YOLOv9 ve YOLOv7#
Gerçek zamanlı nesne tespiti alanındaki gelişim, hesaplama verimliliği ile yüksek doğruluğu dengeleme arayışıyla ilerlemiştir. Bu yolculuktaki iki önemli mimari, her ikisi de Tayvan'daki Academia Sinica Bilgi Bilimi Enstitüsü araştırmacıları tarafından geliştirilen YOLOv9 ve YOLOv7'dir. YOLOv7, eğitilebilir ücretsiz avantajlar çantasıyla çığır açarken daha yeni YOLOv9, derin öğrenmedeki bilgi darboğazlarını doğrudan ele alır.
Bu kapsamlı teknik karşılaştırma, her iki model için mimari farklılıkları, performans metriklerini ve ideal dağıtım senaryolarını inceler; ML 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 tabloda standart COCO veri kümesi kıyaslamaları için ortalama Ortalama Hassasiyet (mAP) ve hesaplama gereksinimleri ayrıntılı olarak verilmiştir.
| 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 | 7.2 | 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, çok daha az parametre (25.5M'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 mimarilerde Performans Dengesi iyileştirmelerini ortaya koyar.
YOLOv9: Bilgi Darboğazını Çözme#
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: Academia Sinica Bilgi Bilimi Enstitüsü
- Tarih: 21 Şubat 2024
- Kaynaklar: arXiv Makalesi | GitHub Deposu
Mimari Yenilikler#
YOLOv9, Genelleştirilmiş Verimli Katman Birleştirme Ağı'nı (GELAN) ve Programlanabilir Gradyan Bilgisi'ni (PGI) sunar. GELAN, parametre verimliliğini ve hesaplama maliyetini optimize etmek için CSPNet ile ELAN'ın güçlü yönlerini birleştirerek daha az parametreyle yüksek hassasiyet sağlar. PGI ise derin ağlarda veri kaybını önlemek ve eğitim sırasında ağırlıkları güncellemek için güvenilir gradyanlar üretmek üzere tasarlanmış yardımcı bir denetim çerçevesidir.
Güçlü Yönler ve Sınırlamalar#
YOLOv9'un başlıca güçlü yönü, yüksek özellik sadakati gerektiren tıbbi görüntü analizi gibi görevlerde gereken ince özellikleri büyük hesaplama yükü oluşturmadan çıkarabilmesidir. Ancak eğitim sırasındaki karmaşık PGI yapısı, yeni başlayanlar için özel mimari değişiklikler yapmayı daha birleşik çerçevelere kıyasla zorlaştırabilir.
YOLOv9 hakkında daha fazla bilgi edin
YOLOv7: Ücretsiz Avantajlar Çantasının Öncüsü#
2022'de yayımlanan YOLOv7, tüketici donanımlarında mümkün olanlar için yeni bir ölçüt belirledi ve gerçek zamanlı çıkarım hızlarını önemli ölçüde artıran yapısal yenilikler sundu.
- 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 yüksek düzeyde optimize edilmiştir ve eski sistemlerde ve eski CUDA ortamlarında temel bir model olmayı sürdürür. Günümüzdeki başlıca sınırlaması, yeni modellere kıyasla daha fazla parametre içermesidir. Performans tablosunda gösterildiği gibi üst düzey doğruluğa ulaşmak, eşdeğer modern mimarilerden çok 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 akademik açıdan mükemmel temeller sunsa da bu modelleri üretim ortamlarında dağıtmak karmaşık olabilir. YOLOv9'u ultralytics paketi üzerinden entegre etmek (YOLOv7 yalnızca dışa aktarılmış ONNX veya TensorRT modelleriyle desteklenir) benzersiz bir Kullanım Kolaylığı sunar.
Entegre Ultralytics Platform üzerinden geliştiriciler, sezgisel bir Python API'si, aktif topluluk desteği ve güçlü deney takibi sunan bakımlı bir ekosistemden yararlanır.
YOLO26 ile Geleceğe Hazırlık#
Yeni bir bilgisayarlı görü projesine başlıyorsan hem YOLOv9 hem de YOLOv7 yerine yeni yayımlanan YOLO26 modelini incelemeni önemle tavsiye ederiz. Yeni ve en gelişmiş standart olarak yayımlanan YOLO26, çığır açan yenilikler sunar:
- Uçtan Uca, NMS Gerektirmeyen Tasarım: İsteğe bağlı bire bir başlık (
nms=False), Maksimum Olmayan Bastırma işlem sonrası adımını atlayarak dağıtım karmaşıklığını ve gecikmeyi önemli ölçüde azaltır. - %43'e Varan Daha Hızlı CPU Çıkarımı: Uç bilişim ortamları için optimize edilmiştir ve özel GPU'lar olmadan bile uygulamanın sorunsuz çalışmasını sağlar.
- MuSGD Optimizer: LLM eğitiminden ilham alan bu hibrit optimizer, son derece kararlı yakınsama sağlar ve eğitim süresini kısaltır.
- DFL Removal: Distribution Focal Loss'u kaldırarak model dışa aktarımını basitleştirir ve düşük güçlü mobil cihazlarla uyumluluğu artırır.
- ProgLoss + STAL: Küçük nesne algılama performansını önemli ölçüde artırarak hava görüntüleri ve gözetim için en iyi seçenek hâline gelir.
Ekosistemdeki diğer popüler alternatifler arasında, örnek segmentasyonu ve poz tahmini gibi görevlerde büyük çok yönlülük sunan Ultralytics YOLOv8 ve YOLO11 yer alır.
Uygulama Örneği#
Birleşik API ile YOLOv9 veya YOLO26'yı eğitmek ve dışa aktarmak son derece kolaydır. Aşağıdaki kod, Ultralytics araçlarının yalın Eğitim Verimliliği özelliğini gösterir.
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 sık sık ciddi bellek şişmesi yaşayan Transformer tabanlı modellerin (RT-DETR gibi) aksine VRAM sıçramalarını azaltmak için büyük ölçüde optimize edilmiştir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
Bu mimariler arasında seçim yapmak çoğunlukla üretim ortamının kendine özgü kısıtlarına bağlıdır.
YOLOv9'u ne zaman kullanmalı: YOLOv9, en ince ayrıntıların korunmasının gerektiği ortamlarda öne çıkar. Güçlü özellik çıkarımı sayesinde raflardaki sıkışık ürünleri saymak için perakende analitiğinde veya küçük yapraklarda erken evre ürün hastalıklarını belirlemenin kritik olduğu tarımsal uygulamalarda idealdir.
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'yı ne zaman kullanmalı (Önerilen): Otonom dronlardan akıllı şehirlerdeki trafik yönetimine kadar tüm modern dağıtımlarda YOLO26 üstün seçenektir. NMS içermeyen mimarisi, güvenlik açısından kritik robotik uygulamalar için temel öneme sahip deterministik çıkarım sürelerini garanti ederken yüksek hassasiyetiyle YOLOv9 ve YOLOv7'yi her açıdan geride bırakır.