Link to this sectionYOLOv9 ve YOLOv7#

Gerçek zamanlı nesne algılamanın evrimi, hesaplama verimliliği ile yüksek doğruluk arasında denge kurma arayışıyla ilerlemiştir. Bu yolculuktaki iki dönüm noktası niteliğindeki mimari, her ikisi de Tayvan'daki Academia Sinica Bilgi Bilimleri Enstitüsü'ndeki araştırmacılar tarafından geliştirilen YOLOv9 ve YOLOv7'dir. YOLOv7 devrim niteliğinde eğitilebilir "bag-of-freebies" tekniklerini tanıtırken, daha yeni olan YOLOv9 derin öğrenmedeki bilgi darboğazlarını doğrudan ele alır.

Bu kapsamlı teknik karşılaştırma, her iki modelin mimari farklılıklarını, performans metriklerini ve ideal dağıtım senaryolarını inceleyerek, makine öğrenmesi mühendislerinin ve araştırmacıların bilgisayarlı görü projeleri için doğru aracı seçmelerine yardımcı olur.

Link to this sectionPerformans 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.

Link to this sectionYOLOv9: Bilgi Darboğazını Çözmek#

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

Link to this sectionMimari 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.

Link to this sectionGüçlü ve Zayıf Yönler#

YOLOv9'un temel gücü, çok büyük bir hesaplama yükü olmadan ince özellikleri çıkarabilme yeteneğidir; bu da onu tıbbi görüntü analizi gibi yüksek özellik sadakati gerektiren görevler için inanılmaz derecede yetenekli kılar. Ancak, eğitim sırasındaki karmaşık PGI yapısı, daha birleşik çerçevelere kıyasla yeni başlayanlar için özel mimari değişiklikleri yapmayı daha zorlu hale getirebilir.

YOLOv9 hakkında daha fazla bilgi edin

Link to this sectionYOLOv7: Bag-of-Freebies'in Öncüsü#

2022'de yayınlanan YOLOv7, gerçek zamanlı çıkarım hızlarını önemli ölçüde artıran yapısal yenilikler sunarak, tüketici donanımlarında nelerin mümkün olduğuna dair yeni bir standart 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

Link to this sectionMimari 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.

Link to this sectionGüçlü ve Zayıf Yönler#

YOLOv7, gerçek zamanlı uç (edge) işleme için yüksek düzeyde optimize edilmiştir ve eski sistemlerde ve eski CUDA ortamlarında bir temel olmaya devam etmektedir. Bugün temel sınırlaması, daha yeni modellere kıyasla daha büyük parametre boyutudur. Performans tablosunda gösterildiği gibi, üst düzey doğruluğa ulaşmak, eşdeğer modern mimarilerden önemli ölçüde daha fazla GPU belleği talep eden ağır YOLOv7x modelini gerektirir.

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionUltralytics Avantajı: Kolaylaştırılmış Dağıtım#

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

Entegre Ultralytics Platformunu kullanarak, geliştiriciler sezgisel bir Python API'si, aktif topluluk desteği ve güçlü deney takibi özelliklerine sahip, bakımı iyi yapılmış bir ekosistemden yararlanırlar.

Link to this sectionYOLO26 ile Geleceği Güvence Altına Almak#

Yeni bir bilgisayarlı görü projesine başlıyorsan, hem YOLOv9 hem de YOLOv7 yerine yeni yayınlanan YOLO26'yı keşfetmeni şiddetle tavsiye ederiz. Yeni en son teknoloji standardı olarak yayınlanan YOLO26, çığır açan ilerlemeler 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: Uç bilişim ortamları için optimize edilmiştir, böylece 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 algılamada performansı büyük ölçüde artırarak onu hava görüntüleri ve gözetim için bir numaralı seçenek haline getirir.

Other popular alternatives within the ecosystem include Ultralytics YOLOv8 and YOLO11, both of which offer massive versatility across tasks like instance segmentation and pose estimation.

Link to this sectionUygulama 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")

Link to this sectionGerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#

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

YOLOv9 ne zaman kullanılır: YOLOv9, en ufak ayrıntıların korunmasının gerekli olduğu ortamlarda öne çıkar. Güçlü özellik çıkarımı, raflardaki yoğun paketlenmiş ürünleri saymak için perakende analitiği veya küçük yapraklardaki erken aşama mahsul hastalıklarını tanımlamanın kritik olduğu tarımsal uygulamalar için onu ideal kılar.

YOLOv7 ne zaman kullanılır: YOLOv7, eski dağıtım boru hatları için güçlü bir aday olmaya devam ediyor. Eğer (belirli Google Coral Edge TPU nesilleri gibi) eski donanım sistemlerine entegrasyon yapıyorsan, YOLOv7'nin anlaşılır CNN mimarisinin derlenmesi, daha yeni modellerin karmaşık gradyan dallarına göre daha kolay olabilir.

YOLO26 ne zaman kullanılır (Önerilen): Otonom dronlardan akıllı şehir trafik yönetimine kadar her türlü modern dağıtım için YOLO26 üstün tercihtir. NMS-free mimarisi, güvenlik açısından kritik robotik için gerekli olan deterministik çıkarım sürelerini garanti ederken, yüksek hassasiyeti YOLOv9 ve YOLOv7'yi genel olarak geride bırakır.