DAMO-YOLO ve YOLOv5#

Bilgisayarlı görü, gerçek zamanlı nesne algılamadaki sürekli yeniliklerle şekillendi. Günümüzde geliştiriciler ve araştırmacılar, görü iş hatlarını tasarlarken çok sayıda mimari arasından seçim yapıyor. Bu kapsamlı teknik karşılaştırma, DAMO-YOLO ile Ultralytics YOLOv5 arasındaki farkları inceliyor ve her iki modelin mimarilerini, eğitim yöntemlerini, performans ölçütlerini ve ideal dağıtım senaryolarını öne çıkarıyor.

DAMO-YOLO'ya Giriş#

Alibaba Group tarafından piyasaya sürülen DAMO-YOLO, algılama hızı ve doğruluğunun sınırlarını zorlamayı amaçlayan çeşitli yeni teknikler ortaya koydu.

• 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 Araması (NAS) temeli üzerine kurulu. Makalenin yazarları, gecikme ile doğruluk arasında denge kuran omurgaları otomatik tasarlamak için MAE-NAS'tan yararlandı. Model, farklı ölçeklerde özellik birleştirmeyi iyileştiren verimli RepGFPN'yi (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunuyor. Ayrıca DAMO-YOLO, karmaşık çok dallı tahmin başlıklarını kaldırıp yerine çıkarım sırasında büyük ölçüde yeniden parametreleştirmeye dayanan daha basit ve verimli bir yapı kullanan "ZeroHead" tasarımını içeriyor.

Eğitimi iyileştirmek için model, etiket atamasında AlignedOTA'yı ve büyük bir "öğretmen" modelin daha küçük "öğrenci" modele rehberlik ederek daha yüksek doğruluk elde etmesini sağlayan kapsamlı bir damıtma sürecini kullanıyor.

Ultralytics YOLOv5'e Giriş#

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

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

Ekosistem Standardı#

YOLOv5, kullanılabilirlik açısından sektör standardını yeniden belirledi. Yerel olarak PyTorch ile oluşturulan model, son derece optimize edilmiş bir CSPNet omurgası ve güçlü özellik birleştirme için PANet boyun yapısı kullanıyor. Daha sonraki modellerde görülen çapadan bağımsız yaklaşımdan önce geliştirilmiş olsa da otomatik çapa öğrenimiyle birleştirilen, iyileştirilmiş çapa tabanlı yaklaşımı kutudan çıktığı hâliyle mükemmel performans sunuyor.

YOLOv5'in asıl gücü, Bakımı İyi Yapılan Ekosisteminde yatıyor. Comet ve Weights & Biases gibi izleme araçlarıyla sorunsuz biçimde bütünleşiyor ve ONNX, TensorRT ve CoreML gibi biçimlere tek tıklamayla dışa aktarımı destekliyor.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken ortalama Ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı arasındaki dengeye bakmak çok önemli.

Ödünleşimlerin Analizi#

DAMO-YOLO, parametre boyutuna göre etkileyici mAP puanları elde ediyor ve bundan büyük ölçüde damıtma eğitim aşamasında yararlanıyor. Ancak bunun bedeli Eğitim Verimliliği oluyor. Çok aşamalı damıtma süreci, önce büyük bir öğretmen modelin eğitilmesini gerektiriyor; bu da gereken GPU hesaplama süresini ve VRAM'i önemli ölçüde artırıyor.

Buna karşılık YOLOv5, Bellek Gereksinimleri açısından oldukça verimli. Ultralytics YOLO modelleri, karmaşık damıtma hatlarına veya RT-DETR gibi Transformer tabanlı modellere kıyasla hem eğitim hem de çıkarım sırasında daha az bellek kullanmasıyla tanınıyor. Bu sayede YOLOv5'i tüketici sınıfı donanımlarda veya Google Colab gibi erişilebilir bulut ortamlarında verimli biçimde eğitebilirsin.

Gerçek Dünya Uygulamaları ve Çok Yönlülük#

Doğru mimariyi seçmek çoğu zaman dağıtım ortamına bağlı.

DAMO-YOLO'nun Öne Çıktığı Alanlar#

DAMO-YOLO kesinlikle bir nesne algılama modeli. Özellikle Sinir Mimarisi Aramasını inceleyen veya makalede açıklanan yeniden parametreleştirme tekniklerini yeniden üretmeyi amaçlayan ekipler için akademik araştırmalarda mükemmel bir seçenek. Bir proje, damıtma eğitim aşamasını yürütmek için kapsamlı hesaplama kaynaklarına sahipse ve yalnızca 2B sınırlayıcı kutularda doğruluğu son noktaya kadar artırmaya odaklanıyorsa DAMO-YOLO güçlü bir aday.

