DAMO-YOLO ve YOLOv8#

Araştırmacılar ve mühendisler hızın ve doğruluğun sınırlarını zorlarken gerçek zamanlı bilgisayarlı görü alanı sürekli değişiyor. Bu yolculuktaki önemli dönüm noktalarından ikisi DAMO-YOLO ve Ultralytics YOLOv8 modelleridir. Her iki model de gecikme ile ortalama Hassasiyet (mAP) arasındaki dengeyi optimize etmeyi amaçlasa da nesne algılama sorunlarını çözmek için mimari ve felsefe açısından temelden farklı yaklaşımlar benimser.

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

Model Kökeni ve Özellikleri#

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

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 Sinir Ağı Mimarisi Aramasından (NAS) yararlanır. Yüksek performansı düşük gecikmeyle sunan omurgaları arayan MAE-NAS adlı bir yaklaşımı kullanır. Ayrıca farklı uzamsal ölçeklerde özellik birleştirmeyi geliştirmek için verimli bir Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı (RepGFPN) kullanır.

Eğitimi iyileştirmek için Alibaba ekibi ZeroHead tasarımını ve AlignedOTA etiket atamasını sisteme ekledi. Ayrıca ağır bir öğretmen modelin hafif öğrenci modele yol gösterdiği karmaşık bilgi damıtımı sürecinden yoğun biçimde yararlanarak akademik kıyaslama veri kümelerinde daha yüksek doğruluk ölçütleri elde ediyorlar.

YOLOv8: Sade ve Esnek#

Ultralytics, YOLOv8 ile geliştirici odaklı bir yaklaşım benimsedi. YOLOv5 modelinin çapa tabanlı tasarımından çapasız bir mimariye geçerek sınırlayıcı kutu tahminlerinin sayısını önemli ölçüde azalttı ve çıkarımı hızlandırdı. C2f (2 evrişimli Aşamalar Arası Kısmi Darboğaz) modülünün kullanıma sunulması, hesaplama yükünü aşırı artırmadan gradyan akışını ve özellik temsillerini iyileştirdi.

YOLOv8, yalnızca sınırlayıcı kutuları hedefleyen modellerden farklı olarak en başından itibaren çok görevli olacak şekilde tasarlandı. Birleşik bir PyTorch kod tabanı, örnek segmentasyonunu, poz tahminini ve görüntü sınıflandırmasını yerel olarak destekleyerek mühendislerin farklı depoları bir araya getirme zahmetinden kurtulmasını sağlar.

Performans Karşılaştırması#

Ham ölçütleri karşılaştırırken teorik yeteneklerin donanım performansına nasıl yansıdığını incelemek çok önemlidir. Aşağıdaki tablo, farklı model boyutları arasındaki ödünleşimleri gösteriyor.

DAMO-YOLO, damıtım teknikleri sayesinde parametre-doğruluk oranlarında başarılı olsa da YOLOv8, Nano'dan Extra-large'a uzanan daha geniş bir model boyutu yelpazesi sunar. YOLOv8 Nano, uç cihaz optimizasyonunda örnek teşkil eder; daha az kaynak tüketirken kullanışlı bir doğruluk düzeyi sunar.

Ekosistem ve Geliştirici Deneyimi#

Akademik makalelerle üretime hazır sistemleri gerçekten birbirinden ayıran unsur ekosistemdir.

DAMO-YOLO'nun kapsamlı bilgi damıtımı işlem hatlarına dayanması, özel eğitim sürecini zahmetli hâle getirebilir. Öğretmen model 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 ön planda tutar. Geliştiriciler Ultralytics Platformu aracılığıyla basit API'lere, kapsamlı belgelere ve güçlü deney izleme entegrasyonlarına erişebilir. Birleşik Python çerçevesi, karmaşık işlem hatlarının oluşturulmasını kolaylaştırır.

from ultralytics import YOLO

# Önceden eğitilmiş YOLOv8 nano modelini yükle
model = YOLO("yolov8n.pt")

# Modeli, yerleşik artırma özellikleriyle özel bir veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")

Kolaylaştırılmış bu iş akışı, OpenVINO ve TensorRT biçimlerine sorunsuz dışa aktarma olanağıyla birleşerek yerel prototiplemeden bulut veya uç dağıtımlarına kesintisiz geçiş 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, Sinir Ağı Mimarisi Aramasını inceleyen akademik ortamlar veya karmaşık yeniden parametrelendirme stratejilerini yinelemeye çalışan araştırmacılar için mükemmel bir seçenektir. Ekip çok aşamalı eğitim için gereken hesaplama kaynaklarına sahipse üretim hatlarında yüksek hızlı kusur algılama gibi sıkı biçimde denetlenen endüstriyel uygulamalarda da başarılı olabilir.

Ultralytics Üretimde Neden Öne Çıkıyor#

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

• Akıllı Perakende: Envanter için sınırlayıcı kutu algılamayı ve müşteri davranışını analiz etmek için poz tahminini birlikte kullanmak üzere YOLOv8'in çok görevli yeteneklerinden yararlan.
• Tarım: Gerçek zamanlı traktör görüntülerinde bitki sınırlarını ve yabani otları kesin biçimde algılamak için örnek segmentasyonundan yararlan.
• Havadan Çekilmiş Görüntüler: Dronlardan veya uydulardan alınan görüntülerde döndürülmüş araçları ve gemileri doğru biçimde izlemek için Yönlendirilmiş Sınırlayıcı Kutulardan (OBB) yararlan.

Geleceğe Hazırlık: YOLO26#

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

YOLO26, geleneksel Maksimum Olmayan Bastırma darboğazını etkinleştirildiğinde ortadan kaldıran yerel uçtan uca, NMS içermeyen bir tasarım (nms=False) sunar. Bu yapısal atılım, CPU çıkarımını %43'e kadar hızlandırarak uç bilişim ve IoT donanımları için olağanüstü güçlü bir çözüm oluşturur.

Ayrıca YOLO26, Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan MuSGD İyileştiricisini sunarak daha hızlı yakınsama ve son derece kararlı eğitim döngüleri sağlar. Yeni ProgLoss + STAL algoritmalarıyla birlikte YOLO26, küçük nesne tanımayı önemli ölçüde geliştirir; böylece dağıtımların yalnızca hızlı değil, aynı zamanda tavizsiz biçimde doğru olmasını sağlar.