Başla

DAMO-YOLO ile PP-YOLOE+ Karşılaştırması

Dağıtım için doğru mimariyi seçmek, gerçek zamanlı bilgisayarlı görüde önemli bir karardır. Bu kılavuzda DAMO-YOLO ve PP-YOLOE+ mimari tasarımları, eğitim yöntemleri ve performans metrikleri açısından teknik olarak karşılaştırılıyor. Ayrıca her iki modelin Ocak 2026'da yayımlanan Ultralytics YOLO26 ile karşılaştırması da inceleniyor.

Modellere Genel Bakış#

Her iki çerçeve de 2022'de endüstriyel uygulamalar için alternatifler olarak ortaya çıktı ve doğruluk ile çıkarım hızını iyileştirmek için farklı teknikler kullandı.

DAMO-YOLO#

Alibaba Group tarafından geliştirilen DAMO-YOLO, gecikme-doğruluk dengesini iyileştirmek için çeşitli yeni teknikler sundu ve otomatik arama teknikleriyle gelişmiş özellik birleştirmeye büyük ölçüde dayandı.

DAMO-YOLO, donanım verimliliği için optimize edilmiş omurgaları otomatik tasarlamak amacıyla Maksimum Entropili Sinir Mimarisi Aramasını (MAE-NAS) kullanır. Ayrıca boyun ağı özelliklerini birleştirmek için verimli RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) ve hafif bir "ZeroHead" tasarımı içerir. Öğrenci modelin temsil gücünü artırmak için eğitim sırasında bilgi damıtımına da dayanır.

DAMO-YOLO hakkında daha fazla bilgi edin

PP-YOLOE+#

Baidu PaddlePaddle ekibi tarafından geliştirilen PP-YOLOE+, PP-YOLOE mimarisinin aşamalı bir güncellemesidir. Özellikle kendi derin öğrenme çerçevesinde yüksek mAP sunmak için büyük ölçekli ön eğitime ve iyileştirilmiş kayıp fonksiyonlarına odaklanır.

PP-YOLOE+, CSPRepResNet omurgası ve ET-head (Verimli Görev Hizalı Başlık) kullanır. "Plus" sürümünde Objects365 veri kümesi üzerinde ön eğitim yapılması, modelin çeşitli gerçek dünya ortamlarına genelleme yeteneğini geliştirir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Mimari Karşılaştırması#

Bu iki modelin farklı tasarım felsefeleri, en uygun kullanım alanlarını ve donanım uyumluluklarını belirler.

Özellik Birleştirme ve Omurgalar#

DAMO-YOLO'nun MAE-NAS tarafından üretilen omurgaları uç cihazlara göre özelleştirilmiştir ve genellikle hız-parametre oranı açısından avantaj sağlar. Ancak bu özel mimarileri, örnek segmentasyonu gibi yeni görevlere uyarlamak katı kurallar nedeniyle zor ve karmaşık olabilir. RepGFPN boyun ağı çok ölçekli özellik füzyonunu iyileştirir, ancak yeniden parametreleştirme sırasında dışa aktarma aşamasına karmaşıklık katar.

PP-YOLOE+ daha geleneksel ancak etkili CSPRepResNet'i kullanır. Bu omurga, benzer doğruluk için DAMO-YOLO'dan daha fazla parametre gerektirse de eğitimi kararlıdır ve mevcut iş akışlarına entegre edilmesi daha kolaydır. ET-head sınıflandırma ve regresyonu verimli biçimde gerçekleştirir, ancak Maksimum Olmayan Bastırma (NMS) gibi son işleme adımlarını hâlâ gerektirir.

Son İşleme Gecikmelerini Ortadan Kaldırma

Hem DAMO-YOLO hem de PP-YOLOE+, sınırlayıcı kutuların son işlemesi için NMS gerektirir. Çıkarım gecikmesi kritikse isteğe bağlı bire bir başlığı (nms=False) aracılığıyla yerel uçtan uca NMS'siz tasarım sunan Ultralytics YOLO26 modelini değerlendirebilirsin. Bu yaklaşım, daha hızlı ve basit bir dağıtım iş akışı için NMS son işlemesini ortadan kaldırır.

