. GELAN, parametre verimliliğini ve hesaplama maliyetini optimize etmek için CSPNet ile ELAN'ın güçlü yönlerini birleştirir ve daha düşük parametre sayısıyla yüksek kesinlik sağlar. PGI, derin ağlarda veri kaybını önlemek üzere tasarlanmış yardımcı bir denetim çerçevesidir ve eğitim sürecinde ağırlıkları güncellemek için güvenilir gradyanlar üretir.
Güçlü Yönler ve Sınırlamalar#
YOLOv9'un temel gücü, yüksek özellik sadakati gerektiren tıbbi görüntü analizi gibi görevlerde onu son derece yetkin kılan, büyük bir hesaplama yükü oluşturmadan ince özellikleri çıkarabilmesidir. Ancak eğitim sırasında kullanılan karmaşık PGI yapısı, daha birleşik çerçevelere kıyasla yeni başlayanların özel mimari değişiklikler yapmasını zorlaştırabilir.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv7: Ücretsiz Avantajların Öncüsü#
2022'de yayımlanan YOLOv7, gerçek zamanlı çıkarım hızlarını önemli ölçüde artıran yapısal yenilikler sunarak tüketici donanımında mümkün olanlar için yeni bir ölçüt belirledi.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Institute of Information Science, Academia Sinica
- Tarih: 6 Temmuz 2022
- Kaynaklar: ArXiv makalesi | GitHub deposu
Mimari Yenilikler#
YOLOv7'nin temel katkısı, Genişletilmiş Verimli Katman Toplama Ağı'dır (E-ELAN). Bu mimari, modelin sürekli olarak daha çeşitli özellikler öğrenmesini sağlar. Ayrıca YOLOv7, planlı yeniden parametreleştirilmiş evrişimler ve dinamik etiket atama gibi tekniklerden oluşan "eğitilebilir ücretsiz avantajlar" kullanır. Bu yöntemler, dağıtım sırasında çıkarım maliyeti eklemeden modelin eğitim sırasındaki doğruluğunu artırır.
Güçlü Yönler ve Sınırlamalar#
YOLOv7, gerçek zamanlı uç işlem için yüksek düzeyde optimize edilmiştir ve eski sistemlerde ve daha eski CUDA ortamlarında kullanılmaya devam etmektedir. Günümüzdeki temel sınırlaması, daha yeni modellere kıyasla daha fazla parametreye sahip olmasıdır. Performans tablosunda gösterildiği gibi, en üst düzey doğruluğa ulaşmak için eşdeğer modern mimarilere göre önemli ölçüde daha fazla GPU belleği gerektiren ağır YOLOv7x modeli kullanılır.
YOLOv7 hakkında daha fazla bilgi edin
Ultralytics Avantajı: Kolaylaştırılmış Dağıtım#
YOLOv9 ve YOLOv7 için özgün araştırma depoları mükemmel akademik temeller sunsa da bu modelleri üretim ortamlarında dağıtmak karmaşık olabilir. Bunları ultralytics paketi üzerinden entegre etmek benzersiz bir Kullanım Kolaylığı sunar.
Entegre Ultralytics Platformu kullanıldığında geliştiriciler, sezgisel bir Python API'si, aktif topluluk desteği ve güçlü deney takibi içeren, bakımı iyi yapılan bir ekosistemden yararlanır.
YOLO26 ile Geleceğe Hazır Olmak#
Yeni bir bilgisayarlı görü projesine başlıyorsan hem YOLOv9 hem de YOLOv7 yerine yeni yayımlanan YOLO26 modelini incelemeni önemle tavsiye ederiz. Yeni ve son teknoloji standardı olarak yayımlanan YOLO26, çığır açan yenilikler sunar:
- Uçtan Uca NMS'siz Tasarım: Maksimum Olmayan Bastırma son işleme adımını ortadan kaldırarak dağıtım karmaşıklığını ve gecikmeyi önemli ölçüde azaltır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim ortamları için optimize edilmiştir ve özel GPU'lar olmasa bile uygulamanın sorunsuz çalışmasını sağlar.
- MuSGD Optimize Edicisi: LLM eğitiminden esinlenen hibrit bir optimize edici olarak son derece kararlı yakınsama sağlar ve eğitim süresini azaltır.
- DFL'nin Kaldırılması: Dağılımsal Odak Kayıbı'nın kaldırılmasıyla model dışa aktarımını basitleştirir ve düşük güç tüketimli mobil cihazlarla uyumluluğu artırır.
- ProgLoss + STAL: Küçük nesne algılamadaki performansı büyük ölçüde artırır ve onu hava görüntüleri ile gözetim için en iyi seçenek haline getirir.
Ekosistemdeki diğer popüler alternatifler arasında, örnek bölütleme ve poz tahmini gibi görevlerde geniş kapsamlı esneklik sunan Ultralytics YOLOv8 ve YOLO11 bulunur.
Uygulama Örneği#
Bu mimarilerden herhangi birini eğitmek ve dışa aktarmak, birleşik API ile son derece basittir. Aşağıdaki kod, Ultralytics araçlarının ayırt edici özelliği olan kolaylaştırılmış Eğitim Verimliliğini gösterir.
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")Tüketici sınıfı donanımda eğitim yaparken bellek verimliliği kritik önem taşır. YOLOv9 ve YOLO26'nın Ultralytics uygulamaları, eğitim sırasında ciddi bellek şişmesi yaşayan Transformer tabanlı modellerin (örneğin RT-DETR) aksine VRAM artışlarını azaltmak üzere yoğun biçimde optimize edilmiştir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
Bu mimariler arasında seçim yapmak çoğu zaman üretim ortamının özel kısıtlarına bağlıdır.
YOLOv9 ne zaman kullanılmalı: YOLOv9, en küçük ayrıntıların korunmasının gerekli olduğu ortamlarda başarılıdır. Güçlü özellik çıkarma yeteneği, raflarda yoğun biçimde dizilmiş ürünleri saymaya yönelik perakende analitiği veya küçük yapraklarda erken dönem bitki hastalıklarını belirlemenin kritik olduğu tarımsal uygulamalar için onu ideal hale getirir.
YOLOv7 ne zaman kullanılmalı: YOLOv7, eski dağıtım işlem hatları için güçlü bir aday olmaya devam eder. Daha eski donanım sistemlerine (örneğin Google Coral Edge TPU'nun belirli nesillerine) entegre ediyorsan YOLOv7'nin basit CNN mimarisini derlemek, daha yeni modellerin karmaşık gradyan dallarını derlemekten daha kolay olabilir.
YOLO26 ne zaman kullanılmalı (Önerilen): Otonom dronlardan akıllı şehirlerdeki trafik yönetimine kadar her türlü modern dağıtım için YOLO26 üstün bir seçimdir. NMS'siz mimarisi, güvenlik açısından kritik robotik uygulamalar için zorunlu olan deterministik çıkarım sürelerini garanti ederken yüksek kesinliği genel olarak hem YOLOv9'u hem de YOLOv7'yi geride bırakır.