DAMO-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.
Model 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.
DAMO-YOLO#
Alibaba Group tarafından geliştirilen DAMO-YOLO, otomatik arama tekniklerine ve gelişmiş özellik birleştirmeye ağırlık vererek gecikme-doğruluk dengesini optimize etmek için birkaç yeni teknik sunmuştur.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 23-11-2022
- Arxiv: DAMO-YOLO: A Report on Real-Time Object Detection Design
- GitHub: tinyvision/DAMO-YOLO
- Belgeler: 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
PP-YOLOE+#
Baidu PaddlePaddle ekibinden PP-YOLOE+, PP-YOLOE mimarisine yönelik aşamalı bir yükseltmedir. Özellikle yerel derin öğrenme çerçevesi içinde yüksek mAP sunmak için büyük ölçekli ön eğitime ve iyileştirilmiş kayıp fonksiyonlarına odaklanır.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: PP-YOLOE: An evolved version of YOLO
- GitHub: PaddlePaddle/PaddleDetection
- Belgeler: PP-YOLOE+ Configs
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
Mimari Karşılaştırma#
Bu iki model arasındaki tasarım felsefesi farklılığı, ideal kullanım durumlarını ve donanım uyumluluklarını büyük ölçüde etkiler.
Özellik Birleştirme ve Omurgalar#
DAMO-YOLO'nun MAE-NAS tarafından üretilen ana omurgaları uç cihazlara son derece uygundur ve genellikle elverişli bir hız-parametre oranı sağlar. Ancak bu özel mimariler katı olabilir ve instance segmentation gibi yeni görevler için uyarlanması karmaşıktır. RepGFPN boyun kısmı çok ölçekli özellik birleştirmeyi geliştirir ancak yeniden parametrelendirme dışa aktarım 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+, sınırlama kutularını son işlemden geçirmek için NMS gerektirir. Çıkarım gecikmesi kritik önem taşıyorsa, yerel olarak End-to-End NMS-Free Design özelliğine sahip olan Ultralytics YOLO26 kullanmayı düşün. Bu çığır açan yaklaşım, daha hızlı ve daha basit bir dağıtım boru hattı için NMS son işlemini ortadan kaldırır.
Performans 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.
Bellek Gereksinimleri ve Eğitim Verimliliği#
DAMO-YOLO'nun damıtma işlemine dayanması, genellikle daha küçük öğrenci modelini eğitmeden önce çok daha büyük bir öğretmen modeli eğitmen gerektiği anlamına gelir. Bu durum CUDA memory requirements değerini ve genel hesaplama bütçesini büyük ölçüde artırır. PP-YOLOE+ bunu standart tek aşamalı eğitimle basitleştirir ancak PyTorch'a alışkın ekipler için esnekliği kısıtlayabilecek şekilde PaddlePaddle çerçevesine sıkı sıkıya bağlı kalır.
Buna karşılık, modern Ultralytics YOLO26 modeli bu darboğazları çözer. LLM eğitim yeniliklerinden ilham alan SGD ve Muon melezi olan yeni MuSGD Optimizer kullanan YOLO26, karmaşık damıtma boru hatlarına gerek kalmadan daha hızlı yakınsama ve son derece kararlı bir eğitim elde eder. Ayrıca YOLO modelleri, RT-DETR gibi transformatör tabanlı dedektörlere kıyasla eğitim sırasında genellikle çok daha az CUDA belleğine ihtiyaç duyar.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#
Ne zaman DAMO-YOLO kullanmalı#
DAMO-YOLO, gecikmenin en büyük darboğaz olduğu yüksek verimli uç çıkarımı için idealdir. Mühendislik ekibinin karmaşık damıtma ve yeniden parametrelendirme süreçlerini yönetme kapasitesi olduğu sürece, küçük varyantları traffic management systems veya temel dron gözetimi gibi ortamlarda üstün başarı gösterir.
PP-YOLOE+ ne zaman kullanılmalı#
PP-YOLOE+; Baidu ekosistemine halihazırda derinlemesine yatırım yaptığında veya büyük ölçekli sunucu dağıtımları çalıştırdığında parlar. Etkileyici mAP değeri, onu karmaşık medical image analysis veya yoğun manufacturing defect detection için uygun hale getirir.
Ultralytics Avantajı#
Hem DAMO-YOLO hem de PP-YOLOE+ belirli yerelleştirilmiş avantajlar sunarken, maksimum çok yönlülük, hız ve kullanım kolaylığı arayan geliştiriciler sürekli olarak Ultralytics Platform tercihine yönelmektedir.
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 Tespiti: ProgLoss ve STAL kayıp fonksiyonlarının entegrasyonu, aerial imagery için hayati önem taşıyan küçük nesne tanımada dramatik iyileştirmeler sağlar.
- Kapsamlı Çok Yönlülük: Yalnızca tespit üzerine odaklanan PP-YOLOE+'nın aksine YOLO26; pose estimation, oriented bounding boxes (OBB) ve göreve özel mimari iyileştirmelerle anlamsal segmentasyonu sorunsuz bir şekilde yönetir.
Sonuç#
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 içermeyen mimarisi, güçlü Python API ve Weights & Biases ile TensorRT gibi araçlarla sorunsuz entegrasyonu, projelerinin prototipten üretime sorunsuz bir şekilde geçmesini sağlar.
Başlamaya hazır mısın? Ultralytics Quickstart Guide incele veya YOLO11 vs DAMO-YOLO genel bakışımızda daha fazla modeli karşılaştır.