DAMO-YOLO ve YOLOv5#

Bilgisayarlı görü alanının gelişimi, gerçek zamanlı nesne tespitinde sürekli yeniliklerle şekillenmiştir. Günümüzde geliştiriciler ve araştırmacılar, görü işlem hatları tasarlarken çok sayıda mimari seçenekle karşı karşıyadır. Bu kapsamlı teknik karşılaştırma, DAMO-YOLO ile Ultralytics YOLOv5 arasındaki farklılıkları inceler ve ilgili mimarilerini, eğitim yöntemlerini, performans metriklerini ve ideal dağıtım senaryolarını öne çıkarır.

DAMO-YOLO'ya giriş#

Alibaba Group tarafından yayımlanan DAMO-YOLO, tespit hızı ve doğruluğunun sınırlarını zorlamayı amaçlayan çeşitli yenilikçi teknikler sundu.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 23 Kasım 2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Belgeler: README.md

DAMO-YOLO hakkında daha fazla bilgi edin

Mimari Yenilikler#

DAMO-YOLO, Sinir Mimarisi Arama (NAS) temeli üzerine kuruludur. Yazarlar, gecikme ve doğruluğu dengeleyen omurgaları otomatik olarak tasarlamak için MAE-NAS kullanmıştır. Model, farklı ölçeklerdeki özellik birleşimini iyileştiren verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar. Ayrıca DAMO-YOLO, çıkarım sırasında büyük ölçüde yeniden parametrelendirmeye güvenen daha basit ve daha verimli bir yapı lehine karmaşık çok kollu tahmin başlıklarını ortadan kaldıran bir "ZeroHead" tasarımı içerir.

Model, eğitimi iyileştirmek için etiket atamada AlignedOTA'yı ve daha büyük bir "öğretmen" modelin daha küçük "öğrenci" modele rehberlik ederek daha yüksek doğruluk elde ettiği yoğun bir damıtma geliştirme sürecini kullanır.

Ultralytics YOLOv5'e giriş#

Ultralytics YOLOv5, kararlılığı, kullanım kolaylığı ve kapsamlı dağıtım ekosistemiyle tanınan, dünyada en yaygın kullanılan görü mimarilerinden biridir.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 26 Haziran 2020
• GitHub: ultralytics/yolov5
• Belgeler: YOLOv5 Belgeleri

Ekosistem standardı#

YOLOv5, kullanılabilirlik açısından sektör standardını yeniden tanımladı. Yerel olarak PyTorch ile oluşturulan model, güçlü özellik birleştirme için yüksek düzeyde optimize edilmiş bir CSPNet omurgası ve PANet boynu kullanır. Daha sonraki modellerde görülen anchorsız eğilimden önce geliştirilmiş olsa da, otomatik anchor öğrenimiyle birleştirilen son derece rafine anchor tabanlı yaklaşımı, kutudan çıktığı hâliyle mükemmel performans sağlar.

YOLOv5'in gerçek gücü, İyi Bakımı Yapılan Ekosistemidir. Comet ve Weights & Biases gibi izleme araçlarıyla sorunsuz biçimde bütünleşir ve ONNX, TensorRT ve CoreML gibi biçimlere tek tıklamayla dışa aktarmayı destekler.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı arasındaki dengeyi incelemek kritik önem taşır.

Ödünleşimlerin Analizi#

DAMO-YOLO, parametre boyutlarına kıyasla etkileyici mAP puanlarına ulaşır ve bu başarıda damıtma eğitim aşamasından büyük ölçüde yararlanır. Ancak bunun bedeli Eğitim Verimliliğidir. Çok aşamalı damıtma süreci, önce büyük bir öğretmen modelin eğitilmesini gerektirir; bu da gereken GPU hesaplama süresini ve VRAM kullanımını önemli ölçüde artırır.

Buna karşılık YOLOv5, mükemmel Bellek Gereksinimleri sunar. Ultralytics YOLO modelleri, RT-DETR gibi karmaşık damıtma işlem hatlarına veya Transformer tabanlı modellere kıyasla hem eğitim hem de çıkarım sırasında daha düşük bellek kullanımıyla bilinir. Bu sayede YOLOv5, tüketici sınıfı donanımlarda veya Google Colab gibi erişilebilir bulut ortamlarında verimli biçimde eğitilebilir.

Gerçek Dünya Uygulamaları ve Çok Yönlülük#

Doğru mimariyi seçmek çoğu zaman dağıtım ortamına bağlıdır.

