DAMO-YOLO ve YOLOv7
Bilgisayarlı görü araştırmaları, doğruluk ile hesaplama maliyetini dengelemek üzere tasarlanan verimli nesne algılama modellerinin geliştirilmesini sağladı. 2022'de tanıtılan iki dikkat çekici model DAMO-YOLO ve YOLOv7'dir. Her ikisi de gerçek zamanlı görüntü işleme görevlerini hedeflese de sonuçlarına çok farklı mimariler ve eğitim yöntemleriyle ulaşır.
Bu teknik karşılaştırma, makine öğrenimi mühendislerinin kendi bilgisayarlı görü uygulamaları için doğru aracı seçmesine yardımcı olmak üzere her iki modelin farklı yaklaşımlarını; mimarilerini, dağıtım potansiyellerini ve performans ölçütlerini inceler.
Model Kökenleri ve Meta Verileri#
Teknik incelemeye geçmeden önce her modelin geçmişine göz atalım.
DAMO-YOLO#
Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, otomatik mimari araması ve damıtım yoluyla hem hızı hem de doğruluğu optimize etmek amacıyla tanıtıldı.
- 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
DAMO-YOLO hakkında daha fazla bilgi edin
YOLOv7#
2022'nin ortalarında gerçek zamanlı algılamada son teknoloji olarak yayımlanan YOLOv7, dağıtım maliyetlerini artırmadan eğitilebilir "bedava avantajlar paketi"ni sunarak gerçek zamanlı çıkarımı daha ileri taşıdı.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kurum: Institute of Information Science, Academia Sinica, Taiwan
- Tarih: 6 Temmuz 2022
- arXiv: 2207.02696
- Belgeler: YOLOv7 Belgeleri
YOLOv7 hakkında daha fazla bilgi edin
Ultralytics, YOLOv7 ağırlıklarını veya YAML dosyalarını yayımlamadığından YOLOv7, Ultralytics paketiyle yerel olarak eğitilemez. Kaynak depoda eğitilmiş YOLOv7 modelleri ONNX veya TensorRT biçimine aktarılabilir ve Ultralytics ile çıkarım için çalıştırılabilir.
Mimari Yenilikler#
DAMO-YOLO: NAS ve Damıtım#
DAMO-YOLO, verimliliğe yönelik çeşitli teknikler içerir:
- NAS Omurgaları: Gecikmenin kritik olduğu ortamlara göre uyarlanmış verimli omurgaları (MAE-NAS) otomatik olarak tasarlamak için Sinir Ağı Mimarisi Aramasını (NAS) kullanır.
- Verimli RepGFPN: Birden fazla ölçekte özellik birleştirme verimliliğini önemli ölçüde artıran, değiştirilmiş bir Genelleştirilmiş Özellik Piramidi Ağı.
- ZeroHead ve AlignedOTA: Hesaplama yükünü azaltmak için hafif bir algılama başlığı ve optimize edilmiş bir etiket atama stratejisi (AlignedOTA) kullanır.
- Damıtma İyileştirmesi: Parametre sayısını artırmadan daha küçük model varyantlarının performansını yükseltmek için eğitim sırasında büyük ölçüde bilgi damıtımına dayanır.
YOLOv7: E-ELAN ve Ücretsiz Avantajlar Paketi#
YOLOv7, gradyan yolu optimizasyonuna ve sağlam eğitim stratejilerine odaklanan yapısal bir mühendislik yaklaşımı benimsedi.
- E-ELAN Mimarisi: Genişletilmiş Verimli Katman Birleştirme Ağı, en kısa ve en uzun gradyan yollarını denetleyerek modelin daha çeşitli özellikler öğrenmesini sağlar ve öğrenmenin etkili biçimde yakınsamasına yardımcı olur.
- Model Ölçekleme: Birleştirme tabanlı modellere özel bileşik bir ölçekleme yöntemi sunarak yapısal uyum için derinliği ve genişliği eş zamanlı olarak ölçekler.
- Eğitilebilir Ücretsiz Avantajlar Paketi: Kimlik bağlantıları içermeyen yeniden parametrelendirilmiş evrişimler (RepConv) ve dinamik etiket atama stratejileri gibi teknikleri kullanır; bunlar çıkarım hızını etkilemeden eğitim sırasında doğruluğu artırır.
Performans Analizi#
Ortalama Hassasiyet (mAP), hız ve verimlilik değerlendirilirken her iki model de iyi performans gösterir; ancak biraz farklı segmentleri hedefler. YOLOv7, yüksek doğruluklu GPU dağıtımına odaklanırken DAMO-YOLO'nun NAS'tan türetilen yapıları, kısıtlı GPU bütçelerinde düşük gecikme sağlamayı amaçlar.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Metriklerin gösterdiği gibi DAMO-YOLO hafif varyantlar sunar (yalnızca 8.5M parametreli tiny model gibi); YOLOv7 ise daha yüksek bir genel doğruluk zirvesine ulaşır ve YOLOv7x, COCO veri kümesinde 53.1 mAP elde eder.
Ultralytics Ekosisteminin Avantajı#
Teorik mimari önemli olsa da bir modelin pratikteki kullanışlılığını ekosistemi belirler. YOLO26 gibi yerel Ultralytics modelleri, bakımı iyi yapılan bir ekosistemden ve yüksek kullanım kolaylığından yararlanır.
