Link to this sectionDAMO-YOLO ve PP-YOLOE+ karşılaştırması#
Gerçek zamanlı bilgisayarlı görü alanındaki yüksek rekabet ortamında, özel dağıtım ihtiyaçların için en uygun mimariyi seçmek çok önemlidir. Bu kılavuz, DAMO-YOLO ve PP-YOLOE+ arasında kapsamlı bir teknik karşılaştırma sunarak mimari tasarımlarının, eğitim metodolojilerinin ve performans metriklerinin derinliklerine iniyor. Ayrıca bu modellerin, yeni piyasaya sürülen Ultralytics YOLO26 gibi en son teknoloji çözümler karşısında nasıl bir performans sergilediğini de inceleyeceğiz.
Link to this sectionModel Genel Bakışları#
Her iki çerçeve de 2022 yılında, doğruluk ve çıkarım hızının sınırlarını zorlamak için gelişmiş tekniklerden yararlanan, endüstriyel uygulamalar için güçlü alternatifler olarak ortaya çıktı.
Link to this sectionDAMO-YOLO#
Alibaba Group tarafından geliştirilen DAMO-YOLO, gecikme-doğruluk dengesini optimize etmek için otomatik arama tekniklerine ve gelişmiş özellik birleştirmeye büyük ölçüde dayanan birkaç yeni teknik sundu.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 23-11-2022
- Arxiv: DAMO-YOLO: Gerçek Zamanlı Nesne Algılama Tasarımı Üzerine Bir Rapor
- GitHub: tinyvision/DAMO-YOLO
- Dokümanlar: DAMO-YOLO README
DAMO-YOLO, donanım verimliliği için optimize edilmiş omurgaları otomatik olarak tasarlamak amacıyla Çok Ölçekli Mimari Arama (MAE-NAS) kullanır. Ayrıca boyun özellik birleştirme için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve hafif bir "ZeroHead" tasarımına sahiptir. Dahası, öğrenci modelinin temsil gücünü artırmak için eğitim sırasında büyük ölçüde damıtma (distillation) tekniklerine güvenir.
DAMO-YOLO hakkında daha fazla bilgi edin
Link to this sectionPP-YOLOE+#
Baidu PaddlePaddle ekibinden gelen PP-YOLOE+, PP-YOLOE mimarisinin artımlı bir yükseltmesidir. Özellikle kendi derin öğrenme çerçevesi içinde yüksek mAP değerleri sağlamak için geniş ölçekli ön eğitime ve iyileştirilmiş kayıp fonksiyonlarına odaklanır.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: PP-YOLOE: YOLO'nun evrimleşmiş bir versiyonu
- GitHub: PaddlePaddle/PaddleDetection
- Dokümanlar: PP-YOLOE+ Yapılandırmaları
PP-YOLOE+, bir CSPRepResNet omurgası ve bir ET-head (Verimli Görev hizalı başlık) kullanır. "Plus" versiyonu, Objects365 veri seti üzerinde güçlü bir ön eğitim stratejisi sunar ve bu da çeşitli gerçek dünya ortamlarında genelleme yeteneğini önemli ölçüde artırır.
PP-YOLOE+ hakkında daha fazla bilgi edin
Link to this sectionMimari Karşılaştırma#
Bu iki model arasındaki tasarım felsefesi farklılığı, ideal kullanım durumlarını ve donanım uyumluluklarını büyük ölçüde etkiler.
Link to this sectionÖzellik Birleştirme ve Omurgalar#
DAMO-YOLO'nun MAE-NAS ile oluşturulmuş omurgaları, genellikle elverişli bir hız-parametre oranı sağlayarak uç cihazlara göre oldukça özel olarak uyarlanmıştır. Ancak, bu özel mimariler katı olabilir ve örnek bölümleme gibi yeni görevlere uyarlanmaları karmaşık olabilir. RepGFPN boyun kısmı çok ölçekli özellik birleştirmeyi geliştirir ancak yeniden parametrelendirme dışa aktarma aşamasında karmaşıklık ekler.
PP-YOLOE+, daha geleneksel ancak oldukça etkili olan CSPRepResNet'e dayanır. Bu omurga benzer doğruluk için DAMO-YOLO'dan daha büyük bir parametre alanı gerektirse de, eğitilmesi oldukça kararlıdır ve mevcut işlem hatlarına entegre edilmesi daha kolaydır. ET-head kısmı sınıflandırma ve regresyonu verimli bir şekilde yönetir ancak yine de Maksimum Olmayan Baskılama (NMS) gibi işlem sonrası adımları gerektirir.
Hem DAMO-YOLO hem de PP-YOLOE+, sınırlayıcı kutuların işlem sonrası süreci için NMS gerektirir. Eğer çıkarım gecikmesi kritikse, doğal olarak Uçtan Uca NMS-İçermeyen Tasarım özelliğine sahip Ultralytics YOLO26 kullanmayı düşün. Bu çığır açan yaklaşım, daha hızlı ve daha basit bir dağıtım hattı için NMS işlem sonrasını ortadan kaldırır.
