YOLOv9 - YOLOv8 Karşılaştırması: Nesne Algılama için Teknik Bir İnceleme

Optimal nesne algılama modelini seçmek, mimari yeniliği pratik dağıtım ihtiyaçlarıyla dengelemeyi içerir. Bu teknik karşılaştırma, yeni gradyan bilgi teknikleri sunan araştırma odaklı bir model olan YOLOv9 ve çok yönlülük ve hız için tasarlanmış üretime hazır bir çerçeve olan Ultralytics YOLOv8'i analiz etmektedir. COCO veri kümesi üzerindeki mimarilerini, performans metriklerini ve ideal kullanım durumlarını inceleyerek bilgisayar görüşü hattınıza hangi modelin uygun olduğuna karar vermenize yardımcı oluyoruz.

YOLOv9: Yeni Mimari ile Bilgi Kaybını Giderme

2024'ün başlarında piyasaya sürülen YOLOv9, derin sinir ağlarındaki bilgi kaybı sorununu hedeflemektedir. Ağlar derinleştikçe, temel girdi verileri son katmanlara ulaşmadan kaybolabilir ve bu da eğitim sürecini zorlaştırır.

Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
Kuruluş:Institute of Information Science, Academia Sinica, Taiwan
Tarih: 2024-02-21
Arxiv:arXiv:2402.13616
GitHub:YOLOv9 Deposu
Belgeler:Ultralytics YOLOv9 Dökümantasyonu

Temel Yenilikler: PGI ve GELAN

YOLOv9, bilgi darboğazlarıyla mücadele etmek için iki temel mimari gelişme sunar:

Programlanabilir Gradyan Bilgisi (PGI): Ağ ağırlıklarını güncellemek için güvenilir gradyanlar üreten, temel girdi korelasyonlarının katmanlar boyunca korunmasını sağlayan yardımcı bir denetim çerçevesi. Bu, özellikle çok derin modelleri eğitmek için etkilidir.
Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN): Parametre verimliliğine ve hesaplama hızına (FLOP'lar) öncelik veren hafif bir ağ mimarisi. GELAN, YOLOv9'un saygın bir çıkarım hızıyla yüksek doğruluk elde etmesini sağlar.

Güçlü Yönler ve Sınırlamalar

YOLOv9, akademik kıyaslamalarda mükemmeldir, YOLOv9-E varyantı üst düzey başarı elde ediyor mAP skorları. Algılama doğruluğunun sınırlarını zorlamayı amaçlayan araştırmacılar için mükemmel bir seçimdir. Ancak, araştırmaya derinden kök salmış bir model olarak, daha olgun ekosistemlerde bulunan geniş çoklu görev desteğinden yoksundur. Birincil uygulaması sınırlayıcı kutu algılamaya odaklanır ve eğitim iş akışları, modern endüstriyel çözümlere kıyasla daha fazla kaynak yoğun olabilir.

YOLOv9 hakkında daha fazla bilgi edinin

Ultralytics YOLOv8: Üretim Yapay Zekası Standardı

Ultralytics YOLOv8, Yapay Görme Alanına bütünsel bir yaklaşımı temsil eder. YOLOv8, yalnızca tek bir metriğe odaklanmak yerine, en iyi kullanıcı deneyimini, dağıtım çok yönlülüğünü ve performans dengesini sunmak üzere tasarlanmıştır. Kapsamlı Ultralytics ekosisteminin bir parçasıdır ve her beceri düzeyinden geliştirici için sağlam ve kullanımı kolay kalmasını sağlar.

Yazarlar: Glenn Jocher, Ayush Chaurasia, Jing Qiu
Kuruluş:Ultralytics
Tarih: 2023-01-10
GitHub:Ultralytics Deposu
Belgeler:Ultralytics YOLOv8 Dökümantasyonu

Mimari ve Ekosistem Avantajları

YOLOv8, anchor-free bir algılama başlığı ve hafif bir ayak izini korurken gradyan akışını iyileştiren bir C2f (2 evrişimli Çapraz Aşamalı Kısmi darboğaz) backbone'u kullanır. Mimarisinin ötesinde, gücü entegrasyonunda yatar:

Kullanım Kolaylığı: Birleşik bir Python API ve komut satırı arayüzü (CLI) ile bir modeli eğitmek ve dağıtmak yalnızca birkaç satır kod alır.
Çok Yönlülük: Genellikle algılama ile sınırlı olan rakiplerin aksine, YOLOv8 yerel olarak Örnek Segmentasyon, Poz Tahmini, Yönlendirilmiş Sınırlayıcı Kutular (OBB) ve Görüntü Sınıflandırmayı destekler.
Performans Dengesi: NVIDIA Jetson veya Raspberry Pi gibi uç cihazlarda gerçek zamanlı çıkarım için uygun hale getiren, gecikme ve doğruluk arasında olağanüstü bir denge sunar.
Bellek Verimliliği: YOLOv8, transformatör tabanlı mimarilere kıyasla eğitim sırasında genellikle daha az CUDA belleği gerektirir ve donanım için giriş engelini düşürür.

Entegre İş Akışları

Ultralytics modelleri, görselleştirme için TensorBoard ve deney takibi için MLflow gibi araçlarla sorunsuz bir şekilde entegre olarak MLOps yaşam döngüsünü kolaylaştırır.

