DAMO-YOLO ile YOLOv7 karşılaştırması#

Bilgisayarlı görü alanındaki hızlı gelişme, doğruluk ve hesaplama maliyeti arasında denge kurmak için tasarlanmış son derece verimli object detection modellerini ortaya çıkarmiştir. 2022 yılında tanıtılan iki dikkat çekici model DAMO-YOLO ve YOLOv7'dir. Her ikisi de gerçek zamanlı görü görevlerinin sınırlarını zorlamayı amaçlasa da, sonuçlarına çok farklı mimari paradigmalar ve eğitim metodolojileri aracılığıyla ulaşırlar.

Bu kapsamlı teknik karşılaştırma, makine öğrenimi mühendislerinin belirli computer vision applications için doğru aracı seçmesine yardımcı olmak amacıyla her iki modelin farklı yaklaşımlarını inceler; mimarilerini, dağıtım potansiyellerini ve performans metriklerini değerlendirir.

Model Kökenleri ve Meta Verileri#

Derin teknik analize dalmadan önce, bu iki bilgisayarlı görü modelinin kökenlerini bağlama oturtmak önemlidir.

DAMO-YOLO#

Alibaba Group'taki araştırmacılar tarafından geliştirilen DAMO-YOLO, otomatik mimari arama ve damıtma yoluyla hem hızı hem de doğruluğu optimize etmek için 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 en son teknoloji (state-of-the-art) olarak piyasaya sürülen YOLOv7, dağıtım maliyetlerini artırmadan eğitilebilir "ücretsiz ganimetler" (bag-of-freebies) sunarak real-time inference sürecini daha da ileriye taşıdı.

Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Organization: Institute of Information Science, Academia Sinica, Taiwan
Tarih: 6 Temmuz 2022
Arxiv: 2207.02696
Dokümanlar: YOLOv7 Belgeleri

YOLOv7 hakkında daha fazla bilgi edinin

Desteklenen Ekosistem

YOLOv7, Ultralytics ekosistemi içinde resmi olarak desteklenmekte olup birleşik bir API ile sorunsuz eğitim, doğrulama ve dışa aktarmaya olanak tanır.

Mimari Yenilikler#

DAMO-YOLO: NAS ve Damıtma#

DAMO-YOLO, maksimum verimliliğe yönelik çeşitli ileri teknoloji teknikleri içerir:

NAS Omurgaları: Gecikmeye duyarlı ortamlar için özel olarak tasarlanmış optimal omurgaları (MAE-NAS) otomatik olarak tasarlamak için Sinir Mimarisi Arama (NAS) kullanır.
Verimli RepGFPN: Birden fazla ölçekte özellik birleştirme verimliliğini önemli ölçüde artıran değiştirilmiş bir Genelleştirilmiş Özellik Piramidi Ağı.
ZeroHead & AlignedOTA: Hesaplama yükünü azaltmak için hafif bir algılama başlığı ve optimize edilmiş bir etiket atama stratejisi (AlignedOTA) içerir.
Damıtma Geliştirmesi: Küçük model varyantlarının performansını, parametre sayılarını artırmadan yükseltmek için eğitim sırasında yoğun bir şekilde bilgi damıtmadan yararlanır.

YOLOv7: E-ELAN ve Bag-of-Freebies#

YOLOv7, gradyan yolu optimizasyonuna ve sağlam eğitim stratejilerine odaklanarak daha yapısal bir mühendislik yaklaşımı benimsemiştir.

E-ELAN Mimarisi: Genişletilmiş Verimli Katman Birleştirme Ağı, modelin en kısa ve en uzun gradyan yollarını kontrol ederek daha çeşitli özellikleri öğrenmesini sağlar ve etkili öğrenme yakınsaması garantiler.
Model Ölçeklendirme: Birleştirme tabanlı modeller için özel olarak hazırlanmış, yapısal uyum için derinliği ve genişliği aynı anda ölçeklendiren bir bileşik ölçeklendirme yöntemi sunar.
Eğitilebilir Ücretsiz Ganimetler: Kimlik bağlantıları olmayan yeniden parametrelendirilmiş konvolüsyonlar (RepConv) ve eğitim sırasında çıkarım hızını etkilemeden accuracy değerini artıran dinamik etiket atama stratejileri gibi teknikler kullanır.

Performans Analizi#

mean Average Precision (mAP), hız ve verimlilik değerlendirildiğinde, her iki model de biraz farklı segmentleri hedeflese de etkileyici metrikler sergiler. YOLOv7 yüksek doğrulukta GPU dağıtımına ağırlık verirken, DAMO-YOLO'nun NAS tabanlı yapıları agresif düşük gecikmeli CPU ve uç (edge) dağıtımını hedefler.

Model	boyut ^(piksel)	mAP^val 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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

Metriklerde görüldüğü üzere, DAMO-YOLO son derece hafif varyantlar (sadece 8,5M parametreli tiny modeli gibi) sunarken, YOLOv7 daha yüksek genel doğruluk zirvesine ulaşır ve YOLOv7x, COCO veri setinde etkileyici bir 53,1 mAP değerine ulaşır.

Ultralytics Ekosistemi Avantajı#

Teorik mimari önemli olsa da, bir modelin pratikliği ekosistemi tarafından belirlenir. YOLOv7 gibi Ultralytics tarafından desteklenen modeller, iyi bakılan bir ekosistemden ve benzersiz bir kullanım kolaylığından yararlanır.

