DAMO-YOLO ve YOLOv10#
Bilgisayarlı görü alanı, gerçek zamanlı nesne tespiti mimarilerinde hızlı bir evrime tanık olmuştur. DAMO-YOLO ve YOLOv10 karşılaştırıldığında, model tasarımında iki farklı felsefe gözlemliyoruz: otomatik mimari arama ile uçtan uca NMS'siz optimizasyon. Her ikisi de doğruluk ve hızın sınırlarını zorlasa da, temel yapıları ve ideal kullanım senaryoları önemli ölçüde farklılık gösterir.
DAMO-YOLO: Ölçekte Sinirsel Mimari Arama#
Alibaba Group tarafından geliştirilen DAMO-YOLO, yapısal verimlilik için otomatik keşiften yararlanmaya odaklanan güçlü bir dedektör olarak ortaya çıkmıştır.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Tarih: 23 Kasım 2022
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
Mimari Öne Çıkanlar#
DAMO-YOLO, performans ve gecikmeyi dengelemek için büyük ölçüde Sinirsel Mimari Arayışı'na (NAS) güvenir. MAE-NAS olarak adlandırılan ana yapısı, optimal katman derinliğini ve genişliğini bulmak için katı hesaplama bütçeleri altında çok amaçlı evrimsel arayış kullanır.
Ölçekler arası özellik birleştirme işlemlerini yönetmek için model, verimli bir RepGFPN (Reparameterized Generalized Feature Pyramid Network) kullanır. Bu ağır gövdeli tasarım, özellikle karmaşık uzamsal hiyerarşileri çıkarmakta ustadır ve bu sayede hava görüntüsü analizi gibi senaryolarda faydalı olmasını sağlar. Ek olarak DAMO-YOLO, eğitim sırasında güçlü bir damıtma geliştirme sürecine güvenerek nihai tahmin katmanlarının karmaşıklığını büyük ölçüde azaltan sadeleştirilmiş bir tespit kafası olan ZeroHead'i sunar.
DAMO-YOLO genellikle çok aşamlı bir bilgi damıtma süreci kullanır. Daha küçük "öğrenci" modele rehberlik etmesi için daha ağır bir "öğretmen" modelin eğitilmesini gerektirir; bu durum daha yüksek mAP (ortalama Ortalama Kesinlik) elde edilmesini sağlar ancak gereken GPU işlem süresini önemli ölçüde artırır.
DAMO-YOLO hakkında daha fazla bilgi edinin
YOLOv10: Uçtan Uca Nesne Algılamada Öncü#
Bir buçuk yıl sonra piyasaya sürülen YOLOv10, çıkarım sırasında Nesne Olmayanları Bastırma (NMS) ihtiyacını tamamen ortadan kaldırarak bir paradigma değişimi başlattı.
- Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
- Kuruluş: Tsinghua University
- Tarih: 23 Mayıs 2024
- Arxiv: 2405.14458
- Dokümantasyon: Ultralytics YOLOv10
Mimari Öne Çıkanlar#
YOLOv10'un öne çıkan özelliği, NMS içermeyen eğitim için tutarlı ikili atamalarıdır. Geleneksel dedektörler, tek bir nesne için birden fazla çakışan sınırlayıcı kutu tahmin eder ve kopyaları filtrelemek için NMS gerektirir. Bu işlem sonrası adım, özellikle uç cihazlarda bir darboğaz oluşturur. YOLOv10, modelin nesne başına doğal olarak tek bir doğru sınırlayıcı kutu tahmin etmesine izin vererek bunu çözer.
Yazarlar ayrıca bütünsel bir verimlilik-doğruluk odaklı model tasarımına odaklandılar. Mevcut mimarilerdeki hesaplama yedekliliğini dikkatlice analiz ederek, FLOP sayısını ve parametreleri azaltmak için ana omurgayı ve kafayı optimize ettiler. Bu hafif tasarım, TensorRT veya OpenVINO gibi formatlara aktarıldığında YOLOv10'un olağanüstü çıkarım gecikmesi sunmasını sağlar.
YOLOv10 hakkında daha fazla bilgi edin
Performans ve Kıyaslamalar#
Aşağıdaki tablo, COCO veri seti üzerindeki ham performans metriklerini göstermektedir. Her sütundaki en iyi genel değerler kalın yazıyla vurgulanmıştır.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
DAMO-YOLO doğruluk açısından kendi payına düşeni korurken, YOLOv10 sürekli olarak daha düşük gecikme ve önemli ölçüde daha küçük model ağırlıkları sunar. Örneğin YOLOv10s, parametrelerin yarısından azını (7,2M'ye karşılık 16,3M) kullanırken DAMO-YOLOs'tan (ş %46,0) biraz daha yüksek bir mAP (%46,7) elde eder. Daha düşük bellek gereksinimleri, YOLOv10'u gömülü sistemler için son derece çok yönlü bir seçenek haline getirir.