Link to this sectionPerformans ve Metrik Analizi#
Bu modelleri üretim için değerlendirirken doğruluk (mAP), çıkarım hızı ve parametre boyutu arasındaki denge kritiktir. Aşağıda, ana varyantlarının doğrudan bir karşılaştırması yer almaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 genellikle küçük (s) ve çok küçük (t) ölçeklerde daha düşük gecikme süresi sağlar. Bununla birlikte PP-YOLOE+, T4 TensorRT hızında hafif bir maliyet karşılığında önemli ölçüde daha yüksek mAP puanlarına sahip olarak orta (m) ve büyük (l) kademelerde inanılmaz derecede iyi ölçeklenir.
Link to this sectionBellek Gereksinimleri ve Eğitim Verimliliği#
DAMO-YOLO'nun damıtma işlemine olan bağımlılığı, daha küçük öğrenci modelini eğitmeden önce genellikle çok daha büyük bir öğretmen modeli eğitmen gerekeceği anlamına gelir. Bu, CUDA bellek gereksinimlerini ve genel hesaplama bütçesini büyük ölçüde artırır. PP-YOLOE+, standart tek aşamalı eğitim ile bunu basitleştirir ancak PyTorch'a alışkın ekipler için esnekliği sınırlayabilecek şekilde PaddlePaddle çerçevesine sıkı bir şekilde bağlı kalır.
Buna karşılık, modern Ultralytics YOLO26 modeli bu darboğazları çözer. LLM eğitim yeniliklerinden ilham alan SGD ve Muon'un bir melezi olan yeni MuSGD Optimizer kullanan YOLO26, karmaşık damıtma işlem hatlarına ihtiyaç duymadan daha hızlı yakınsama ve oldukça kararlı eğitim sağlar. Ek olarak, YOLO modelleri genellikle RT-DETR gibi trafo tabanlı dedektörlere kıyasla eğitim sırasında çok daha az CUDA belleği gerektirir.
Link to this sectionGerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#
Link to this sectionNe zaman DAMO-YOLO kullanmalı#
DAMO-YOLO, gecikmenin nihai darboğaz olduğu yüksek verimli uç çıkarımı için idealdir. Mühendislik ekibin karmaşık damıtma ve yeniden parametrelendirme süreçlerini yönetebilecek kapasiteye sahipse, küçük varyantları trafik yönetimi sistemleri veya temel drone gözetimi gibi ortamlarda mükemmel sonuçlar verir.
Link to this sectionPP-YOLOE+ ne zaman kullanılmalı#
PP-YOLOE+, Baidu ekosistemine zaten derinlemesine yatırım yapmışsan veya geniş ölçekli sunucu dağıtımları çalıştırıyorsan öne çıkar. Etkileyici mAP değeri, onu karmaşık tıbbi görüntü analizi veya yoğun üretim kusuru tespiti için uygun kılar.
Link to this sectionUltralytics Avantajı#
Her ne kadar hem DAMO-YOLO hem de PP-YOLOE+ belirli yerelleştirilmiş avantajlar sunsa da, maksimum çok yönlülük, hız ve kullanım kolaylığı arayan geliştiriciler sürekli olarak Ultralytics Platform'a yöneliyor.
Bilgisayarlı görü hattını yükseltirken, Ultralytics YOLO26 benzersiz bir geliştirici deneyimi sağlar:
- %43'e kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) tamamen kaldırılarak, YOLO26 uç CPU'larda ve düşük güç tüketen IoT cihazlarında oldukça hızlıdır.
- Geliştirilmiş Küçük Nesne Algılama: ProgLoss ve STAL kayıp fonksiyonlarının entegrasyonu, hava görüntüleri için hayati öneme sahip olan küçük nesne tanımada çarpıcı iyileştirmeler sağlar.
- Kapsamlı Çok Yönlülük: Sadece algılamaya odaklanan PP-YOLOE+'nın aksine YOLO26, göreve özgü mimari iyileştirmelerle poz tahmini, yönlendirilmiş sınırlayıcı kutular (OBB) ve anlamsal bölümlemeyi sorunsuz bir şekilde yönetir.
Link to this sectionSonuç#
DAMO-YOLO ve PP-YOLOE+, çapasız nesne algılamanın evriminde önemli kilometre taşlarını temsil eder. DAMO-YOLO uç gecikmesi için sinirsel mimari aramanın sınırlarını zorlarken, PP-YOLOE+ geniş ölçekli ön eğitimin gücünü gösterdi.
Ancak hız, doğruluk ve dağıtım kolaylığının en iyi dengesini arayan geliştiriciler için Ultralytics YOLO26 modeli kesin tercihtir. NMS-free mimarisi, güçlü Python API'si ve Weights & Biases ve TensorRT gibi araçlarla sorunsuz entegrasyonu, projelerinin prototipten üretime sorunsuz bir şekilde ilerlemesini sağlar.
Başlamaya hazır mısın? Ultralytics Hızlı Başlangıç Kılavuzu'nı keşfet veya YOLO11 vs DAMO-YOLO genel bakışımızdaki daha fazla modeli karşılaştır.