DAMO-YOLO ile Ultralytics YOLOv8: Kapsamlı Bir Teknik Karşılaştırma

Gerçek zamanlı bilgisayar görüşü alanı, araştırmacılar ve mühendisler hız ve doğruluk sınırlarını zorladıkça sürekli değişiyor. Bu yolculuktaki iki önemli kilometre taşı DAMO-YOLO ve Ultralytics YOLOv8'dir. Her iki model de gecikme ve ortalama Hassasiyet (mAP) arasındaki dengeyi optimize etmeyi hedeflerken, nesne algılama zorluklarını çözmek için temelden farklı mimari ve felsefi yaklaşımlar benimserler.

Bu kapsamlı teknik analiz, bir sonraki yapay zeka projeniz için doğru aracı seçmenize yardımcı olmak amacıyla, modellerin temel mimarilerini, eğitim metodolojilerini ve pratik dağıtımlarını karşılaştıracaktır.

Model Soy Ağacı ve Özellikleri

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

DAMO-YOLO Detayları

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 edinin

Ultralytics YOLOv8 Detayları

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

YOLOv8 hakkında daha fazla bilgi edinin.

Mimari Yenilikler

Her iki mimarinin performans özellikleri, benzersiz yapısal kararlarından kaynaklanmaktadır.

DAMO-YOLO: Mimari Arama ile Destekleniyor

DAMO-YOLO, optimal ağ yapılarını otomatik olarak keşfetmek için büyük ölçüde Sinirsel Mimari Arama (NAS) yöntemine dayanır. Düşük gecikme süresiyle yüksek performans sağlayan backbone'ları arayan MAE-NAS adında bir konsept sunar. Ayrıca, farklı uzamsal ölçeklerde özellik birleştirmeyi geliştirmek için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) kullanır.

Eğitimi iyileştirmek için Alibaba ekibi, bir ZeroHead tasarımı ve AlignedOTA etiket atamasını dahil etti. Ayrıca, akademik kıyaslamalarda daha yüksek doğruluk metrikleri elde etmek amacıyla, ağır bir öğretmen modelinin hafif öğrenci modeline rehberlik ettiği karmaşık bir bilgi damıtma sürecine büyük ölçüde güveniyorlar.

YOLOv8: Akıcı ve Çok Yönlü

Ultralytics, YOLOv8 ile daha geliştirici odaklı bir yaklaşım benimsedi. YOLOv5'in çapa tabanlı tasarımından çapasız bir mimariye geçerek, sınırlayıcı kutu tahminlerinin sayısını önemli ölçüde azalttı ve çıkarımı hızlandırdı. C2f (2 evrişimli Çapraz Aşama Kısmi Darboğaz) modülünün tanıtılması, aşırı hesaplama yükü eklemeden gradyan akışını ve özellik temsilini iyileştirdi.

Sadece sınırlayıcı kutuları hedefleyen modellerin aksine, YOLOv8 baştan sona çok modlu olacak şekilde tasarlandı. Birleşik bir PyTorch kod tabanı, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırmayı doğal olarak destekleyerek mühendisleri farklı depoları bir araya getirme zahmetinden kurtarır.

Verimli Eğitim

Ultralytics modelleri, ağır transformatör tabanlı mimarilere kıyasla eğitim sırasında doğal olarak daha az bellek gerektirir ve standart tüketici GPU'larında son teknoloji sonuçlar elde edilmesini sağlar.

Performans Karşılaştırması

Ham metrikleri karşılaştırırken, teorik yeteneklerin donanım performansına nasıl dönüştüğünü analiz etmek hayati önem taşır. Aşağıdaki tablo, model boyutlarındaki ödünleşimleri göstermektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(M)	FLOP'lar ^(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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

DAMO-YOLO, damıtma teknikleri sayesinde güçlü parametre-doğruluk oranları sergilerken, YOLOv8 daha geniş bir model boyutu yelpazesi (Nano'dan Ekstra-büyüğe) sunar. YOLOv8 Nano modeli, kenar optimizasyonunda bir ustalık sınıfını temsil eder; daha az kaynak tüketirken oldukça kullanılabilir hassasiyet sunar.