Performans Dengesi: Ultralytics modelleri, çıkarım hızı ile tespit doğruluğu arasında tutarlı bir şekilde en uygun dengeyi kurar; bu da onları hem uç cihazlar hem de bulut tabanlı model deployment için ideal kılar.
Bellek Gereksinimleri: Daha ağır Transformer tabanlı modellerin aksine, Ultralytics YOLO modelleri eğitim sırasında düşük CUDA bellek gereksinimlerini korur. Bu durum, tüketici sınıfı donanımlarda bile eğitim sürecini kolaylaştırarak daha büyük batch sizes kullanılmasına izin verir.
Çok Yönlülük: Ultralytics altyapısı nesne tespitinin ötesine geçerek Instance Segmentation ve Pose Estimation gibi görevleri de kapsar ve geliştiricilere eksiksiz bir bilgisayarlı görü araç seti sunar.

Eğitim Verimliliği

Ultralytics paketi, yüksek oranda optimize edilmiş veri yükleyicilerden ve önceden eğitilmiş ağırlıklardan yararlanarak veri setlerinden tamamen eğitilmiş bir modele dakikalar içinde sorunsuz bir şekilde geçmenizi sağlar.

Kod Örneği: Ultralytics ile YOLOv7 Eğitimi#

YOLOv7'yi bilgisayarlı görü iş akışına entegre etmek, Ultralytics Python API kullanarak inanılmaz derecede basittir.

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and validate results
metrics = model.val()
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

Yeni Standart: YOLO26 ile Tanışın#

YOLOv7 ve DAMO-YOLO 2022'de önemli dönüm noktalarını temsil ederken, görü yapay zekası alanı hızla ilerlemektedir. Bugün yeni projeler başlatan ekipler için önerilen model, Ocak 2026'da yayınlanan son teknoloji ürünü Ultralytics YOLO26 modelidir.

YOLO26, en son yenilikleri bünyesinde barındırarak performans ve kullanılabilirlikte nesilsel bir sıçrama sağlar:

Uçtan Uca NMS İçermeyen Tasarım: YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlem aşamasını ortadan kaldırarak, ilk olarak YOLOv10 tarafından öncülük edilen bir paradigma değişimi ile daha hızlı ve daha basit bir dağıtım mantığı sunar.
MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'si gibi büyük dil modeli yeniliklerinden esinlenen YOLO26, SGD ve Muon'un bir hibritini kullanır. Bu optimize edici, son derece istikrarlı eğitim dinamikleri ve dramatik derecede daha hızlı yakınsama oranları sağlar.
%43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL)'nin hedeflenen kaldırılması ve köklü yapısal iyileştirmelerle YOLO26, düşük güçlü uç bilişim için yoğun bir şekilde optimize edilmiş olup GPU olmayan donanımlarda önceki nesillerden daha iyi performans gösterir.
ProgLoss + STAL: Havadan çekilen görüntüler, robotik ve security monitoring alanlarındaki uygulamalar için temel bir yetenek olan küçük nesne tanımayı doğrudan hedefleyen ve iyileştiren gelişmiş yeni kayıp fonksiyonlarını bünyesinde barındırır.
Göreve Özel İyileştirmeler: Standart tespitin ötesinde YOLO26; segmentasyon için çok ölçekli prototipleme, poz tahmini için RLE ve Oriented Bounding Boxes (OBB) için belirli açı kayıpları dahil olmak üzere çeşitli görevler için özel geliştirmeler sunar.

YOLO26 hakkında daha fazla bilgi edin

İdeal Kullanım Senaryoları#

Doğru mimariyi seçmek tamamen hedef dağıtım ortamına ve proje kısıtlamalarına bağlıdır.

DAMO-YOLO ne zaman seçilmeli:

Ham parametre sayısının son derece düşük tutulması gereken (örneğin mikrodenetleyiciler) ağır kısıtlı ve kaynakları sınırlı uç ortamlarda çalışıyorsan.
Özellikle Alibaba'nın özel bulut hizmetleriyle entegre edilmiş otomatik makine öğrenimi iş akışlarını kullanıyorsan.

YOLOv7 ne zaman seçilmeli:

Çapa tabanlı, yüksek doğruluklu çıkarım için halihazırda optimize edilmiş eski GPU iş akışlarına sahipsen.
Yüksek hızlı autonomous vehicles veya gelişmiş robotics gibi gerçek zamanlı doğruluğun büyük önem taşıdığı ortamlarda faaliyet gösteriyorsun.

YOLO26 ne zaman seçilmeli (Önerilen):

Sfırdan yeni bir computer vision uygulaması inşa ediyorsun ve hem keskinlikte hem de CPU/uç çıkarım hızında mutlak en son teknolojiye ihtiyaç duyuyorsun.
NMS operatör kısıtlamalarıyla uğraşmadan hızlı ve kusursuz bir dağıtıma (CoreML veya TensorRT gibi ortamlara dışa aktarma dahil) ihtiyaç duyuyorsun.
Bulut eğitimi, veri seti yönetimi ve otomatik dağıtım için Ultralytics Platform platformunun tüm yeteneklerinden yararlanmak istiyorsun.

Ultralytics modellerinin sağlam ekosisteminden yararlanarak mühendislik süresini önemli ölçüde azaltabilir ve gerçek dünya uygulamaların için üst düzey tahmin performansı sağlayabilirsin.

Katkıda Bulunanlar

GLglenn-jocher¹⁴ PDpderrenger²

Oluşturulma 27 Oca 2025Güncellendi geçen hafta