YOLOv9 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerinde hızlı bir evrime tanık oldu. Bu kılavuz, YOLOv9 ile YOLOX modellerini kapsamlı biçimde karşılaştırarak mimari yeniliklerini, performans ölçütlerini ve eğitim yöntemlerini inceliyor. İster üretimde yapay zekâ için akıllı uygulamalar geliştiriyor ister öngörücü modelleme üzerine çalışıyor 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 yeni bir paradigma ortaya koydu. Temel yenilikleri arasında Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama 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

YOLOv9, ileri beslemeli süreç sırasında önemli özellik verilerini koruyarak geri yayılımda ağırlıkları güncellemek için kullanılan gradyanların doğru kalmasını sağlar. Bu mimari özellik çıkarmada üstün performans gösterir ve hava görüntülerinde ve ayrıntılı tıbbi taramalarda olduğu gibi karmaşık ortamlardaki küçük nesneleri algılamada oldukça başarılıdır.

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.

• 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, zamanında çığır açıcı olsa, mükemmel ortalama ortalama hassasiyete (mAP) ulaşsa ve bağlantı kutusu hiperparametrelerinin ayarlanması ihtiyacını ortadan kaldırsa da temel mimarisi, parametre sayısı ile özellik koruma arasında daha iyi denge kuran modern ağların gerisinde kaldı.

YOLOX hakkında daha fazla bilgi edin

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.

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 kuramdan ibaret değildir; onu çevreleyen ekosistem, geliştirme hızını ve dağıtım başarısını belirler. YOLOv9'u Ultralytics ekosistemi içinde kullanmak, benzersiz kullanım kolaylığı ve güçlü topluluk desteği sağlar.

Eski özgün araştırma depolarından farklı olarak Ultralytics çerçevesi, karmaşık işlem hatlarını basitleştiren birleşik bir Python API'si sunar. Eğitim, birçok alternatife kıyasla çok daha az GPU belleği gerektirerek olağanüstü eğitim verimliliği sağlar.

from ultralytics import YOLO

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

# Modeli özel veri kümen üzerinde sorunsuzca 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 dâhil olmak üzere birden fazla göreve yerleşik destek sayesinde, tüm kod tabanını değiştirmeden bilgisayarlı görü çözümlerini hızla farklı ihtiyaçlara uyarlayabilirsin.

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 raflardaki görsel olarak benzer ürünleri ayırt etmenin gerektiği perakendede yapay zekâ dağıtımlarına onu son derece uygun kılar.

Eski Uç Dağıtımları#

Katı donanım kısıtlamalarının bulunduğu veya daha yeni toplama bloklarında zorlanan özel NPU'ların kullanıldığı senaryolarda YOLOX-Nano zaman zaman kendine yer bulabilir. Sadeleştirilmiş, yalın evrişim örüntüleri bazen kaynakları son derece kısıtlı mikrodenetleyiciler için tercih edilir.

Otonom Robotik#

Robotik navigasyonda küçük nesnelerin gözden kaçırılması felaketle sonuçlanabilir. YOLOv9 içindeki GELAN mimarisi, küçük ve uzaktaki engellerin özelliklerinin ağın derin katmanlarında kaybolmamasını sağlar ve otomotivde yapay zekâ uygulamaları gibi kritik güvenlik ortamlarında eski modelleri geride bırakır.

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:

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

Gelecek: YOLO26 ile Tanış#

YOLOv9 etkileyici bir dönüm noktası olsa da üretim ortamlarının gereksinimleri sınırları sürekli zorlar. Yeni yayımlanan YOLO26, modern görsel yapay zekâ için kesin standardı temsil eder.

YOLO26, isteğe bağlı Uçtan Uca NMS'siz Tasarım ile dağıtım işlem hattını baştan aşağı yeniler. nms=False kullanarak son işlem sırasında karmaşık Maksimum Olmayan Bastırma ihtiyacını ortadan kaldırır ve çıkarım gecikmesini önemli ölçüde azaltır.

Ayrıca YOLO26, LLM eğitimindeki yeniliklerden yararlanan SGD ile Muon hibriti çığır açan MuSGD Optimize Ediciyi içerir; bu da son derece kararlı ve hızlı yakınsama sağlar. Dağılım Odaklı Kayıp (DFL) bileşenini kaldıran YOLO26, önceki modellerine kıyasla CPU çıkarımını %43'e kadar hızlandırır ve uç cihazlarla kurumsal dağıtımlar için en iyi seçenek hâline gelir. ProgLoss ve STAL sayesinde küçük nesnelerin tanınmasında kayda değer iyileştirmeler sunan YOLO26, hem YOLOX'in hem de YOLOv9'un yerini etkili biçimde alır.

Modern mimarileri araştıran mühendislere, Ultralytics paketindeki güçlü alternatifler olarak YOLO11 ve RT-DETR modellerini de incelemelerini öneriyoruz. Ultralytics Platform'daki en yeni modellerin benzersiz performansından yararlanarak projenin geleceğe hazır olmasını sağla.