Ekosistem ve Geliştirici Deneyimi

Akademik makaleler ile üretime hazır sistemler arasındaki gerçek ayırt edici faktör ekosistemdir.

DAMO-YOLO'nun kapsamlı bilgi damıtma boru hatlarına bağımlılığı, özel eğitimi zahmetli hale getirebilir. Bir öğretmen modeli oluşturmak, bilgi aktarmak ve NAS tabanlı backbone'ları ayarlamak, yüksek CUDA memory ve gelişmiş yapılandırma gerektirir, bu da çevik mühendislik ekiplerini sıklıkla yavaşlatır.

Tersine, Ultralytics ekosistemi kullanım kolaylığını savunur. Ultralytics Platformu aracılığıyla geliştiriciler, basit API'lere, kapsamlı belgelere ve sağlam deney izleme entegrasyonlarına erişebilirler. Birleşik Python çerçevesi, karmaşık boru hatları oluşturmayı önemsiz hale 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 kolaylaştırılmış iş akışı, OpenVINO ve TensorRT'ye sorunsuz dışa aktarımlarla birleştiğinde, yerel prototiplemeden bulut veya kenar dağıtımlarına sürtünmesiz bir yol sağlar.

Gerçek Dünya Uygulamaları ve İdeal Kullanım Durumları

Bu mimariler arasında seçim yapmak genellikle ortamınızın operasyonel kısıtlamalarına bağlıdır.

DAMO-YOLO'nun Yeri

DAMO-YOLO, Sinirsel Mimari Arama'yı inceleyen akademik ortamlar veya karmaşık yeniden parametrelendirme stratejilerini çoğaltmaya çalışan araştırmacılar için mükemmel bir seçimdir. Ekibin çok aşamalı eğitimini yönetmek için hesaplama kaynaklarına sahip olması koşuluyla, üretim hatlarında yüksek hızlı hata detect'i gibi yüksek düzeyde kontrol edilen endüstriyel uygulamalarda da üstünlük sağlayabilir.

Ultralytics Üretimde Neden Lider

Ticari projelerin büyük çoğunluğu için Ultralytics modelleri üstün performans dengesi sağlar.

Akıllı Perakendecilik: Envanter için sınırlayıcı kutu detect'ini ve müşteri davranışını analiz etmek için poz tahminini ele almak amacıyla YOLOv8'in çok görevli yeteneklerini kullanma.
Tarım: Gerçek zamanlı traktör akışlarında kesin bitki sınırlarını ve yabani otları detect etmek için örnek segmentasyonu kullanma.
Hava Görüntüleme: Dronlardan veya uydulardan dönen araçları ve gemileri doğru bir şekilde track etmek için Yönlendirilmiş Sınırlayıcı Kutuları (OBB) kullanma.

Diğer Dikkat Çekici Modeller

Daha geniş bir alanı keşfediyorsanız, çapasız detect'e daha fazla ilerleme getiren YOLOv10 veya YOLO11'i karşılaştırmakla da ilgilenebilirsiniz.

Geleceğe Hazırlık: YOLO26 Sahneye Çıkıyor

YOLOv8 temel bir model olmaya devam etse de, alan ilerlemeye devam etti. Tüm yeni gelişmeler için YOLO26 önerilen standarttır. Ocak 2026'da piyasaya sürülen bu model, Ultralytics serisinde anıtsal bir sıçramayı temsil ediyor.

YOLO26, geleneksel Non-Maximum Suppression darboğazını tamamen ortadan kaldıran yerel bir uçtan uca NMS-free tasarımına öncülük ediyor. Bu yapısal atılım, %43'e kadar daha hızlı CPU çıkarımı sağlayarak, onu kenar bilişim ve IoT donanımı için mutlak bir güç merkezi haline getiriyor.

Ayrıca, YOLO26, Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen ve daha hızlı yakınsama ile oldukça kararlı eğitim döngüleri garanti eden MuSGD Optimizer'ı sunar. Yeni ProgLoss + STAL algoritmalarıyla birleştiğinde, YOLO26 küçük nesne tanımada önemli iyileşmeler sergileyerek dağıtımlarınızın sadece hızlı değil, aynı zamanda tavizsiz bir şekilde doğru olmasını sağlar.

YOLO26 hakkında daha fazla bilgi edinin