DAMO-YOLO ve YOLOv8#

Gerçek zamanlı bilgisayarlı görü dünyası, araştırmacılar ve mühendisler hız ile doğruluğun sınırlarını zorladıkça sürekli değişiyor. Bu yolculuktaki iki önemli dönüm noktası DAMO-YOLO ve Ultralytics YOLOv8 modelleridir. Her iki model de gecikme ile ortalama Ortalama Kesinlik (mAP) arasındaki dengeyi optimize etmeyi amaçlasa da nesne algılama sorunlarını çözmek için temelde farklı mimari ve felsefi yaklaşımlar benimser.

Bu kapsamlı teknik inceleme, bir sonraki yapay zekâ projen için doğru aracı seçmene yardımcı olmak üzere temel mimarilerini, eğitim yöntemlerini ve pratik kullanım alanlarını karşılaştıracak.

Model Soyu ve Teknik Özellikler#

Bu derin öğrenme modellerinin kökenlerini anlamak, tasarım hedefleri ve kullanım ekosistemleri hakkında değerli bir bağlam sağlar.

DAMO-YOLO Ayrıntıları#

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

DAMO-YOLO hakkında daha fazla bilgi edin

Ultralytics YOLOv8 Ayrıntıları#

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2023-01-10
• GitHub: ultralytics/ultralytics
• Belgeler: YOLOv8 Belgeleri

Mimari Yenilikler#

Her iki mimarinin performans özellikleri, kendilerine özgü yapısal tercihlerinden kaynaklanır.

DAMO-YOLO: Mimari Aramayla Geliştirildi#

DAMO-YOLO, en uygun ağ yapılarını otomatik olarak keşfetmek için büyük ölçüde Nöral Mimari Arama (NAS) yöntemine dayanır. Düşük gecikmeyle yüksek performans sunan omurgaları arayan MAE-NAS adlı bir kavramı kullanıma sunar. Ayrıca, farklı uzamsal ölçeklerde özellik birleştirmeyi geliştirmek için verimli bir Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı (RepGFPN) kullanır.

Alibaba ekibi, eğitimi iyileştirmek için ZeroHead tasarımını ve AlignedOTA etiket atamasını sisteme dâhil etti. Ayrıca ağır bir öğretmen modelin hafif öğrenci modele rehberlik ettiği karmaşık bir bilgi damıtma sürecine büyük ölçüde güvenirler; bu sayede akademik kıyaslamalarda daha yüksek doğruluk ölçümleri elde edilir.

YOLOv8: Sadeleştirilmiş ve Çok Yönlü#

Ultralytics, YOLOv8 ile geliştirici öncelikli bir yaklaşım benimsedi. YOLOv5 modelinin anchor tabanlı tasarımından anchor-free mimariye geçerek sınırlayıcı kutu tahminlerinin sayısını önemli ölçüde azalttı ve çıkarımı hızlandırdı. C2f (2 konvolüsyonlu Aşamalı Kısmi Bottleneck) modülünün kullanıma sunulması, aşırı hesaplama yükü eklemeden gradyan akışını ve özellik temsilini iyileştirdi.

Kesin olarak sınırlayıcı kutuları hedefleyen modellerin aksine YOLOv8, çok görevli olması için sıfırdan tasarlanmıştır. Birleşik bir PyTorch kod tabanı; örnek bölütleme, poz tahmini ve görüntü sınıflandırmayı yerel olarak destekleyerek mühendisleri farklı depoları bir araya getirmekten kurtarır.

Performans Karşılaştırması#

Ham ölçümleri karşılaştırırken teorik yeteneklerin donanım performansına nasıl dönüştüğünü analiz etmek hayati önem taşır. Aşağıdaki tablo, model boyutları arasındaki ödünleşimleri gösterir.

DAMO-YOLO, damıtma teknikleri sayesinde parametre-doğruluk oranlarında güçlü bir performans sergilese de YOLOv8, Nano'dan Extra-large'a kadar daha geniş bir model boyutu aralığı sunar. YOLOv8 Nano modeli, son derece kullanılabilir bir kesinlik sunarken daha az kaynak tüketen uç optimizasyonunun en iyi örneklerinden biridir.

