YOLOv9 ve YOLOv7
Gerçek zamanlı nesne algılama alanındaki gelişmeler, hesaplama verimliliğini yüksek doğrulukla dengelemeye yönelik sürekli çabalarla şekillendi. Bu yolculuktaki iki önemli mimari olan YOLOv9 ve YOLOv7, Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü araştırmacıları tarafından geliştirildi. YOLOv7, eğitilebilir ücretsiz avantajlar yaklaşımını sunarken daha yeni YOLOv9, derin öğrenmedeki bilgi darboğazlarını doğrudan ele alıyor.
Bu teknik karşılaştırma, her iki modelin mimari farklılıklarını, performans ölçütlerini ve ideal dağıtım senaryolarını inceleyerek makine öğrenimi mühendislerinin ve araştırmacıların bilgisayarlı görü işlem hatları için doğru aracı seçmelerine yardımcı olur.
Performans ve Metrik Karşılaştırması#
Bu modelleri karşılaştırırken ham performans ve verimlilik kritik etkenlerdir. Aşağıdaki tablo, standart COCO veri kümesi kıyaslamasındaki Ortalama Hassasiyet (mAP) ve hesaplama gereksinimlerini ayrıntılandırıyor.
| Model | boyut (piksel) | mAPval50-95 | 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv9c'nin, yaklaşık %64 daha az parametre (25,5 milyon ile 71,3 milyon) ve yaklaşık yarı yarıya FLOPs (102,8 milyar ile 189,9 milyar) kullanırken YOLOv7x ile hemen hemen aynı doğruluğa (%53,0 mAP ve %53,1 mAP) ulaştığına dikkat et. Bu, modern mimarilerin doğruluk-verimlilik dengesini ne ölçüde geliştirdiğini gösteriyor.
YOLOv9: Bilgi Darboğazını Çözme#
2024'ün başlarında tanıtılan YOLOv9, derin sinir ağlarının katmanları boyunca bilgiyi koruma biçimini değiştirdi.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 21 Şubat 2024
- Kaynaklar: arXiv Makalesi | GitHub Deposu
Mimari Yenilikler#
YOLOv9, Genelleştirilmiş Verimli Katman Toplama Ağı'nı (GELAN) ve Programlanabilir Gradyan Bilgisi'ni (PGI) sunar. GELAN, parametre verimliliğini ve hesaplama maliyetini iyileştirmek için CSPNet ile ELAN'ın güçlü yönlerini birleştirir ve daha az parametreyle yüksek doğruluk sağlar. PGI, derin ağlarda veri kaybını önlemek üzere tasarlanmış yardımcı bir denetim çerçevesidir ve eğitim sırasında ağırlıkları güncellemek için güvenilir gradyanlar üretir.
Güçlü Yönler ve Sınırlamalar#
YOLOv9'un temel gücü, ağır hesaplama yükü oluşturmadan ince ayrıntıları çıkarabilmesidir; bu da onu tıbbi görüntü analizi gibi yüksek özellik doğruluğu gerektiren görevler için uygun kılar. Ancak eğitim sırasındaki karmaşık PGI yapısı, birleşik çerçevelere kıyasla yeni başlayanların mimaride özel değişiklikler yapmasını zorlaştırabilir.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#
2022'de yayımlanan YOLOv7, gerçek zamanlı çıkarım hızlarını önemli ölçüde artıran yapısal yeniliklerle gerçek zamanlı algılamada yeni bir ölçüt belirledi.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 6 Temmuz 2022
- Kaynaklar: arXiv Makalesi | GitHub Deposu
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, planlı yeniden parametreleştirilmiş evrişimler ve dinamik etiket atama gibi "eğitilebilir ücretsiz avantajlar çantası" tekniklerini kullanır. Bu yöntemler, dağıtım sırasında çıkarım maliyetini artırmadan eğitim esnasında modelin doğruluğunu iyileştirir.
Güçlü Yönler ve Sınırlamalar#
YOLOv7, gerçek zamanlı uç işlem için son derece iyi optimize edilmiştir ve eski sistemlerde ve eski CUDA ortamlarında hâlâ yaygın olarak kullanılır. Günümüzdeki başlıca kısıtlaması, yeni modellere kıyasla daha fazla parametreye sahip olmasıdır. Performans tablosunda gösterildiği gibi en üst düzey doğruluğa ulaşmak, benzer modern mimarilerden önemli ölçüde daha fazla GPU belleği gerektiren büyük YOLOv7x modelini kullanmayı gerektirir.