- Performans Dengesi: Ultralytics modelleri, çıkarım hızı ile algılama doğruluğu arasında sürekli olarak güçlü bir denge kurar ve bu sayede hem uç cihazlar hem de bulut tabanlı model dağıtımı için uygundur.
- Bellek Gereksinimleri: Daha ağır Transformer tabanlı modellerden farklı olarak Ultralytics YOLO modelleri eğitim sırasında düşük CUDA bellek gereksinimlerini korur. Bu sayede daha büyük yığın boyutları kullanabilir ve tüketici sınıfı donanımlarda bile eğitim sürecini kolaylaştırabilirsin.
- Esneklik: Ultralytics çerçevesi, nesne algılamanın yanı sıra Örnek Segmentasyonu ve Poz Tahmini gibi görevleri de kapsayarak geliştiricilere eksiksiz bir bilgisayarlı görü araç seti sunar.
Ultralytics paketi, optimize edilmiş veri yükleyiciler ve önceden eğitilmiş ağırlıklar kullanarak veri kümesinden tam eğitilmiş bir modele hızla geçmeni sağlar.
Kod Örneği: Ultralytics ile YOLOv7 Çalıştırma#
Yukarı akıştaki YOLOv7 ONNX dışa aktarımını YOLOv7 kullanım örneklerinde açıklandığı şekilde dönüştürdükten sonra Ultralytics Python API ile çalıştırabilirsin.
from ultralytics import YOLO
# Ultralytics için dönüştürülmüş bir YOLOv7 ONNX modelini yükle
model = YOLO("yolov7-ultralytics.onnx", task="detect")
# Çıkarımı çalıştır
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)Yeni Standart: YOLO26 ile Tanış#
YOLOv7 ve DAMO-YOLO 2022'de önemli ilerlemeler kaydetmiş olsa da görsel yapay zekâ alanı hızla gelişiyor. Bugün yeni projelere başlayan ekipler için önerilen model, Ocak 2026'da yayımlanan Ultralytics YOLO26'dır.
YOLO26 hem performansı hem de kullanılabilirliği iyileştirir:
- Uçtan Uca NMS'siz Tasarım: YOLO26 yerel bir uçtan uca başlık (
nms=False) sunar. Maksimum Olmayan Bastırma (NMS) son işlemeyi ortadan kaldırarak daha hızlı ve basit bir dağıtım mantığı sağlar; bu yaklaşım ilk olarak YOLOv10 ile tanıtılmıştır. - MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'sinde kullanılanlar gibi büyük dil modeli eğitim tekniklerinden ilham alan YOLO26, kararlı eğitim dinamikleri ve daha hızlı yakınsama için SGD ile Muon'un hibritini kullanır.
- %43'e Varan Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı (DFL) kaldırılan ve mimarisi sadeleştirilen YOLO26, düşük güçlü uç bilişim için optimize edilmiştir; YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- ProgLoss + STAL: Küçük nesne tanımayı doğrudan hedefleyen ve iyileştiren yeni bir aşamalı kayıp işlevi ile küçük hedefleri dikkate alan bir etiket atama yöntemi sunar; bunlar hava görüntüleri, robotik ve güvenlik izleme uygulamaları için temel yeteneklerdir.
- Göreve Özel İyileştirmeler: YOLO26, standart algılamanın ötesinde segmentasyon için çok ölçekli prototipleme, poz tahmini için RLE ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kayıpları dâhil olmak üzere farklı görevlere yönelik iyileştirmeler içerir.
İdeal Kullanım Alanları#
Doğru mimariyi seçmek, hedef dağıtım ortamına ve proje kısıtlarına bağlıdır.
DAMO-YOLO'yu ne zaman seçmelisin:
- DAMO-YOLO'nun küçük ve NAS ile aranmış varyantlarının parametre sayılarını düşük tuttuğu, gecikme bütçelerinin kısıtlı olduğu özel GPU donanımlarına dağıtım yapıyorsun.
- Sinir mimarisi aramasını veya bilgi damıtımını araştırıyorsun.
YOLOv7'yi ne zaman seçmelisin:
- Çapa tabanlı, yüksek doğruluklu çıkarım için hâlihazırda optimize edilmiş eski GPU işlem hatların var.
- Gerçek zamanlı doğruluğun kritik önem taşıdığı, yüksek hızlı otonom araçlar veya gelişmiş robotik gibi ortamlarda çalışıyorsun.
YOLO26'yı ne zaman seçmelisin (Önerilen):
- Sıfırdan yeni bir bilgisayarlı görü uygulaması geliştiriyor, yüksek doğruluğun yanı sıra hızlı CPU ve uç çıkarımına ihtiyaç duyuyorsun.
- NMS operatörü kısıtlarıyla uğraşmadan hızlı ve kolay dağıtım (örneğin CoreML veya TensorRT biçimine aktarma) yapman gerekiyor.
- Bulut eğitimi, veri kümesi yönetimi ve otomatik dağıtım için Ultralytics Platform yeteneklerinin tamamından yararlanmak istiyorsun.
Ultralytics ekosistemini kullanarak geliştiriciler, gerçek dünya uygulamalarında güçlü tahmin performansını korurken mühendislik için harcadıkları zamanı önemli ölçüde azaltabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.