YOLOv9 ile YOLOX karşılaştırması#

Bilgisayarlı görü alanı, gerçek zamanlı nesne tespiti mimarilerinde hızlı bir evrime tanık olmuştur. Bu kılavuz; YOLOv9 ile YOLOX arasında kapsamlı bir karşılaştırma sunarak bunların mimari yeniliklerini, performans metriklerini ve eğitim metodolojilerini analiz eder. Üretimde yapay zeka için akıllı uygulamalar geliştiriyor veya tahminsel modelleme üzerine çalışıyorsan, bu modelleri anlamak sonraki dağıtımın için bilinçli kararlar almana yardımcı olacaktır.

Mimari Yenilikler#

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9, derin sinir ağlarında doğal olarak bulunan bilgi darboğazı sorununu ele alarak bir paradigma değişimi getirdi. Temel yenilikleri arasında Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) yer alıyor.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 21 Şubat 2024
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

İleri besleme süreci boyunca kritik özellik verilerini koruyan YOLOv9, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğru kalmasını sağlar. Bu mimari özellik çıkarma konusunda mükemmeldir; bu da onu hava görüntülerinde ve ayrıntılı tıbbi taramalarda bulunanlar gibi karmaşık ortamlarda küçük nesneleri tespit etmede son derece yetenekli kılar.

YOLOv9 hakkında daha fazla bilgi edin

YOLOX: Araştırma ve Endüstriyi Birleştirmek#

2021'in ortalarında piyasaya sürülen YOLOX, YOLO serisini çapasız (anchor-free) bir tasarıma yöneltti. Sınıflandırma ve yerelleştirme görevlerini ayıran ayrıştırılmış bir başlık (decoupled head) tanıttı ve eğitim yakınsamasını iyileştirmek için SimOTA etiket atama stratejisini kullandı.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 18 Temmuz 2021
• Arxiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX

YOLOX kendi döneminde çığır açan bir model olup mükemmel ortalama ortalama kesinlik (mAP) elde etmiş ve çapa kutusu hiperparametre ayarını ortadan kaldırmış olsa da, temel mimarisi o zamandan beri parametre sayısı ile özellik tutma arasında daha iyi denge kuran modern ağlar tarafından geride bırakılmıştır.

YOLOX hakkında daha fazla bilgi edinin

Performans Analizi#

Bu modelleri MS COCO kıyaslaması genelinde karşılaştırırken, YOLOv9'daki gelişmeler açıkça görülmektedir. YOLOv9, doğruluk ile FLOPs arasında tutarlı bir şekilde daha iyi bir denge sağlar.

YOLOX, uç durumlar için YOLOX-Nano gibi hafif varyantlar sunarken, YOLOv9 varyantları saf doğrulukta benzer boyuttaki YOLOX modellerini sürekli olarak geride bırakır. Örneğin YOLOv9m, parametre sayısının yarısından az olmasına (20.0M'ye karşın 54.2M) rağmen YOLOXl'in %49.7'lik mAP değerine kıyasla %51.4 mAP elde eder.

Ultralytics Avantajı#

Bir model seçmek mimari teoriden çok daha fazlasını gerektirir; etrafındaki ekosistem, geliştirme hızını ve dağıtım başarısını belirler. YOLOv9'u Ultralytics ekosisteminde kullanmak, benzersiz bir kullanım kolaylığı ve güçlü topluluk desteği sağlar.

Daha eski orijinal araştırma depolarından farklı olarak Ultralytics çerçevesi, karmaşık işlem hatlarını basitleştiren birleşik bir Python API sağlar. Eğitim, birçok alternatife göre çok daha düşük GPU belleği gerektirir ve inanılmaz bir eğitim verimliliği sunar.

from ultralytics import YOLO

# Initialize the YOLOv9c model
model = YOLO("yolov9c.pt")

# Train the model on your custom dataset seamlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export the optimized model to TensorRT format
model.export(format="engine")

Nesne tespiti, örnek segmentasyonu ve poz tahmini dahil olmak üzere birden fazla görev için yerleşik destek sayesinde, tüm kod tabanını değiştirmeden bilgisayarlı görü çözümlerini hızla değiştirebilirsin.

Gerçek Dünya Uygulamaları#

Bu modellerin kendine has güçlü yönleri, onları farklı gerçek dünya uygulamaları için özelleştirir:

Yüksek Hızlı Perakende Analitiği#

Gerçek zamanlı ürün tanıma gerektiren modern perakende ortamları için YOLOv9 öne çıkar. Karmaşık özellik ayrıntılarını saklama yeteneği, kalabalık bir rafta görsel olarak benzer ürünleri birbirinden ayırmanın gerekli olduğu perakende yapay zeka dağıtımları için onu mükemmel şekilde uygun hale getirir.

Eski Uç Dağıtımlar#

Katı donanım sınırlamalarının veya daha yeni birleştirme bloklarıyla zorlanan özel NPU'ların yönettiği senaryolarda YOLOX-Nano bazen kendine bir yer bulabilir. Saf, sadeleştirilmiş evrişim kalıpları, son derece kaynak kısıtlı mikrodenetleyiciler için bazen tercih edilir.

Otonom Robotik#

Robotik navigasyonu için küçük nesneleri kaçırmak felaket olabilir. YOLOv9 içindeki GELAN mimarisi, küçük ve uzak engellerin özelliklerinin ağın derin katmanlarında kaybolmamasını sağlayarak otomotivde yapay zeka uygulamaları gibi kritik güvenlik ortamlarında eski modellerden daha iyi performans gösterir.

Kullanım Durumları ve Öneriler#

YOLOv9 ve YOLOX arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için güçlü bir seçimdir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Ne Zaman YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: YOLO26 ile Tanış#

YOLOv9 etkileyici bir kilometre taşını temsil ederken, üretim ortamlarının talepleri sürekli olarak sınırları zorlamaktadır. Yeni yayınlanan YOLO26, modern görü yapay zekası için kesin standardı temsil eder.

YOLO26, yerel bir Uçtan Uca NMS-Olmayan Tasarım ile dağıtım boru hattını tamamen yeniden canlandırır. İşlem sonrasında karmaşık Maksimum Olmayan Bastırma ihtiyacını ortadan kaldırarak, önemli ölçüde daha düşük çıkarım gecikmesi sunar.

Ayrıca YOLO26, LLM eğitimindeki yenilikleri ödünç alarak inanılmaz derecede kararlı ve hızlı yakınsama sağlayan SGD ve Muon'un bir melezi olan çığır açıcı MuSGD Optimize Edici'yi içeriyor. Dağılım Odaklı Kaybı (DFL) kaldırarak YOLO26, öncüllerine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ediyor ve bu da onu uç cihazlar ve kurumsal dağıtımlar için kesinlikle en iyi seçenek haline getiriyor. ProgLoss ve STAL aracılığıyla küçük nesne tanımadaki önemli iyileştirmelerle YOLO26, hem YOLOX'un hem de YOLOv9'un yerini etkili bir şekilde alıyor.

Modern mimarileri keşfeden mühendisler için, Ultralytics paketi içinde güçlü alternatifler olarak YOLO11 ve RT-DETR modellerini de incelemenizi öneririz. Ultralytics Platform üzerindeki en son modellerin benzersiz performansından yararlanarak projenizin geleceğe hazır olmasını sağlayın.