DAMO-YOLO ve PP-YOLOE+ Karşılaştırması#
Gerçek zamanlı bilgisayarlı görü alanındaki son derece rekabetçi ortamda, belirli dağıtım ihtiyaçların için en uygun mimariyi seçmek kritik önem taşır. Bu kılavuz, DAMO-YOLO ile PP-YOLOE+ arasında mimari tasarımlarını, eğitim yöntemlerini ve performans ölçümlerini derinlemesine inceleyen kapsamlı bir teknik karşılaştırma sunar. Ayrıca bu modellerin yeni yayımlanan Ultralytics YOLO26 gibi son teknoloji çözümlerle nasıl karşılaştırıldığını da inceleyeceğiz.
Model Genel Bakışları#
Her iki framework de 2022'de, doğruluk ve çıkarım hızının sınırlarını zorlamak için gelişmiş tekniklerden yararlanan, endüstriyel uygulamalara yönelik güçlü alternatifler olarak ortaya çıktı.
DAMO-YOLO#
Alibaba Group tarafından geliştirilen DAMO-YOLO, otomatik arama tekniklerinden ve gelişmiş özellik birleştirmeden yoğun biçimde yararlanarak gecikme-doğruluk dengesini optimize etmek için çeşitli yenilikçi teknikler sundu.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 2022-11-23
- Arxiv: DAMO-YOLO: A Report on Real-Time Object Detection Design
- GitHub: tinyvision/DAMO-YOLO
- Docs: DAMO-YOLO README
DAMO-YOLO, donanım verimliliği için optimize edilmiş omurgaları otomatik olarak tasarlamak amacıyla Maksimum Entropi Nöral Mimari Arama (MAE-NAS) kullanır. Ayrıca boyun özellikleri birleşimi için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) ve hafif bir "ZeroHead" tasarımı barındırır. Dahası, öğrenci modelin temsil gücünü artırmak için eğitim sırasında büyük ölçüde damıtma tekniklerine güvenir.
DAMO-YOLO hakkında daha fazla bilgi edin
PP-YOLOE+#
Baidu PaddlePaddle ekibi tarafından geliştirilen PP-YOLOE+, PP-YOLOE mimarisinin artımlı bir yükseltmesidir. Özellikle kendi derin öğrenme framework'ü içinde yüksek mAP sunmak için büyük ölçekli ön eğitime ve iyileştirilmiş kayıp fonksiyonlarına odaklanır.
- Yazarlar: PaddlePaddle Authors
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: PP-YOLOE: An evolved version of YOLO
- GitHub: PaddlePaddle/PaddleDetection
- Docs: PP-YOLOE+ Configs
PP-YOLOE+, CSPRepResNet omurgası ve ET-head (Verimli Görev Hizalı Başlık) kullanır. "plus" sürümü, Objects365 veri kümesi üzerinde güçlü bir ön eğitim stratejisi sunar; bu da farklı gerçek dünya ortamları arasında genelleme yeteneğini önemli ölçüde geliştirir.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Mimari Karşılaştırması#
Bu iki model arasındaki tasarım felsefesi farklılığı, ideal kullanım alanlarını ve donanım uyumluluklarını büyük ölçüde etkiler.
Özellik Birleştirme ve Omurgalar#
DAMO-YOLO'nun MAE-NAS tarafından oluşturulan omurgaları, uç cihazlara son derece özelleştirilmiştir ve çoğu zaman hız-parametre oranı açısından avantaj sağlar. Ancak bu özel mimariler katı olabilir ve örnek segmentasyonu gibi yeni görevlere uyarlanması zor olabilir. RepGFPN boyun bölgesi, çok ölçekli özellik birleştirmeyi iyileştirir ancak yeniden parametrelendirme dışa aktarma aşamasında karmaşıklık ekler.
PP-YOLOE+, daha geleneksel olmakla birlikte son derece etkili olan CSPRepResNet'e dayanır. Bu omurga benzer doğruluk için DAMO-YOLO'dan daha fazla parametre gerektirse de eğitim sırasında oldukça kararlıdır ve mevcut işlem hatlarına daha kolay entegre edilir. ET-head, sınıflandırma ve regresyonu verimli biçimde gerçekleştirir, ancak yine de Maksimum Olmayan Bastırma (NMS) gibi son işleme adımlarını gerektirir.
Hem DAMO-YOLO hem de PP-YOLOE+, sınırlayıcı kutuların son işlemesi için NMS gerektirir. Çıkarım gecikmesi kritikse, yerel olarak Uçtan Uca NMS'siz Tasarım sunan Ultralytics YOLO26 kullanmayı değerlendirebilirsin. Bu çığır açan yaklaşım, daha hızlı ve basit bir dağıtım işlem hattı için NMS son işlemesini ortadan kaldırır.
