Öz
Bu teknik notta YOLOv5, YOLOv7 ve YOLOv8 mimarilerinin farklı model boyutları NVIDIA Jetson Nano, Jetson Orin ve Raspberry Pi 5 platformlarında karşılaştırılmıştır. Değerlendirmede COCO ve kendi derlediğimiz fabrika içi güvenlik veri kümesi kullanılmıştır. Ortalama kesinlik, saniyedeki kare sayısı ve enerji tüketimi birlikte raporlanmıştır. YOLOv8n modeli Jetson Orin üzerinde TensorRT ile 142 FPS hıza ulaşırken, düşük güçlü platformlarda nicemleme ile %2'den az kesinlik kaybıyla 3,1 kat hızlanma sağlanmıştır.
A Comparative Analysis of YOLO Architectures for Real-Time Object Detection on Embedded Systems
This technical note compares different model sizes of YOLOv5, YOLOv7 and YOLOv8 on the NVIDIA Jetson Nano, Jetson Orin and Raspberry Pi 5 platforms. COCO and a self-compiled in-factory safety dataset were used for evaluation. Mean average precision, frames per second and energy consumption are reported together. YOLOv8n reached 142 FPS on Jetson Orin with TensorRT, while quantisation on low-power platforms provided a 3.1x speed-up with less than 2% precision loss.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- Bu çalışma etik kurul onayı gerektirmemektedir.
- Çıkar Çatışması
- Yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
Kaynakça 4
- Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 779–788). https://doi.org/10.1109/CVPR.2016.91
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., et al. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. In International Conference on Learning Representations.
- Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning (pp. 6105–6114).
Atıf Göster
Lisans
© 2026 Emre Yavaş, Nazlı Güneş. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni