DAMO-YOLO ve YOLOv8
Araştırmacılar ve mühendisler hızı ve doğruluğu artırdıkça gerçek zamanlı bilgisayarlı görü gelişmeye devam ediyor. İki önemli dönüm noktası DAMO-YOLO ve Ultralytics YOLOv8'dir. Her iki model de gecikme ile ortalama Ortalama Hassasiyet (mAP) arasındaki dengeyi iyileştirmeyi hedeflese de nesne algılama için temelden farklı mimari yaklaşımlar benimser.
Bu teknik karşılaştırma, bir sonraki yapay zekâ projen için doğru aracı seçmene yardımcı olmak üzere temel mimarileri, eğitim yöntemlerini ve uygulamadaki dağıtım senaryolarını ele alır.
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, verimli ağ yapılarını otomatik olarak keşfetmek için büyük ölçüde Sinir Ağı Mimarisi Aramasından (NAS) yararlanır. Düşük gecikmeyle yüksek performans sunan omurgaları arayan MAE-NAS adlı bir yaklaşım sunar. Ayrıca farklı uzamsal ölçeklerde özellik füzyonunu geliştirmek için verimli RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanır.
Alibaba ekibi, eğitimi iyileştirmek için ZeroHead tasarımını ve AlignedOTA etiket atamasını kullandı. Ayrıca ağır öğretmen modelinin hafif öğrenci modele akademik ölçütlerde ek doğruluk kazandırmak için rehberlik ettiği karmaşık bir bilgi damıtma sürecinden yararlanıyorlar.
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.
Sınırlayıcı kutulara odaklanan modellerden farklı olarak YOLOv8, baştan çoklu görev desteği sunacak şekilde tasarlandı. Birleşik PyTorch kod tabanı örnek segmentasyonunu, görüntü sınıflandırmasını ve poz tahminini yerel olarak destekler; böylece mühendislerin ayrı kod depolarını bir araya getirmesi gerekmez.
Ultralytics modelleri, ağır Transformer tabanlı mimarilere kıyasla eğitim sırasında daha az bellek gerektirir ve standart tüketici GPU'larında güçlü sonuçlar elde edilmesini sağlar.
Performans Karşılaştırması#
Ham ölçütleri karşılaştırırken teorik yeteneklerin donanım performansına nasıl yansıdığını incelemek çok önemlidir. Aşağıdaki tablo, farklı model boyutları arasındaki ödünleşimleri gösteriyor.
| 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 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
DAMO-YOLO, damıtma teknikleri sayesinde güçlü parametre-doğruluk oranları sunsa da YOLOv8, Nano'dan Extra-large'a kadar daha geniş bir model boyutu yelpazesi sunar. YOLOv8n modeli uç cihazlar için iyi optimize edilmiştir; kullanışlı bir doğruluk sunarken daha az kaynak tüketir.
Ekosistem ve Geliştirici Deneyimi#
Akademik çalışmalar ile üretime hazır sistemler arasındaki temel fark ekosistemdir.
DAMO-YOLO'nun kapsamlı bilgi damıtma süreçlerine dayanması, özel eğitimleri zahmetli hâle getirebilir. 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 kolaylığına öncelik verir. Geliştiriciler Ultralytics Platform üzerinden basit API'lere, kapsamlı belgelere ve güçlü deney takibi entegrasyonlarına erişebilir. Birleşik Python çerçevesi, karmaşık süreçler oluşturmayı 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")Bu yalın iş akışı, OpenVINO ve TensorRT dışa aktarma seçenekleriyle birlikte yerel prototiplemeden bulut veya uç dağıtımlara sorunsuz bir 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 parametreleştirme stratejilerini yeniden uygulamaya çalışan araştırmacılar için iyi bir seçenektir. Ekip çok aşamalı eğitim için gereken hesaplama kaynaklarına sahipse üretim hatlarında yüksek hızlı kusur algılama gibi sıkı denetimli endüstriyel uygulamalarda da iyi performans gösterebilir.
Ultralytics Üretimde Neden Öne Çıkıyor#
Ultralytics modelleri çoğu ticari proje için daha iyi 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 olmayı sürdürse de alan gelişmeye devam etti. Tüm yeni çalışmalar için önerilen model YOLO26'dır. Ocak 2026'da yayımlanan YOLO26, Ultralytics model serisinde önemli bir ilerlemedir.
YOLO26, etkinleştirildiğinde geleneksel Maksimum Olmayanların Bastırılması darboğazını ortadan kaldıran yerel bir uçtan uca NMS'siz tasarım (nms=False) sunar. Dağılımsal Odak Kaybı'nın (DFL) kaldırılmasıyla birlikte bu tasarım, YOLO26n'ye YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sağlar ve modeli uç bilişim ile IoT donanımları için uygun hâle getirir.
YOLO26 ayrıca daha hızlı yakınsama ve kararlı eğitim sağlayan, Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenen hibrit MuSGD Optimize Edicisi'ni sunar. Yeni ProgLoss + STAL eğitim stratejisiyle birlikte YOLO26, küçük nesne tanımayı iyileştirir; böylece dağıtımlar hem hızlı hem de doğru olabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.