Link to this sectionYOLOv9 ile YOLOX karşılaştırması#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerinde hızlı bir evrime tanıklık etti. Bu kılavuz, mimari yeniliklerini, performans metriklerini ve eğitim metodolojilerini analiz ederek YOLOv9 ile YOLOX arasında kapsamlı bir karşılaştırma sunar. İster üretimde yapay zeka için akıllı uygulamalar geliştiriyor ol, ister tahminleyici modelleme keşfediyor ol, bu modelleri anlamak bir sonraki dağıtımın için bilinçli kararlar almana yardımcı olacaktır.

Link to this sectionMimari Yenilikler#

Link to this sectionYOLOv9: 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 sürecinde kritik özellik verilerini koruyan YOLOv9, geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğru kalmasını sağlar. Bu mimari, özellik çıkarımı konusunda mükemmeldir ve bu da onu hava görüntüleri ve ayrıntılı tıbbi taramalar gibi karmaşık ortamlardaki küçük nesneleri algılamada oldukça yetenekli kılar.

YOLOv9 hakkında daha fazla bilgi edin

Link to this sectionYOLOX: 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 zamanı için çığır açıcı olup mükemmel ortalama hassasiyet (mAP) değerlerine ulaşsa ve çapa kutusu hiperparametre ayarını ortadan kaldırsa da, temel mimarisi o zamandan beri parametre sayısı ile özellik koruma arasında daha iyi bir denge kuran modern ağlar tarafından geride bırakıldı.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionPerformans Analizi#

Bu modelleri MS COCO karşılaştırmasında kıyasladığında, YOLOv9'daki ilerlemeler belirginleşir. YOLOv9, doğruluk ve FLOPs arasında tutarlı bir şekilde daha iyi bir denge sağlar.

YOLOX, uç durumlar için YOLOX-Nano gibi hafif varyantlar sunsa da, YOLOv9 varyantları saf doğruluk konusunda benzer boyuttaki YOLOX modellerinden sürekli olarak daha iyi performans gösterir. Örneğin YOLOv9m, parametre sayısının yarısından azına sahip olmasına rağmen (20.0M'ye karşı 54.2M) YOLOXl'in %49.7'lik mAP değerine kıyasla %51.4 mAP elde eder.

Link to this sectionUltralytics Avantajı#

Bir model seçmek sadece mimari teoriden ibaret değildir; onu çevreleyen ekosistem geliştirme hızını ve dağıtım başarısını belirler. YOLOv9'u Ultralytics ekosistemi içinde kullanmak, benzersiz bir kullanım kolaylığı ve güçlü bir topluluk desteği sağlar.

Eski orijinal araştırma depolarının aksine, Ultralytics çerçevesi karmaşık iş akışlarını basitleştiren birleşik bir Python API'si sunar. Eğitim, birçok alternatife göre çok daha düşük GPU belleği gerektirerek 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 algılama, örnek bölümleme ve poz tahmini dahil olmak üzere birden fazla görev için yerleşik destek sayesinde, tüm kod tabanını değiştirmeden bilgisayarlı görü çözümlerini hızla değiştirebilirsin.

Link to this sectionGerçek Dünya Uygulamaları#

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

Link to this sectionYüksek Hızlı Perakende Analitiği#

Gerçek zamanlı ürün tanıma gerektiren modern perakende ortamları için YOLOv9 öne çıkar. Karmaşık özellik ayrıntılarını koruma yeteneği, onu kalabalık bir rafta görsel olarak benzer ürünleri ayırt etmenin gerekli olduğu perakendede yapay zeka dağıtımları için mükemmel bir seçenek haline getirir.

Link to this sectionEski Uç Dağıtımlar#

Sıkı donanım sınırlamaları veya daha yeni toplama bloklarıyla zorlanan özel NPU'lar tarafından yönetilen senaryolarda, YOLOX-Nano bazen kendine bir niş bulabilir. Saf, sadeleştirilmiş evrişim kalıpları, son derece kaynak kısıtlı mikrodenetleyiciler için bazen tercih edilir.

Link to this sectionOtonom Robotik#

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

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionNe 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.

Link to this sectionNe 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.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGelecek: YOLO26 ile Tanış#

YOLOv9 etkileyici bir kilometre taşını temsil etse de, üretim ortamlarının talepleri sürekli sınırları zorluyor. Yeni piyasaya sürülen YOLO26, modern görü yapay zekası için kesin standardı temsil ediyor.

YOLO26, yerel bir Uçtan Uca NMS'siz Tasarım ile dağıtım hattını tamamen canlandırıyor. İşlem sonrası sırasında karmaşık NMS (Non-Maximum Suppression) ihtiyacını ortadan kaldırarak, önemli ölçüde daha düşük çıkarım gecikmesi sunuyor.

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 içindeki güçlü alternatifler olarak YOLO11 ve RT-DETR modellerine de göz atmalarını öneririz. En son modellerin Ultralytics Platformu üzerindeki benzersiz performansından yararlanarak projenin geleceğe hazır olduğundan emin ol.