YOLOv9 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerinde hızlı bir gelişime tanık oldu. Bu kılavuzda YOLOv9 ile YOLOX arasında kapsamlı bir karşılaştırma sunulurken mimari yenilikler, performans ölçümleri ve eğitim metodolojileri inceleniyor. İster üretimde yapay zeka için akıllı uygulamalar geliştiriyor ister tahmine dayalı modelleme konusunu araştırıyor ol, bu modelleri anlamak bir sonraki dağıtımın için bilinçli kararlar vermene yardımcı olur.

Mimari Yenilikler#

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9, derin sinir ağlarında bulunan bilgi darboğazı sorununu ele alarak bir paradigma değişimi başlattı. Temel yenilikleri arasında Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) bulunuyor.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 21 Şubat 2024
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

YOLOv9, ileri besleme süreci sırasında kritik özellik verilerini koruyarak geri yayılım sırasında ağırlıkları güncellemek için kullanılan gradyanların doğruluğunu korumasını sağlar. Bu mimari özellik çıkarma konusunda başarılıdır ve hava görüntülerinde ve ayrıntılı tıbbi taramalarda bulunanlar gibi karmaşık ortamlardaki küçük nesneleri algılama konusunda oldukça yeteneklidir.

YOLOv9 hakkında daha fazla bilgi edin

YOLOX: Araştırma ile Endüstri Arasında Köprü Kuruyor#

2021'in ortalarında yayımlanan YOLOX, YOLO serisini anchorsuz bir tasarıma taşıdı. Sınıflandırma ve konumlandırma görevlerini ayıran ayrıştırılmış bir head sundu ve eğitim yakınsamasını iyileştirmek için SimOTA etiket atama stratejisinden yararlandı.

• 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, dönemi için çığır açıcı olsa, mükemmel ortalama kesinlik (mAP) elde etse ve anchor box hiperparametre ayarlamasını ortadan kaldırsa da temel mimarisi, parametre sayısı ile özellik koruma arasında daha iyi denge kuran modern ağlar tarafından geride bırakıldı.

YOLOX hakkında daha fazla bilgi edin

Performans Analizi#

Bu modelleri MS COCO kıyaslamasında karşılaştırdığında YOLOv9'daki ilerlemeler belirginleşiyor. YOLOv9, doğruluk ile FLOPs arasında sürekli olarak daha iyi bir denge sağlıyor.

YOLOX, aşırı uç senaryolar için YOLOX-Nano gibi hafif varyantlar sunsa da YOLOv9 varyantları, saf doğruluk açısından benzer boyuttaki YOLOX modellerinden sürekli olarak daha iyi performans gösteriyor. Örneğin YOLOv9m, parametre sayısının yarısından daha azına sahip olmasına rağmen (20.0M'e karşı 54.2M) YOLOXl'nin %49.7'sine kıyasla %51.4 mAP elde ediyor.

Ultralytics Avantajı#

Bir model seçmek yalnızca 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 topluluk desteği sağlar.

Daha eski özgün araştırma depolarının aksine Ultralytics framework'ü, karmaşık işlem hatlarını basitleştiren birleşik bir Python API'si sunar. Eğitim için birçok alternatife kıyasla çok daha az GPU belleği gerekir ve olağanüstü 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 segmentasyonu ve poz tahmini dahil olmak üzere birden fazla görev için yerleşik destek sayesinde, tüm kod tabanını değiştirmeden bilgisayarlı görü çözümlerini hızla farklı görevlere uyarlayabilirsin.

Gerçek Dünya Uygulamaları#

Bu modellerin kendine özgü güçlü yönleri, onları farklı gerçek dünya uygulamalarına uygun hale getiriyor:

Yüksek Hızlı Perakende Analitiği#

Gerçek zamanlı ürün tanıma gerektiren modern perakende ortamlarında YOLOv9 öne çıkar. Karmaşık özellik ayrıntılarını koruyabilmesi, kalabalık bir raftaki görsel olarak benzer ürünleri birbirinden ayırmanın gerekli olduğu perakendede yapay zeka dağıtımları için onu ideal hale getirir.

Eski Nesil Edge Dağıtımları#

Sıkı donanım kısıtlamalarının veya daha yeni birleştirme bloklarıyla zorlanan özel NPU'ların bulunduğu senaryolarda YOLOX-Nano zaman zaman kendine bir kullanım alanı bulabilir. Sadeleştirilmiş saf konvolüsyon kalıpları, kaynakları son derece kısıtlı mikrodenetleyiciler için bazen tercih edilir.

Otonom Robotik#

Robotik navigasyonda küçük nesnelerin gözden kaçırılması felaketle sonuçlanabilir. YOLOv9 içindeki GELAN mimarisi, küçük ve uzaktaki engellere ait özelliklerin ağın derin katmanlarında kaybolmamasını sağlar ve otomotivde yapay zeka uygulamaları gibi kritik güvenlik ortamlarında eski modellerden daha iyi performans gösterir.

Kullanım Alanları ve Öneriler#

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

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için güçlü bir seçenektir:

• Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (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 benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için önerilir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: YOLO26 Sahneye Çıkıyor#

YOLOv9 etkileyici bir dönüm noktası olsa da üretim ortamlarının gereksinimleri sınırları sürekli olarak zorluyor. Yeni yayımlanan YOLO26, modern vision AI için kesin standart niteliğindedir.

YOLO26, yerel Uçtan Uca NMS'siz Tasarım ile dağıtım işlem hattını tamamen yeniliyor. İşlem sonrası süreçte karmaşık Maksimum Olmayan Bastırma ihtiyacını ortadan kaldırarak önemli ölçüde daha düşük çıkarım gecikmesi sunuyor.

Ayrıca YOLO26, SGD ile Muon'un bir hibriti olan ve LLM eğitimindeki yeniliklerden yararlanarak son derece kararlı ve hızlı yakınsama sağlayan çığır açıcı MuSGD Optimizer'ı içeriyor. YOLO26, Dağılımsal Odak Kayıbını (DFL) kaldırarak önceki sürümlerine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ediyor; bu da onu edge cihazlar ve kurumsal dağıtımlar için kesinlikle en iyi seçenek haline getiriyor. ProgLoss ve STAL ile küçük nesne tanımadaki dikkate değer iyileştirmeler sayesinde YOLO26, hem YOLOX hem de YOLOv9'un etkin biçimde yerini alıyor.

Modern mimarileri inceleyen mühendisler için Ultralytics paketindeki güçlü alternatifler olarak YOLO11 ve RT-DETR modellerine de göz atmanı öneriyoruz. Ultralytics Platform'daki en yeni modellerin eşsiz performansından yararlanarak projenin geleceğe hazır olmasını sağla.