Ekosistem ve Geliştirici Deneyimi#

Akademik makaleler ile üretime hazır sistemler arasındaki gerçek fark ekosistemdir.

DAMO-YOLO'nun kapsamlı bilgi damıtma işlem hatlarına bağımlılığı, özel eğitim süreçlerini zahmetli hâle getirebilir. Bir öğretmen modeli oluşturmak, bilgiyi aktarmak ve NAS tabanlı omurgaları ayarlamak yüksek CUDA belleği ve gelişmiş yapılandırma gerektirir; bu da çevik mühendislik ekiplerini çoğu zaman yavaşlatır.

Buna karşılık Ultralytics ekosistemi kullanım kolaylığını öne çıkarır. Ultralytics Platform aracılığıyla geliştiriciler basit API'lere, kapsamlı belgelere ve güçlü deney izleme entegrasyonlarına erişebilir. Birleşik Python çatısı, karmaşık işlem hatları oluşturmayı zahmetsiz hâle getirir.

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Bu sadeleştirilmiş iş akışı, OpenVINO ve TensorRT platformlarına sorunsuz dışa aktarımla birleşerek yerel prototiplemeden bulut veya uç dağıtımlarına uzanan sürtünmesiz bir süreç sağlar.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Alanları#

Bu mimariler arasındaki seçim çoğu zaman ortamının operasyonel kısıtlarına bağlıdır.

DAMO-YOLO'nun Uygun Olduğu Alanlar#

DAMO-YOLO, Sinirsel Mimari Arama inceleyen akademik ortamlar veya karmaşık yeniden parametrelendirme stratejilerini çoğaltmaya çalışan araştırmacılar için mükemmel bir seçimdir. Ekip, çok aşamalı eğitimini yönetmek için bilgi işlem kaynaklarına sahipse, üretim hatlarında yüksek hızlı kusur tespiti gibi son derece kontrollü endüstriyel uygulamalarda da başarılı olabilir.

Ultralytics Üretimde Neden Önde?#

Ticari projelerin büyük çoğunluğu için Ultralytics modelleri üstün bir performans dengesi sunar.

• Akıllı Perakende: Envanter için sınırlayıcı kutu algılama ve müşteri davranışını analiz etmek için poz tahmini işlemlerini birlikte gerçekleştirmek üzere YOLOv8'in çok görevli yeteneklerini kullanma.
• Tarım: Gerçek zamanlı traktör görüntülerinde bitkilerin ve yabani otların kesin sınırlarını tespit etmek için örnek segmentasyonundan yararlanma.
• Hava Görüntüleri: İHA'lar veya uydulardan döndürülmüş araçları ve gemileri doğru şekilde izlemek için Yönlendirilmiş Sınırlayıcı Kutulardan (OBB) yararlanma.

Geleceğe Hazırlık: YOLO26 ile Tanış#

YOLOv8 temel bir model olmaya devam etse de alan gelişmeyi sürdürüyor. Tüm yeni geliştirmeler için YOLO26 önerilen standarttır. Ocak 2026'da yayımlanan model, Ultralytics ürün ailesinde büyük bir sıçramayı temsil eder.

YOLO26, geleneksel Maksimum Olmayan Bastırma darboğazını tamamen ortadan kaldıran yerel uçtan uca NMS içermeyen bir tasarıma öncülük eder. Bu yapısal atılım, %43'e kadar daha hızlı CPU çıkarımı sağlayarak modeli uç bilişim ve IoT donanımları için son derece güçlü kılar.

Ayrıca YOLO26, Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan ve daha hızlı yakınsama ile son derece kararlı eğitim döngülerini garanti eden hibrit MuSGD Optimizer'ı kullanıma sunar. Yeni ProgLoss + STAL algoritmalarıyla birlikte YOLO26, küçük nesne tanımada çarpıcı iyileştirmeler sergiler ve dağıtımlarının yalnızca hızlı değil, aynı zamanda ödün vermeden doğru olmasını sağlar.