DAMO-YOLO ile PP-YOLOE+ Karşılaştırması#
Gerçek zamanlı bilgisayarlı görü alanındaki yoğun rekabette, özel dağıtım ihtiyaçlarına en uygun mimariyi seçmek kritik önem taşır. Bu kılavuz, DAMO-YOLO ile PP-YOLOE+ arasında mimari tasarımlarını, eğitim yöntemlerini ve performans ölçütlerini derinlemesine inceleyen kapsamlı bir teknik karşılaştırma sunuyor. Ayrıca bu modellerin yeni yayımlanan Ultralytics YOLO26 gibi son teknoloji çözümlerle nasıl yarıştığını da ele alacağız.
Modellere Genel Bakış#
Her iki çerçeve de 2022'de endüstriyel uygulamalar için güçlü alternatifler olarak ortaya çıktı ve doğruluk ile çıkarım hızının sınırlarını zorlamak üzere gelişmiş tekniklerden yararlandı.
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.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 2022-11-23
- Arxiv: DAMO-YOLO: Gerçek Zamanlı Nesne Tespiti Tasarımı Üzerine Bir Rapor
- GitHub: tinyvision/DAMO-YOLO
- Belgeler: DAMO-YOLO README dosyası
DAMO-YOLO, donanım verimliliği için optimize edilmiş omurgaları otomatik tasarlamak üzere Maksimum Entropili Sinir Ağı Mimarisi Araması (MAE-NAS) kullanır. Ayrıca boyun özelliklerini birleştirmek için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve hafif bir "ZeroHead" tasarımı içerir. Bunun yanı sıra öğrenci modelinin temsil gücünü artırmak için eğitim sırasında damıtma tekniklerinden yoğun biçimde yararlanır.
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.
- Yazarlar: PaddlePaddle yazarları
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: PP-YOLOE: YOLO'nun Geliştirilmiş Bir Sürümü
- GitHub: PaddlePaddle/PaddleDetection
- Belgeler: PP-YOLOE+ Yapılandırmaları
PP-YOLOE+, CSPRepResNet omurgası ve ET-head (Verimli Görev Hizalı Başlık) kullanır. "Plus" sürümü, Objects365 veri kümesi üzerinde güçlü bir ön eğitim stratejisi sunarak farklı gerçek dünya ortamlarına genelleme yeteneğini önemli ölçüde artırır.
PP-YOLOE+ hakkında daha fazla bilgi edin
Mimari Karşılaştırması#
Bu iki modelin tasarım felsefelerindeki farklılıklar, ideal kullanım alanlarını ve donanım uyumluluklarını büyük ölçüde etkiler.
Özellik Birleştirme ve Omurgalar#
DAMO-YOLO'nun MAE-NAS ile oluşturulan omurgaları uç cihazlara son derece uygundur ve genellikle hız-parametre oranı bakımından avantaj sağlar. Ancak bu özel mimarileri, örnek segmentasyonu gibi yeni görevlere uyarlamak katı ve karmaşık olabilir. RepGFPN boyun yapısı çok ölçekli özellik birleştirmeyi iyileştirir ancak yeniden parametrelendirme dışa aktarma aşamasında karmaşıklık ekler.
PP-YOLOE+, daha geleneksel ama son derece etkili CSPRepResNet'e dayanır. Bu omurga benzer doğruluk için DAMO-YOLO'dan daha fazla parametre gerektirse de eğitim açısından oldukça kararlıdır ve mevcut işlem hatlarına daha kolay entegre edilir. ET-head sınıflandırma ve regresyonu verimli biçimde gerçekleştirir ancak Maksimum Olmayan Bastırma (NMS) gibi son işleme adımlarına hâlâ ihtiyaç duyar.