Performans ve Ölçüt Analizi#

Bu modelleri üretim için değerlendirirken doğruluk (mAP), çıkarım hızı ve parametre boyutu arasındaki denge kritik önem taşır. Aşağıda temel varyantlarının doğrudan bir karşılaştırması yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Tabloda görüldüğü gibi DAMO-YOLO, tiny (t) ve small (s) ölçeklerinde daha yüksek doğruluk sunar; NAS ile optimize edilmiş omurgaları sayesinde DAMO-YOLOt burada yer alan modeller arasında en düşük T4 TensorRT gecikmesine ulaşır. Ancak PP-YOLOE+, medium (m) ve large (l) boyut sınıflarında iyi ölçeklenir ve T4 TensorRT hızında küçük bir düşüş karşılığında daha yüksek mAP puanlarına ulaşır.

Bellek Gereksinimleri ve Eğitim Verimliliği#

DAMO-YOLO'nun damıtıma dayanması, küçük öğrenci modeli eğitmeden önce genellikle çok daha büyük bir öğretmen model eğitmen gerektiği anlamına gelir. Bu, CUDA bellek gereksinimlerini ve genel hesaplama bütçesini önemli ölçüde artırır. PP-YOLOE+ standart tek aşamalı eğitimle süreci basitleştirir, ancak PaddlePaddle çerçevesine sıkı biçimde bağlı kalır; bu da PyTorch kullanmaya alışkın ekiplerin esnekliğini kısıtlayabilir.

Buna karşılık modern Ultralytics YOLO26 modeli bu darboğazları önler. LLM eğitiminden ilham alan, SGD ile Muon'un hibriti olan yeni MuSGD Optimize Edici'yi kullanan YOLO26, karmaşık damıtım süreçleri olmadan daha hızlı yakınsama ve kararlı eğitim sağlar. 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 temel darboğaz olduğu yüksek verimli uç çıkarımı için uygundur. Küçük varyantları, mühendislik ekibinin karmaşık damıtma ve yeniden parametreleştirme süreçlerini yönetmek için yeterli kapasiteye sahip olması koşuluyla, trafik yönetim sistemleri veya temel drone gözetimi gibi ortamlarda öne çıkar.

PP-YOLOE+ Ne Zaman Kullanılmalı#

Baidu ekosistemine zaten yatırım yaptıysan veya büyük ölçekli sunucu dağıtımları yürütüyorsan PP-YOLOE+ iyi bir seçenektir. Yüksek mAP değeri, PP-YOLOE+'ı karmaşık tıbbi görüntü analizleri veya yoğun üretim kusuru tespiti için uygun kılar.

Ultralytics Avantajı#

DAMO-YOLO ve PP-YOLOE+ belirli avantajlar sunsa da çok yönlülük, hız ve kullanım kolaylığı arayan geliştiriciler modellerini Ultralytics Platform üzerinde eğitip dağıtabilir.

Bilgisayarlı görü işlem hattını yükseltirken Ultralytics YOLO26, geliştiricilere yönelik akıcı bir deneyim sunar:

  • CPU'da %43'e Varan Daha Hızlı Çıkarım: Distribution Focal Loss'un (DFL) tamamen kaldırılmasıyla YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da onu uç CPU'lar ve düşük güçlü IoT cihazları için uygun kılar.
  • Küçük Nesne Tespitinde İyileşme: ProgLoss hedefi ve STAL etiket ataması, hava görüntüleri için hayati önem taşıyan küçük nesne tanımayı iyileştirir.
  • Geniş Kapsamlı Çok Yönlülük: Yalnızca tespite odaklanan PP-YOLOE+'ın aksine YOLO26, göreve özgü mimari iyileştirmelerle poz tahmini, yönlendirilmiş sınırlayıcı kutuları (OBB) ve anlamsal bölümlemeyi de destekler.

Sonuç#

DAMO-YOLO ve PP-YOLOE+, ankrajsız nesne tespitinin gelişiminde önemli kilometre taşlarıdır. DAMO-YOLO, uç gecikmesi için sinir ağı mimarisi aramasının sınırlarını zorlarken PP-YOLOE+ büyük ölçekli ön eğitimin gücünü gösterdi.

Ancak hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi arayan geliştiriciler için Ultralytics YOLO26 modeli önerilir. NMS içermeyen mimarisi, güçlü Python API'si ve Weights & Biases ile TensorRT gibi araçlarla entegrasyonu, projelerinin prototip aşamasından üretime sorunsuz geçmesini sağlar.

Başlamaya hazır mısın? Ultralytics Hızlı Başlangıç Kılavuzu'nu incele veya YOLO11 ile DAMO-YOLO genel bakışında daha fazla modeli karşılaştır.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.