DAMO-YOLO ile YOLOv5 karşılaştırması#
Bilgisayarla görü evrimi, gerçek zamanlı nesne tespiti alanındaki sürekli inovasyonlarla şekillenmiştir. Bugün, geliştiriciler ve araştırmacılar görme boru hatlarını tasarlarken sayısız mimari seçimle karşı karşıyadır. Bu kapsamlı teknik karşılaştırma, DAMO-YOLO ile Ultralytics YOLOv5 arasındaki nüansları inceleyerek ilgili mimarilerini, eğitim metodolojilerini, performans metriklerini ve ideal dağıtım senaryolarını vurgulamaktadır.
DAMO-YOLO'ya Giriş#
Alibaba Group tarafından yayınlanan DAMO-YOLO, tespit hızı ve doğruluğunun sınırlarını zorlamayı hedefleyen birçok yeni teknik tanıttı.
- 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, Sinirsel Mimari Arama (NAS) temelinde inşa edilmiştir. Yazarlar, gecikme ve doğruluğu dengeleyen omurgaları otomatik olarak tasarlamak için MAE-NAS kullanmıştır. Model, farklı ölçeklerde özellik birleştirmeyi geliştiren verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar. Dahası, DAMO-YOLO, çıkarım sırasında büyük ölçüde yeniden parametrelendirmeye güvenen daha basit, daha verimli bir yapı lehine karmaşık çok dallı tahmin başlıklarını ortadan kaldıran bir "ZeroHead" tasarımı içerir.
Eğitimi iyileştirmek için model, etiket ataması için AlignedOTA ve daha büyük bir "öğretmen" modelin daha küçük "öğrenci" modelin daha yüksek doğruluk elde etmesine rehberlik ettiği yoğun bir damıtma iyileştirme süreci kullanır.
Ultralytics YOLOv5'e Giriş#
Ultralytics YOLOv5, kararlılığı, kullanım kolaylığı ve geniş dağıtım ekosistemiyle bilinen, dünyada en yaygın benimsenen görü mimarilerinden biridir.
- Yazarlar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 26 Haziran 2020
- GitHub: ultralytics/yolov5
- Dokümantasyon: YOLOv5 Documentation
YOLOv5 hakkında daha fazla bilgi edin
Ekosistem Standardı#
YOLOv5, kullanılabilirlik açısından endüstri standardını yeniden tanımladı. Doğrudan PyTorch içinde oluşturulmuş olup, sağlam özellik birleşimi için son derece optimize edilmiş bir CSPNet omurgası ve bir PANet boyun kısmı kullanır. Sonraki modellerde görülen çıpasız (anchor-free) trendden önce çıkmış olsa da, son derece gelişmiş çıpa tabanlı yaklaşımı, otomatik çıpa öğrenimi ile birleştiğinde kutudan çıktığı gibi mükemmel performans sağlar.
YOLOv5'in gerçek gücü İyi Bakım Gören Ekosisteminde yatar. Comet ve Weights & Biases gibi izleme araçlarıyla sorunsuz bir şekilde bütünleşir ve ONNX, TensorRT ve CoreML gibi formatlara tek tıklamayla dışa aktarmayı destekler.
YOLOv5'i özel veri setlerinde eğitmek inanılmaz derecede kolaydır. Modern API, prototipten üretime geçişteki sürtünmeyi azaltarak onu çevik mühendislik ekipleri arasında favori haline getirir.
Performans ve Metrik Karşılaştırması#
Bu modelleri karşılaştırırken, Ortalama Hassasiyet (mAP), çıkarım hızı ve parametre sayısı dengesine bakmak kritiktir.
| 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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Ödünleşimleri Analiz Etmek#
DAMO-YOLO, parametre boyutlarına göre etkileyici mAP puanları elde eder ve damıtma eğitimi aşamasından büyük ölçüde yararlanır. Ancak bu, Eğitim Verimliliği pahasına gelir. Çok aşamalı damıtma süreci, öncelikle ağır bir öğretmen modelinin eğitilmesini gerektirir, bu da gerekli GPU hesaplama süresini ve VRAM'i önemli ölçüde artırır.
Buna karşılık, YOLOv5 mükemmel Bellek Gereksinimleri sunar. Ultralytics YOLO modelleri, karmaşık damıtma boru hatlarına veya RT-DETR gibi tabanlı transformer modellerine kıyasla hem eğitim hem de çıkarım sırasında daha düşük bellek kullanımıyla bilinir. Bu, YOLOv5'in tüketici sınıfı donanımda veya Google Colab gibi erişilebilir bulut ortamlarında verimli bir şekilde eğitilmesine olanak tanır.
Gerçek Dünya Uygulamaları ve Çok Yönlülük#
Doğru mimariyi seçmek genellikle dağıtım ortamına bağlıdır.