Performans ve Ölçüm Analizi#
Bu modelleri üretim ortamı için değerlendirirken doğruluk (mAP), çıkarım hızı ve parametre boyutu arasındaki denge kritik önem taşır. Aşağıda birincil varyantlarının doğrudan karşılaştırması yer alır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Tablonun gösterdiği gibi DAMO-YOLO, NAS ile optimize edilmiş omurgaları sayesinde küçük (s) ve çok küçük (t) ölçeklerde genellikle daha düşük gecikme elde eder. Ancak PP-YOLOE+, orta (m) ve büyük (l) katmanlara ölçeklenirken son derece iyi performans gösterir ve T4 TensorRT hızında küçük bir maliyet karşılığında önemli ölçüde daha yüksek mAP skorları sunar.
Bellek Gereksinimleri ve Eğitim Verimliliği#
DAMO-YOLO'nun damıtmaya dayanması, daha küçük öğrenci modelini eğitmeden önce çoğu zaman çok daha büyük bir öğretmen modeli eğitmen gerektiği anlamına gelir. Bu durum CUDA bellek gereksinimlerini ve genel hesaplama bütçesini büyük ölçüde artırır. PP-YOLOE+ bunu standart tek aşamalı eğitimle basitleştirir, ancak PaddlePaddle framework'üne sıkı biçimde bağlı kalır; bu da PyTorch kullanmaya alışkın ekipler için esnekliği sınırlayabilir.
Buna karşılık modern Ultralytics YOLO26 modeli bu darboğazları giderir. SGD ile Muon'un, LLM eğitimindeki yeniliklerden esinlenen hibrit bir birleşimi olan yeni MuSGD Optimizer'ı kullanan YOLO26, karmaşık damıtma işlem hatlarına ihtiyaç duymadan daha hızlı yakınsama ve son derece kararlı eğitim elde eder. Ayrıca YOLO modelleri, RT-DETR gibi Transformer tabanlı algılayıcılara kıyasla eğitim sırasında genellikle çok daha az CUDA belleği gerektirir.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#
DAMO-YOLO ne zaman kullanılmalı?#
DAMO-YOLO, gecikmenin en büyük darboğaz olduğu yüksek verimli uç çıkarım için idealdir. Küçük varyantları, mühendislik ekibinin karmaşık damıtma ve yeniden parametrelendirme süreçlerini yönetmek için yeterli kapasiteye sahip olması koşuluyla, trafik yönetim sistemleri veya temel drone gözetimi gibi ortamlarda başarılıdır.
PP-YOLOE+ Ne Zaman Kullanılmalı#
PP-YOLOE+, Baidu ekosistemine zaten derinlemesine yatırım yaptıysan veya büyük ölçekli sunucu dağıtımları çalıştırıyorsan öne çıkar. Etkileyici mAP değeri, onu karmaşık tıbbi görüntü analizleri veya yoğun üretim hatası algılama uygulamaları için uygun hale getirir.
Ultralytics Avantajı#
Hem DAMO-YOLO hem de PP-YOLOE+ belirli alanlarda yerel avantajlar sunsa da maksimum çok yönlülük, hız ve kullanım kolaylığı arayan geliştiriciler sürekli olarak Ultralytics Platform'a yöneliyor.
Bilgisayarlı görü işlem hattını yükseltirken Ultralytics YOLO26, rakipsiz bir geliştirici deneyimi sunar:
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'un (DFL) tamamen kaldırılmasıyla YOLO26, uç CPU'larda ve düşük güç tüketimli IoT cihazlarında dikkat çekici ölçüde hızlıdır.
- Geliştirilmiş Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının entegre edilmesi, hava görüntüleri için hayati önem taşıyan küçük nesne tanımada büyük iyileştirmeler sağlar.
- Geniş Kapsamlı Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'nın aksine YOLO26, göreve özgü mimari iyileştirmelerle poz tahmini, yönlendirilmiş sınırlayıcı kutular (OBB) ve anlamsal segmentasyonu sorunsuz biçimde gerçekleştirir.
Sonuç#
DAMO-YOLO ve PP-YOLOE+, anchorsız nesne algılamanın gelişiminde önemli kilometre taşlarını temsil eder. DAMO-YOLO, uç cihazlardaki gecikme için sinir mimarisi aramasının sınırlarını zorlarken PP-YOLOE+, büyük ölçekli ön eğitimin gücünü gösterdi.
Ancak hız, doğruluk ve dağıtım kolaylığı arasındaki en iyi dengeyi arayan geliştiriciler için Ultralytics YOLO26 modeli kesin tercihtir. NMS'siz mimarisi, güçlü Python API'si ve Weights & Biases ile TensorRT gibi araçlarla sorunsuz entegrasyonu, projelerinin prototipten üretime sorunsuz biçimde ilerlemesini sağlar.
Başlamaya hazır mısın? Ultralytics Hızlı Başlangıç Kılavuzu'nu incele veya YOLO11 ve DAMO-YOLO genel bakışımızda daha fazla modeli karşılaştır.