DAMO-YOLO ve YOLOv5
Bilgisayarlı görü alanının gelişimi, gerçek zamanlı nesne algılamadaki sürekli yeniliklerle şekillendi. Geliştiriciler ve araştırmacılar artık görsel iş akışları tasarlarken birçok mimari arasından seçim yapabiliyor. Bu teknik karşılaştırmada DAMO-YOLO ve Ultralytics YOLOv5; mimarileri, eğitim yöntemleri, performans metrikleri ve en uygun dağıtım senaryoları açısından inceleniyor.
DAMO-YOLO'ya Giriş#
Alibaba Group tarafından yayımlanan DAMO-YOLO, algılama hızını ve doğruluğunu artırmayı amaçlayan birçok yeni teknik 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 aramasını (NAS) temel alır. Yazarlar, gecikme ile doğruluğu dengeleyen omurgaları otomatik olarak tasarlamak için MAE-NAS'ı kullandı. Model, farklı ölçeklerde özellik füzyonunu iyileştiren verimli RepGFPN'yi (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) sunar. DAMO-YOLO ayrıca karmaşık çok dallı tahmin başlıklarını kaldırıp çıkarım sırasında büyük ölçüde yeniden parametreleştirmeye dayanan daha basit ve verimli bir yapıyı tercih eden "ZeroHead" tasarımını içerir.
Eğitimi iyileştirmek için model, etiket atamada AlignedOTA'yı ve daha büyük bir "öğretmen" modelin daha küçük "öğrenci" modele rehberlik ederek daha yüksek doğruluk elde etmesini sağlayan kapsamlı bir bilgi damıtımı sürecini kullanır.
Ultralytics YOLOv5'e Giriş#
Ultralytics YOLOv5, kararlılığı, kullanım kolaylığı ve kapsamlı dağıtım ekosistemiyle tanınan, dünyada en yaygın kullanılan görsel mimarilerden biridir.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 26 Haziran 2020
- GitHub: ultralytics/yolov5
- Belgeler: YOLOv5 Belgeleri
Ekosistem Standardı#
YOLOv5 kullanılabilirlik konusunda yeni bir standart belirledi. Yerel olarak PyTorch ile geliştirilen model, güçlü özellik birleştirme için optimize edilmiş bir CSPNet omurgası ve PANet boyun ağı kullanır. Sonraki modellerde görülen çapasız yaklaşım yaygınlaşmadan önce geliştirilmiş olsa da otomatik çapa öğrenimiyle desteklenen iyileştirilmiş çapa tabanlı yaklaşımı, kutudan çıktığı hâliyle iyi performans gösterir.
YOLOv5'in başlıca gücü Bakımı İyi Yapılan Ekosistemidir. Comet ve Weights & Biases gibi izleme araçlarıyla bütünleşir ve ONNX, TensorRT ve CoreML gibi biçimlere tek komutla dışa aktarmayı destekler.
YOLOv5'i özel veri kümelerinde eğitmek kolaydır. Sadeleştirilmiş API, prototipten üretime geçişteki zorlukları azaltır ve modeli çevik mühendislik ekiplerinin gözdesi hâline getirir.
Performans ve Metrik Karşılaştırması#
Bu modelleri karşılaştırırken ortalama Ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı arasındaki dengeye bakmak çok önemli.
| Model | boyut (piksel) | mAPval50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Ödünleşimlerin Analizi#
DAMO-YOLO, parametre boyutlarına kıyasla güçlü mAP puanları elde eder ve damıtım eğitim aşamasından büyük ölçüde yararlanır. Ancak bunun bedeli Eğitim Verimliliğidir. Çok aşamalı damıtım süreci önce büyük bir öğretmen modelin eğitilmesini gerektirir; bu da gereken GPU hesaplama süresini ve VRAM miktarını önemli ölçüde artırır.
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 modelidir. Özellikle sinir mimarisi aramasını inceleyen veya makalede açıklanan yeniden parametreleştirme tekniklerini yeniden üretmeyi amaçlayan ekipler için akademik araştırmalarda iyi bir seçenektir. Bir projede damıtım eğitim aşamasını yürütmek için kapsamlı hesaplama kaynakları varsa ve odak noktası yalnızca 2B sınırlayıcı kutularda doğruluğun son kırıntılarını elde etmekse DAMO-YOLO güçlü bir adaydır.
Ultralytics Avantajı#
Gerçek dünya üretim uygulamalarında Ultralytics modellerinin Kullanım Kolaylığı ve Çok Yönlülüğü onları tercih edilen seçenek hâline getirir. YOLOv5 algılamayı, örnek segmentasyonunu ve görüntü sınıflandırmayı destekler; daha geniş Ultralytics ekosistemi de geliştiricilerin görevler arasında kolayca geçiş yapmasını sağlar.
Örneğin Ultralytics ailesinin daha yeni sürümleri, yerel olarak poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı da destekler. Bu çoklu görev yeteneği, ekiplerin araç segmentasyonunu otomatik plaka tanımayla birleştirmek gibi karmaşık iş akışlarında tek ve birleşik bir Python API kullanmasını sağlar.
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 Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
- 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 yaygın olarak kullanılmaya devam ederken DAMO-YOLO da akademik açıdan ilginç bilgiler sunuyor; ancak teknoloji seviyesi ilerledi. Ocak 2026'da yayımlanan Ultralytics YOLO26, görsel yapay zekâ topluluğu için büyük bir ilerlemedir.
YOLO26, uç dağıtım ve eğitim kararlılığıyla ilgili geleneksel darboğazları gideriyor:
- Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı uçtan uca başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırır. Bu, dağıtım mantığını sadeleştirir ve gecikme değişkenliğini azaltarak modeli yüksek hızlı robotik ve otonom sistemler için çok uygun hâle getirir. - MuSGD Optimize Edici: LLM eğitimindeki yeniliklerden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, kararlı eğitim çalışmaları ve daha hızlı yakınsama için MuSGD optimize ediciyi (SGD ile Muon'un bir hibriti) kullanır.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı (DFL) kaldırıldığında YOLO26n, CPU ONNX üzerinde YOLO11n'den %43'e kadar daha hızlı çalışır.
- ProgLoss + STAL: Aşamalı kayıp işlevi ve küçük hedefleri dikkate alan etiket atama yöntemi, küçük nesnelerin tanınmasında kayda değer iyileşmeler sağlar. Bu, hava aracı görüntülerini ve IoT sensör akışlarını analiz etmek için kritik önemdedir.
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
# YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")
# Özel bir veri kümesiyle 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#
Hem DAMO-YOLO hem de YOLOv5, bilgisayarlı görü alanına önemli katkılar sağladı. DAMO-YOLO, sinir mimarisi aramasının ve damıtımın gücünü göstererek araştırmacılar için ilgi çekici bir çalışma konusu sunuyor. Ancak YOLOv5, Performans Dengesi, düşük bellek gereksinimleri ve kullanım kolaylığı sayesinde pratik bir seçenek olmaya devam ediyor.
Bugün yeni projelere başlayan geliştiricilere Ultralytics Platformu kullanmaları ve YOLO26'yı tercih etmeleri önerilir. YOLO26, YOLOv5'in kullanıcı dostu ekosistemini daha yeni mimari gelişmelerle birleştirerek hem bulut hem uç yapay zekâ uygulamalarında yüksek doğruluk ve hızlı çıkarım sunar. Geliştiriciler, belirli eski donanım kısıtlarına bağlı olarak YOLOv6 veya YOLOX gibi diğer verimli modelleri de incelemek isteyebilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.