DAMO-YOLO'nun Öne Çıktığı Yerler#
DAMO-YOLO katı bir şekilde bir nesne tespiti modelidir. Akademik araştırma için, özellikle Sinirsel Mimari Arama üzerine çalışan ekipler veya makalede ayrıntılı olarak açıklanan yeniden parametrelendirme tekniklerini çoğaltmayı amaçlayanlar için mükemmel bir seçimdir. Bir projenin damıtma eğitimi aşamasını yürütmek için geniş hesaplama kaynakları varsa ve yalnızca 2D sınırlayıcı kutular için doğruluğun son kesrini sıkıştırmaya odaklanmışsa, DAMO-YOLO güçlü bir rakiptir.
Ultralytics Avantajı#
Gerçek dünyadaki üretim için Ultralytics modellerinin Kullanım Kolaylığı ve Çok Yönlülüğü onları tercih edilen seçenek haline getirir. YOLOv5 tespit ve görüntü sınıflandırma için bir temel olmaya devam ederken, daha geniş Ultralytics ekosistemi geliştiricilerin görevler arasında zahmetsizce geçiş yapmasına olanak tanır.
Örneğin, Ultralytics ailesindeki yeni yinelemeler örnek segmentasyonu, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini yerel olarak destekler. Bu çoklu görev yeteneği, ekiplerin otomatik plaka tanıma ile araç segmentasyonunu birleştirmek gibi karmaşık boru hatları için tek, birleşik bir Python API kullanabilmesini sağlar.
Kullanım Durumları ve Öneriler#
DAMO-YOLO ile YOLOv5 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.
YOLOv5 Ne Zaman Seçilmeli#
YOLOv5 şunlar için önerilir:
- Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
- Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
- Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.
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: YOLO26'ya Geçiş#
YOLOv5 efsanevi olsa ve DAMO-YOLO ilginç akademik içgörüler sunsa da, teknolojinin geldiği nokta değişti. Ocak 2026'da yayınlanan Ultralytics YOLO26, görü topluluğu için büyük bir ileri atılımı temsil eder.
YOLO26 hakkında daha fazla bilgi edin
YOLO26, uç cihaz dağıtımı ve eğitim kararsızlığının geleneksel darboğazlarını ele alır:
- Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Maksimum Olmayan Bastırma (Non-Maximum Suppression) son işlemeyi yerel olarak ortadan kaldırır. Bu çığır açan gelişme, dağıtım mantığını basitleştirir ve gecikme değişkenliğini büyük ölçüde azaltarak yüksek hızlı robotik ve otonom sistemler için ideal hale getirir.
- MuSGD Optimize Edici: LLM eğitim inovasyonlarından (Moonshot AI'nin Kimi K2'si gibi) ilham alan YOLO26, MuSGD optimize edicisini (SGD ve Muon'un bir melezi) kullanır. Bu, son derece kararlı eğitim süreçleri ve dikkat çekici derecede daha hızlı yakınsama sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odak Kaybı (DFL) stratejik olarak kaldırılarak YOLO26, YOLO11 ve YOLOv8 gibi öncüllerine kıyasla CPU'larda ve uç cihazlarda çok üstün hızlar elde eder.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlar; bu, hava dronu görüntüleri ve IoT sensör akışlarını analiz etmek için çok önemlidir.
Kod Örneği: Basitlik İş Başında#
Ultralytics paketi, modelleri yalnızca birkaç satır kodla eğitmenize ve dağıtmanıza olanak tanır. İster YOLOv5 kullanıyor olun, ister önerilen YOLO26'ya yükseltin, arayüz tutarlı ve sezgisel kalmaya devam eder.
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 dünyasına önemli katkılarda bulunmuştur. DAMO-YOLO, Sinirsel Mimari Arama ve damıtmanın gücünü sergileyerek araştırmacılar için ilginç bir çalışma konusu oluşturur. Ancak YOLOv5, Performans Dengesi, düşük bellek gereksinimleri ve eşsiz kullanım kolaylığı nedeniyle pratik bir güç merkezi olmaya devam etmektedir.
Bugün yeni projelere başlayan geliştiriciler için tavsiye, Ultralytics Platform öğesinden yararlanmak ve YOLO26 benimsemektir. YOLOv5'in sevilen, kullanıcı dostu ekosistemini çığır açan mimari gelişmelerle birleştirerek hem bulut hem de uç AI uygulamaları için birinci sınıf doğruluk ve inanılmaz hızlı çıkarım sağlar. Geliştiriciler ayrıca belirli eski donanım kısıtlamalarına bağlı olarak YOLOv6 veya YOLOX gibi diğer verimli modelleri keşfetmek isteyebilir.