Eğitim Verimliliği ve Kullanılabilirlik#
Akademik araştırmadan üretime geçerken, kullanım kolaylığı çok önemlidir. DAMO-YOLO'nun çok aşamalı damıtma süreci ve karmaşık NAS konfigürasyonları, mühendislik ekipleri için zorlu öğrenme eğrileri oluşturabilir.
Buna karşılık YOLOv10, Ultralytics Python SDK ile tam olarak entegre olmanın büyük avantajını yaşar. Özel bir model eğitmek minimum düzeyde şablon kod gerektirir. Ultralytics; veri artırma, hiperparametre ayarlama ve deney takibi işlemlerini otomatik olarak gerçekleştirir.
from ultralytics import YOLO
# Load a pretrained YOLOv10 nano model
model = YOLO("yolov10n.pt")
# Train on a custom dataset with built-in validation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image seamlessly
prediction = model("path/to/image.jpg")
prediction[0].show()Ultralytics ekosistemini kullanmak, geliştiricilerin daha eski çerçeveler tarafından gerektirilen karmaşık ortam kurulumlarını atlayarak, sadece birkaç satır kodla bir prototipten tamamen aktarılmış bir ONNX modeline geçmesini sağlar.
Gerçek Dünya Kullanım Durumları#
- Akıllı Perakende (DAMO-YOLO): DAMO-YOLO'nun doğruluğu, GPU'ların bol olduğu ve gerçek zamanlı NMS dar boğazlarının yönetilebilir olduğu müşteri davranışını analiz eden yüksek yoğunluklu sunucu ortamları için son derece uygundur.
- Otonom Araçlar (YOLOv10): NMS'siz mimari, otonom sürüşteki güvenlik sistemleri için kritik önem taşıyan deterministik ve öngörülebilir bir gecikme süresi garanti eder.
- Endüstriyel Otomasyon (YOLOv10): Hızla hareket eden montaj hatlarındaki kusurları tespit etmek, devasa VRAM'ler tüketmeden gerçek zamanlı çıkarım hızlarını maksimize eden modeller gerektirir ve bu da YOLOv10'u uç dağıtım için başlıca aday yapar.
Kullanım Durumları ve Öneriler#
DAMO-YOLO ile YOLOv10 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne Zaman DAMO-YOLO Seçilmeli#
DAMO-YOLO şunlar için güçlü bir seçimdir:
- Yüksek Verimli Video Analitiği: Toplu-1 (batch-1) veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
- Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite kontrol gibi, özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
- Neural Architecture Search Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametreleştirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.
Ne Zaman YOLOv10 Seçilmeli#
YOLOv10 şunlar için önerilir:
- NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
- Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
- Tutarlı Gecikme Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.
Ultralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Gelecek Nesil: Ultralytics YOLO26 ile Tanışın#
YOLOv10, NMS içermeyen algılama için temelleri atmış olsa da teknoloji hızla gelişti. Modern uygulamalar için Ultralytics YOLO26 modeli, önceki nesillerin en iyilerini alıp üretime uygun şekilde geliştirerek benzersiz performans ve kullanılabilirlik sunar.
YOLO26, katı bir şekilde yerel olarak uçtan uca bir tasarıma sahiptir ve uç cihazlarda daha basit dağıtım boru hatları için NMS son işlem süreçlerini ortadan kaldırır. Ek olarak, Dağılım Odaklı Kayıp (DFL) bileşeninin kaldırılması, düşük güç tüketen uç yapay zeka donanımı ile uyumluluğu büyük ölçüde artırmıştır.
Eğitim tarafında YOLO26, Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen hibrit bir yapı olan MuSGD Optimizer özelliğini sunar. Bu, daha kararlı bir eğitim ve daha hızlı yakınsama sağlar. ProgLoss + STAL kayıp fonksiyonlarıyla birleştirilen YOLO26; yaban hayatı koruma ve drone operasyonları için kritik bir özellik olan küçük nesne tanımada dikkat çekici gelişmeler sergiler.
Daha da önemlisi, YOLO26 yalnızca bir nesne dedektörü değildir. Örnek Bölütleme, Artık Günlük-Olabilirlik Tahmini (RLE) kullanan Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kayıplarını yerel olarak destekleyerek genelinde türe özgü iyileştirmeler sunar. Önceki sürümlerine göre %43'e varan daha hızlı CPU çıkarımıyla, çevik mühendislik ekipleri için kesin tercihtir.
Merkezi yönetim, etiketleme ve YOLO26 modellerinin bulutta eğitilmesi için Ultralytics Platform, tüm bilgisayarlı görü yaşam döngüsünü kolaylaştıran sezgisel bir arayüz sağlar.
Diğer son gelişmeleri keşfetmekle ilgilenen geliştiriciler, farklı mimari çözümler gerektiren senaryolar için Ultralytics YOLO11 veya tabanlı RT-DETR çerçevesini de değerlendirebilirler.