Başla

YOLOv9 ve YOLOX

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerinde hızlı bir gelişim kaydetti. Bu kılavuz, YOLOv9 ve YOLOX modellerini inceleyerek mimari yeniliklerini, performans ölçütlerini ve eğitim yöntemlerini karşılaştırıyor. İster üretimde yapay zekâ için akıllı uygulamalar geliştiriyor ister öngörücü modellemeyi araştırıyor ol, bu modelleri anlamak sonraki dağıtımın için bilinçli kararlar vermene yardımcı olur.

Mimari Yenilikler#

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9, derin sinir ağlarının doğasında bulunan bilgi darboğazı sorununu ele alır. Temel yenilikleri arasında Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) bulunur.

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

İleri besleme sürecinde kritik özellik verilerini koruyarak YOLOv9, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğruluğunu korumaya yardımcı olur. Bu mimari özellik çıkarma konusunda başarılıdır; bu da onu havadan çekilmiş görüntüler ve ayrıntılı tıbbi taramalar gibi karmaşık ortamlardaki küçük nesneleri algılamada etkili kılar.

YOLOv9 hakkında daha fazla bilgi edin

YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#

2021'in ortalarında yayımlanan YOLOX, YOLO serisini bağlantı noktası içermeyen bir tasarıma yöneltti. Sınıflandırma ve konumlandırma görevlerini birbirinden ayıran ayrık bir başlık sundu ve eğitim yakınsamasını iyileştirmek için SimOTA etiket atama stratejisini kullandı.

YOLOX, zamanında etkili bir modeldi; yüksek ortalama kesinlik ortalaması (mAP) elde etti ve çapa kutusu hiperparametre ayarlama ihtiyacını ortadan kaldırdı. Ancak temel mimarisi, parametre sayısı ile özellik koruma arasında daha iyi denge kuran modern ağların gerisinde kaldı.

YOLOX hakkında daha fazla bilgi edin

Bağlantı Noktasız Evrim

Hem YOLOX hem de daha yeni Ultralytics modelleri bağlantı noktası içermeyen tasarımları benimser; böylece hiperparametre ayarlama karmaşıklığı azalır ve farklı veri kümeleri arasında genelleme iyileşir.

Performans Analizi#

Bu modelleri MS COCO kıyaslama testinde karşılaştırdığında YOLOv9'daki ilerlemeler açıkça görülür. YOLOv9, doğruluk ile FLOPs arasında sürekli olarak daha iyi bir denge sağlar.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOX, zorlu uç senaryolar için YOLOX-Nano gibi hafif seçenekler sunsa da YOLOv9 modelleri, benzer boyuttaki YOLOX modellerini saf doğruluk açısından sürekli olarak geride bırakır. Örneğin YOLOv9m, parametre sayısı yarıdan az olmasına rağmen (20,1M'ye karşı 54,2M) YOLOXl'nin %49,7'lik değerine kıyasla %51,4 mAP elde eder.

Ultralytics Avantajı#

Model seçmek yalnızca mimari kuramıyla ilgili değildir; modeli çevreleyen ekosistem geliştirme hızını ve dağıtım başarısını belirler. YOLOv9'u Ultralytics ekosisteminde kullanmak kullanım kolaylığı ve güçlü topluluk desteği sağlar.

Ultralytics çerçevesi, eski özgün araştırma depolarından farklı olarak karmaşık işlem hatlarını basitleştiren birleşik bir Python API sunar. Eğitim genellikle birçok alternatife kıyasla daha az GPU belleği gerektirir ve eğitim verimliliğini artırır.

from ultralytics import YOLO

# YOLOv9c modelini başlat
model = YOLO("yolov9c.pt")

# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Modelin performansını doğrula
metrics = model.val()

# Optimize edilmiş modeli TensorRT biçiminde dışa aktar
model.export(format="engine")

Nesne algılama, örnek segmentasyonu ve poz tahmini dahil birden fazla görev için yerleşik destek sayesinde tüm kod tabanını değiştirmeden görü görevleri arasında geçiş yapabilirsin.

Kolay Dışa Aktarma

Uç cihazlara dağıtım mı yapıyorsun? Ultralytics, eğitilmiş modellerini ONNX, TensorRT ve OpenVINO gibi optimize edilmiş biçimlere tek komutla kolayca aktarmanı sağlar.

Gerçek Dünya Uygulamaları#

Bu modellerin kendilerine özgü güçlü yönleri, onları farklı gerçek dünya uygulamalarına uygun hâle getirir:

Yüksek Hızlı Perakende Analitiği#

Gerçek zamanlı ürün tanıma gerektiren modern perakende ortamlarında YOLOv9 öne çıkar. Karmaşık özellik ayrıntılarını koruma becerisi, kalabalık bir rafta görsel olarak benzer ürünleri ayırt etmenin gerektiği perakendede yapay zekâ dağıtımları için modeli uygun hâle getirir.

Eski Uç Dağıtımları#

Katı donanım kısıtlarının veya yeni birleştirme bloklarında zorlanan özel NPU'ların bulunduğu senaryolarda YOLOX-Nano zaman zaman kendine özgü bir kullanım alanı bulabilir. Son derece kısıtlı kaynaklara sahip mikrodenetleyicilerde basit evrişim kalıpları kimi zaman tercih edilir.

Otonom Robotik#

Robotik navigasyonda küçük nesnelerin gözden kaçması yıkıcı sonuçlar doğurabilir. YOLOv9 içindeki GELAN mimarisi, küçük ve uzaktaki engellere ait özelliklerin ağın derin katmanlarında kaybolmasını önlemeye yardımcı olur; bu, otomotivde yapay zekâ uygulamaları gibi güvenliğin kritik olduğu ortamlarda önemlidir.

Kullanım Alanları ve Öneriler#

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

YOLOv9'u Ne Zaman Seçmeli?#

YOLOv9 şu durumlarda güçlü bir seçenektir:

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

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayan Bastırma (NMS) son işlemesinin karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

Gelecek: YOLO26 ile Tanış#

YOLOv9 önemli bir kilometre taşıdır ancak üretim gereksinimleri gelişmeye devam ediyor. Ocak 2026'da yayımlanan YOLO26, şu anda önerilen Ultralytics modelidir.

YOLO26, isteğe bağlı Uçtan Uca NMS'siz Tasarımı ile dağıtım işlem hattını basitleştirir. nms=False ile NMS son işlemesini ortadan kaldırarak daha düşük çıkarım gecikmesi sağlar.

YOLO26 ayrıca SGD ile Muon'u birleştiren MuSGD Optimize Ediciyi içerir; bu yöntem, kararlı ve hızlı yakınsama sağlamak için büyük dil modeli eğitimindeki yeniliklerden yararlanır. DFL'nin kaldırılması ve NMS'siz çıkarım sayesinde YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunarak uç cihazlar ve kurumsal dağıtımlar için güçlü bir seçenek hâline gelir. ProgLoss ve STAL (Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması) ile küçük nesne algılama iyileştirilir; böylece YOLO26 yeni projelerde hem YOLOX'in hem de YOLOv9'un yerini alır.

Modern mimarileri araştıran mühendisler için YOLO11 ve RT-DETR, Ultralytics ekosistemindeki diğer güçlü seçeneklerdir; ayrıca Ultralytics Platform, en yeni modelleri tek bir yerde eğitip dağıtmana olanak tanır.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.