Ultralytics Avantajı#

Gerçek dünya üretim ortamlarında Ultralytics modellerinin Kullanım Kolaylığı ve Çok Yönlülüğü, onları tercih edilen seçenek hâline getiriyor. YOLOv5, algılama ve görüntü sınıflandırma için vazgeçilmezliğini korurken daha geniş Ultralytics ekosistemi, geliştiricilerin görevler arasında zahmetsizce geçiş yapmasını sağlıyor.

Örneğin Ultralytics ailesinin daha yeni sürümleri yerleşik olarak örnek segmentasyonunu, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekliyor. Bu çoklu görev yeteneği, ekiplerin otomatik plaka tanımayı araç segmentasyonuyla birleştirmek gibi karmaşık iş hatları için tek ve birleşik bir Python API'sinden yararlanmasını sağlıyor.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLOv5 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlı.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlar için güçlü bir seçenektir:

• Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
• Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.

YOLOv5'i Ne Zaman Seçmeli?#

YOLOv5 şu durumlarda önerilir:

• Üretimde Kendini Kanıtlamış Sistemler: YOLOv5'in uzun süreli istikrar geçmişine, 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 kaynaklarının sınırlı olduğu ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

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

Gelecek: YOLO26'ya Geçiş#

YOLOv5 efsanevi, DAMO-YOLO ise ilgi çekici akademik bilgiler sunsa da en ileri teknoloji gelişmeye devam etti. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, görü topluluğu için büyük bir ilerlemeyi temsil ediyor.

YOLO26, uç dağıtım ve eğitim kararlılığıyla ilgili geleneksel darboğazları gideriyor:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı uçtan uca başlığı (nms=False), Maksimum Olmayan Bastırma son işlemesini ortadan kaldırıyor. Bu çığır açan özellik dağıtım mantığını basitleştirip gecikme değişkenliğini önemli ölçüde azaltarak yüksek hızlı robotik ve otonom sistemler için ideal bir çözüm sunuyor.
• MuSGD Optimizer: YOLO26, LLM eğitimi yeniliklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenerek MuSGD optimize edicisini (SGD ile Muon'un hibriti) kullanıyor. Bu, eğitim sürecinde yüksek kararlılık ve kayda değer ölçüde daha hızlı yakınsama sağlıyor.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26n, Dağılımsal Odaklı Kayıp (DFL) işlevini stratejik olarak kaldırarak CPU ONNX'te YOLO11n'den %43'e kadar daha hızlı çalışıyor; YOLO11 ve YOLOv8 gibi önceki modellerden daha yüksek CPU ve uç cihaz hızları sunuyor.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesneleri tanımada önemli iyileştirmeler sağlıyor. Bu iyileştirmeler, hava aracı görüntülerini ve IoT sensör akışlarını analiz etmek için kritik önem taşıyor.

Kod Örneği: Sadelik iş başında#

Ultralytics paketi, yalnızca birkaç satır kodla modelleri eğitip dağıtmanı sağlıyor. İster YOLOv5 kullan ister önerilen YOLO26'ya geç, arayüz tutarlı ve sezgisel kalıyor.

from ultralytics import YOLO

# En ileri düzey YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# Özel veri kümesinde zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Bir görüntü üzerinde çıkarım çalıştır ve sonuçları görüntüle
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Modeli uç dağıtım için dışa aktar
model.export(format="onnx")

Sonuç#

DAMO-YOLO ve YOLOv5, bilgisayarlı görü alanının gelişimine önemli katkılarda bulundu. DAMO-YOLO, Sinir Mimarisi Araması ve damıtmanın gücünü ortaya koyarak araştırmacılar için ilgi çekici bir çalışma konusu sunuyor. Ancak YOLOv5, Performans Dengesi, düşük bellek gereksinimleri ve eşsiz kullanım kolaylığı sayesinde pratik ve güçlü bir çözüm olmayı sürdürüyor.

Bugün yeni projelere başlayan geliştiricilerin Ultralytics Platform üzerinden ilerlemesini ve YOLO26'yı benimsemesini öneriyoruz. YOLOv5'in sevilen, kullanıcı dostu ekosistemini çığır açan mimari gelişmelerle birleştirerek bulut ve uç AI uygulamalarında üst düzey doğruluk ve ışık hızında çıkarım sağlıyor. Geliştiriciler, eski donanımlara özgü kısıtlara bağlı olarak YOLOv6 veya YOLOX gibi diğer verimli modelleri de inceleyebilir.