Hem DAMO-YOLO hem de PP-YOLOE+, sınırlayıcı kutuların son işlemesi için NMS gerektirir. Çıkarım gecikmesi kritik önem taşıyorsa, isteğe bağlı bire bir başlığı (nms=False) sayesinde yerel bir Uçtan Uca NMS'siz Tasarım sunan Ultralytics YOLO26 modelini değerlendirebilirsin. Bu çığır açan yaklaşım, daha hızlı ve basit bir dağıtım işlem hattı için NMS son işlemeyi 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.
| 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 |
Tabloda görüldüğü üzere DAMO-YOLO, çok küçük (t) ve küçük (s) ölçeklerde daha yüksek doğruluk sunuyor; NAS için optimize edilmiş omurgaları sayesinde DAMO-YOLOt, buradaki modeller arasında T4 TensorRT gecikmesi en düşük olan model. Ancak PP-YOLOE+ orta (m) ve büyük (l) kademelerde çok iyi ölçeklenerek daha yüksek mAP puanlarına ulaşıyor; bunun karşılığında T4 TensorRT hızında hafif bir kayıp yaşanıyor.
Bellek Gereksinimleri ve Eğitim Verimliliği#
DAMO-YOLO'nun damıtmaya dayanması, daha küçük öğrenci modeli eğitmeden önce genellikle çok daha büyük bir öğretmen modeli eğitmen gerektiği anlamına gelir. Bu durum CUDA bellek gereksinimlerini ve toplam 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 sınırlayabilir.
Buna karşılık modern Ultralytics YOLO26 modeli bu darboğazları giderir. LLM eğitimindeki yeniliklerden ilham alan SGD ve Muon melezi yeni MuSGD Optimizasyonu sayesinde YOLO26, karmaşık damıtma işlem hatlarına gerek kalmadan daha hızlı yakınsama ve son derece kararlı eğitim sunar. Ayrıca YOLO modelleri, RT-DETR gibi Transformer tabanlı dedektörlere 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 başlıca darboğaz olduğu yüksek verimli uç çıkarımı için idealdir. Mühendislik ekibinin karmaşık damıtma ve yeniden parametrelendirme süreçlerini yönetebilecek kapasitesi varsa küçük varyantları trafik yönetim sistemleri veya temel drone gözetimi gibi ortamlarda öne çıkar.
PP-YOLOE+ Ne Zaman Kullanılmalı#
PP-YOLOE+, Baidu ekosistemine zaten büyük ölçüde yatırım yaptıysan veya büyük ölçekli sunucu dağıtımları yürütüyorsan öne çıkar. Etkileyici mAP değeri, onu karmaşık tıbbi görüntü analizleri veya yoğun üretim hatası tespiti için uygun kılar.
Ultralytics Avantajı#
DAMO-YOLO ve PP-YOLOE+ belirli alanlarda avantajlar sunsa da çok yönlülük, hız ve kullanım kolaylığını en üst düzeyde arayan geliştiriciler sürekli olarak Ultralytics Platformu'na yöneliyor.
Bilgisayarlı görü işlem hattını güncellerken Ultralytics YOLO26 eşsiz bir geliştirici deneyimi sunar:
- %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıp (DFL) tamamen kaldırıldığı için YOLO26, uç CPU'larda ve düşük güçlü IoT cihazlarında olağanüstü hızlıdır.
- Geliştirilmiş Küçük Nesne Tespiti: ProgLoss ve STAL kayıp fonksiyonlarının entegrasyonu, hava görüntüleri için kritik olan küçük nesneleri tanımada kayda değer iyileştirmeler sağlar.
- Geniş Kapsamlı Çok Yönlülük: Yalnızca tespite odaklanan PP-YOLOE+'nın aksine YOLO26, göreve özel mimari iyileştirmelerle poz tahmini, yönlendirilmiş sınırlayıcı kutuları (OBB) ve anlamsal segmentasyonu sorunsuzca gerçekleştirir.
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 kesin tercihtir. NMS içermeyen mimarisi, güçlü Python API'si ve Weights & Biases ile TensorRT gibi araçlarla sorunsuz entegrasyonu, projelerinin prototipten üretime sorunsuzca geçmesini sağlar.
Başlamaya hazır mısın? Ultralytics Hızlı Başlangıç Kılavuzu'nu incele veya YOLO11 ile DAMO-YOLO genel bakışımızda daha fazla modeli karşılaştır.