YOLOv7 hakkında daha fazla bilgi edin
Ultralytics Avantajı: Kolaylaştırılmış Dağıtım#
YOLOv9 ve YOLOv7'nin özgün araştırma depoları güçlü akademik temeller sunsa da bu modelleri üretim ortamlarında dağıtmak karmaşık olabilir. YOLOv9'u ultralytics paketiyle entegre etmek (YOLOv7 yalnızca dışa aktarılmış ONNX veya TensorRT modelleriyle desteklenir) dağıtımı çok daha kolay hâle getirir.
Ultralytics Platform sayesinde geliştiriciler sezgisel bir Python API'si, aktif topluluk desteği ve güçlü deney takibi sunan, bakımı iyi yapılan bir ekosistemden yararlanır.
YOLO26 ile Geleceğe Hazırlık#
Yeni bir bilgisayarlı görü projesine başlıyorsan Ultralytics, Ocak 2026'da yayımlanan YOLO26 modelini hem YOLOv9'a hem de YOLOv7'ye tercih etmeni öneriyor. YOLO26 çeşitli yenilikler sunar:
- Uçtan Uca, NMS İçermeyen Tasarım: İsteğe bağlı bire bir başlık (
nms=False), son işleme aşamasındaki Maksimum Olmayan Bastırma (NMS) işlemini atlayarak dağıtım karmaşıklığını ve gecikmeyi azaltır. - CPU'da %43'e Varan Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; böylece özel GPU'lar olmasa bile uygulamalar uç bilişim ortamlarında sorunsuz çalışır.
- MuSGD İyileştiricisi: LLM eğitiminden esinlenen, SGD ve Muon'un birleşimi olan bu yöntem kararlı yakınsama ve daha kısa eğitim süresi sağlar.
- DFL Removal: Distribution Focal Loss'u kaldırarak model dışa aktarımını basitleştirir ve düşük güçlü mobil cihazlarla uyumluluğu artırır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), küçük nesne algılamayı iyileştirir; bu, hava görüntüleri ve gözetim uygulamalarına fayda sağlar.
Ekosistemdeki diğer popüler alternatifler arasında Ultralytics YOLOv8 ve her ikisi de örnek segmentasyonu ve poz tahmini gibi birden fazla görevi destekleyen YOLO11 yer alır.
Uygulama Örneği#
Aşağıdaki kodda gösterildiği gibi, birleşik API ile YOLOv9 veya YOLO26'yı eğitmek ve dışa aktarmak kolaydır.
from ultralytics import YOLO
# YOLOv9'u veya önerilen YOLO26 modelini başlat
model = YOLO("yolov9c.pt") # Uç cihazlarda daha hızlı performans için "yolo26n.pt" ile değiştir
# Yerleşik veri artırma özelliğiyle özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")Tüketici sınıfı donanımlarda eğitim yaparken bellek verimliliği kritik önem taşır. YOLOv9 ve YOLO26'nın Ultralytics uygulamaları, eğitim sırasında genellikle çok daha fazla bellek gerektiren Transformer tabanlı modellerin (RT-DETR gibi) aksine VRAM kullanımını azaltacak şekilde optimize edilmiştir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
Bu mimariler arasında seçim yapmak çoğunlukla üretim ortamının kendine özgü kısıtlarına bağlıdır.
YOLOv9 ne zaman kullanılmalı: YOLOv9, ince ayrıntıların korunmasının gerektiği ortamlarda öne çıkar. Güçlü özellik çıkarımı sayesinde raflardaki sıkışık ürünleri saymak için perakende analitiğinde veya küçük yapraklarda erken evre bitki hastalıklarını belirlemenin kritik olduğu tarım uygulamalarında kullanıma uygundur.
YOLOv7'yi ne zaman kullanmalı: YOLOv7, eski dağıtım işlem hatları için güçlü bir seçenek olmaya devam ediyor. Daha eski donanım sistemlerine (örneğin Google Coral Edge TPU'nun belirli nesillerine) entegre oluyorsan YOLOv7'nin yalın CNN mimarisini derlemek daha yeni modellere kıyasla daha kolay olabilir.
YOLO26 ne zaman kullanılmalı (Önerilen): Otonom dronlardan akıllı şehirlerdeki trafik yönetimine kadar tüm modern dağıtımlarda YOLO26 daha güçlü bir seçenektir. NMS içermeyen mimarisi, güvenlik açısından kritik robotik uygulamalar için önemli olan daha öngörülebilir çıkarım süreleri sunar; doğruluğu da benzer boyutlardaki hem YOLOv9'u hem de YOLOv7'yi aşar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.