YOLOv8 hakkında daha fazla bilgi edinin

Performans Analizi: Hız, Doğruluk ve Verimlilik

Modeller arasındaki seçim genellikle hız ve saf doğrulukla ilgili belirli proje gereksinimlerine bağlıdır. Aşağıdaki tablo, COCO doğrulama kümesindeki standart varyantları karşılaştırmaktadır.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

Temel Çıkarımlar

Üst Düzey Doğruluk: YOLOv9e modeli, %55,6'lık dikkat çekici bir mAP değerine ulaşarak şunu geride bırakıyor: YOLOv8x. Uygulamanız en zor nesneleri algılamayı gerektiriyorsa ve gecikme ikinci planda ise, YOLOv9e güçlü bir rakiptir.
Gerçek Zamanlı Hız: Hıza bağımlı uygulamalar için, YOLOv8n ve YOLOv8s üstün performans gösterir. YOLOv8n özellikle şu alanlar için etkilidir: mobil dağıtım, hem CPU hem de GPU'da inanılmaz derecede hızlı olan hafif bir çözüm sunar.
Dağıtım Hazırlığı: Tablo, GPU olmayan ortamlar için kritik bir metrik olan YOLOv8'in CPU ONNX hızlarını vurgulamaktadır. Bu veri şeffaflığı, YOLOv8'in geniş dağıtım senaryoları için tasarımını yansıtırken, YOLOv9 genellikle araştırma bağlamlarında V100 veya T4 gibi üst düzey GPU'larda öncelikle karşılaştırılır.

Eğitim ve Kullanılabilirlik

En önemli farklardan biri, geliştirici deneyiminde yatmaktadır. Ultralytics, "her şey dahil" bir yaklaşıma öncelik verir.

Ultralytics ile Basitlik

Bir YOLOv8 modelini eğitmek minimum kurulum gerektirir. Kitaplık, veri artırmayı, hiperparametre ayarlamayı ve önceden eğitilmiş ağırlıkların indirilmesini otomatik olarak işler.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

Araştırma Karmaşıklığı

YOLOv9, daha kolay erişim için Ultralytics kod tabanına entegre edilmiş olsa da, orijinal araştırma depoları genellikle karmaşık ortam yapılandırmaları ve manuel hiperparametre yönetimi gerektirir. Ultralytics'in İyi Yönetilen Ekosistemi, YOLOv8 veya taşınan YOLOv9'u kullanmanız fark etmeksizin, kararlı CI/CD işlem hatlarından, kapsamlı belgelerden ve Discord aracılığıyla topluluk desteğinden yararlanmanızı sağlar.

İdeal Kullanım Senaryoları

Şu durumlarda YOLOv9'u seçin:

Maksimum Doğruluk Kritik Öneme Sahiptir: Her bir mAP yüzdesinin önemli olduğu tıbbi görüntü analizi (örneğin, tümör tespiti) gibi projeler.
Akademik Araştırma: PGI gibi yeni mimarileri araştırıyor veya sinir ağı verimliliği üzerine karşılaştırmalı çalışmalar yürütüyorsunuz.
Yüksek İşlem Ortamları: Dağıtım hedefleri, daha yüksek FLOP'ların kabul edilebilir olduğu güçlü sunuculardır (örneğin, NVIDIA A100).

Aşağıdaki durumlarda Ultralytics YOLOv8'i seçin:

Çeşitli Görevler Gerekli: Tek bir proje yapısı içinde nesne izleme, segment veya poz tahmini gerçekleştirmeniz gerekiyor.
Uç Nokta Dağıtımı: Bellek ve CPU döngülerinin kıt olduğu akıllı kameralar veya dronlar gibi kısıtlı donanımlarda çalışan uygulamalar.
Hızlı Geliştirme: ONNX, TensorRT veya OpenVINO gibi dışa aktarma formatlarını kullanarak konseptten üretime hızla geçmesi gereken startup'lar ve kurumsal ekipler.
Kararlılık ve Destek: Sorunları verimli bir şekilde gidermek için sık güncellemeler ve geniş bir topluluk tarafından desteklenen bir modele ihtiyacınız var.

Sonuç

YOLOv9 etkileyici teorik gelişmeler sunar ve yüksek algılama doğruluğu elde ederken, Ultralytics YOLOv8 gerçek dünya uygulamalarının büyük çoğunluğu için daha pratik bir seçim olmaya devam ediyor. Hız, doğruluk ve çok yönlülük dengesi, kullanıcı dostu bir API ve verimli eğitim süreci ile birleştiğinde, onu geliştiriciler için başvurulacak çözüm haline getiriyor.

Ultralytics serisindeki en son teknolojiyi arayanlar için, en son performansı sunmak üzere bu özellikleri daha da geliştiren YOLO11'i keşfetmeyi düşünebilirsiniz. Ancak, burada bahsedilen iki model arasında YOLOv8, veriden dağıtıma giden yolu hızlandıran, kusursuz ve üretime hazır bir deneyim sunar.

Diğer Modelleri İnceleyin

Başka mimarilerle ilgileniyorsanız, Ultralytics dokümanları diğer birçok model için karşılaştırmalar sunmaktadır:

RT-DETR: Yüksek doğruluk sunan ancak farklı kaynak talepleri olan transformer tabanlı bir detectör.
YOLOv5: Aşırı kararlılığı ve geniş kabulü ile bilinen efsanevi selef.
YOLO11: Ultralytics'in en son yinelemesi, verimliliği daha da ileriye taşıyor.