DAMO-YOLO'nun öne çıktığı alanlar#

DAMO-YOLO katı bir şekilde nesne tespiti modelidir. Akademik araştırmalar için, özellikle Sinir Mimarisi Arama'yı inceleyen veya makalede ayrıntıları verilen yeniden parametrelendirme tekniklerini yeniden üretmeyi amaçlayan ekipler için mükemmel bir seçimdir. Bir projenin damıtma eğitimi aşamasını yürütmek için geniş hesaplama kaynakları varsa ve yalnızca 2B sınırlayıcı kutular için son doğruluk payını sıkıştırmaya odaklanmışsa, DAMO-YOLO güçlü bir adaydır.

Ultralytics Avantajı#

Gerçek dünya üretim ortamlarında Ultralytics modellerinin Kullanım Kolaylığı ve Çok Yönlülüğü onları tercih edilen seçenek hâline getirir. YOLOv5, tespit ve görüntü sınıflandırma için temel bir model olmaya devam ederken daha geniş Ultralytics ekosistemi, geliştiricilerin görevler arasında zahmetsizce geçiş yapmasına olanak tanır.

Örneğin Ultralytics ailesinin daha yeni sürümleri yerel olarak örnek bölümlemeyi, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini destekler. Bu çok görevli yetenek, ekiplerin otomatik plaka tanımayı araç bölümlemeyle birleştirmek gibi karmaşık işlem hatları için tek ve birleşik bir Python API'sinden yararlanmasını sağlar.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLOv5 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için güçlü bir seçenektir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için önerilir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, kapsamlı belgelerine ve geniş topluluk desteğine değer verilen mevcut dağıtımlar.
• Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: YOLO26'ya Geçiş#

YOLOv5 efsaneleşmiş, DAMO-YOLO ise ilgi çekici akademik içgörüler sunmuş olsa da son teknoloji gelişmeye devam etmiştir. Ocak 2026'da yayımlanan Ultralytics YOLO26, görü topluluğu için büyük bir ilerlemeyi temsil eder.

YOLO26, uçta dağıtım ve eğitim kararsızlığındaki geleneksel darboğazları ele alır:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma son işleme adımını yerel olarak ortadan kaldırır. Bu atılım, dağıtım mantığını sadeleştirir ve gecikme değişkenliğini büyük ölçüde azaltarak onu yüksek hızlı robotik ve otonom sistemler için ideal hâle getirir.
• MuSGD Optimize Edicisi: LLM eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, MuSGD optimize edicisini (SGD ile Muon'un hibriti) kullanır. Bu, son derece kararlı eğitim çalışmaları ve dikkat çekici ölçüde daha hızlı yakınsama sağlar.
• CPU Çıkarımında %43'e Kadar Daha Hızlı: YOLO26, Distribution Focal Loss'u (DFL) stratejik olarak kaldırarak YOLO11 ve YOLOv8 gibi önceki modellere kıyasla CPU'larda ve uç cihazlarda çok daha yüksek hızlara ulaşır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, havadan drone görüntülerini ve IoT sensör akışlarını analiz etmek için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.

Kod Örneği: Uygulamada Basitlik#

Ultralytics paketi, modelleri yalnızca birkaç satır kodla eğitmene ve dağıtmana olanak tanır. İster YOLOv5 kullan ister önerilen YOLO26'ya yükseltme yap, arayüz tutarlı ve sezgiseldir.

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Export the model for edge deployment
model.export(format="onnx")

Sonuç#

Hem DAMO-YOLO hem de YOLOv5, bilgisayarlı görü alanına önemli katkılarda bulunmuştur. DAMO-YOLO, Nöral Mimari Arama ve damıtmanın gücünü ortaya koyarak araştırmacılar için ilgi çekici bir çalışma örneği sunar. Ancak YOLOv5, Performans Dengesi, düşük bellek gereksinimleri ve eşsiz kullanım kolaylığı sayesinde pratik bir güç merkezi olmaya devam eder.

Bugün yeni projelere başlayan geliştiricilerin Ultralytics Platform'dan yararlanması ve YOLO26'yı benimsemesi önerilir. YOLOv5'in sevilen kullanıcı dostu ekosistemini çığır açan mimari ilerlemelerle birleştirerek hem bulut hem de uç yapay zekâ uygulamaları için üst düzey doğruluk ve yüksek hızlı çıkarım sağlar. Geliştiriciler, belirli eski donanım kısıtlarına bağlı olarak YOLOv6 veya YOLOX gibi diğer verimli modelleri de incelemek isteyebilir.