DAMO-YOLO ile YOLOv8 karşılaştırması#
Gerçek zamanlı bilgisayarlı görü alanı, araştırmacılar ve mühendisler hız ve doğruluk sınırlarını zorladıkça sürekli olarak değişmektedir. Bu yolculuktaki iki önemli kilometre taşı DAMO-YOLO ve Ultralytics YOLOv8 modelidir. Her iki model de gecikme ve ortalama Ortalama Kesinlik (mAP) arasındaki dengeyi optimize etmeyi amaçlasa da, object detection zorluklarını çözmek için temelde farklı mimari ve felsefi yaklaşımlar benimserler.
Bu kapsamlı teknik analiz, bir sonraki yapay zeka projen için doğru aracı seçmene yardımcı olmak adına temel mimarilerini, eğitim metodolojilerini ve pratik dağıtımlarını karşılaştıracak.
Model Kökeni ve Teknik Özellikler#
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
Dokümantasyon: YOLOv8 Documentation
YOLOv8 hakkında daha fazla bilgi edinin
Mimari Yenilikler#
Her iki mimarinin performans özellikleri, benzersiz yapısal kararlarından kaynaklanır.
DAMO-YOLO: Mimari Arama (NAS) Odaklı#
DAMO-YOLO, optimum ağ yapılarını otomatik olarak keşfetmek için büyük ölçüde Neural Architecture Search (NAS) yöntemine güvenir. Düşük gecikme süresiyle yüksek performans sunan omurgaları arayan MAE-NAS adlı bir kavram sunar. Ayrıca, farklı uzamsal ölçeklerde özellik birleşimini geliştirmek için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) kullanır.
Eğitimi iyileştirmek için Alibaba ekibi, ZeroHead tasarımı ve AlignedOTA etiket atamasını dahil etti. Ayrıca, ağır bir öğretmen modelinin hafif öğrenci modeline rehberlik ettiği ve akademik kıyaslamalarda daha yüksek doğruluk metrikleri elde ettiği karmaşık bir bilgi damıtma sürecine büyük ölçüde güvenirler.
YOLOv8: Modern ve Çok Yönlü#
Ultralytics, YOLOv8 ile daha geliştirici odaklı bir yaklaşım benimsemiştir. YOLOv5 modelinin çapa tabanlı (anchor-based) tasarımından çapa tabanlı olmayan (anchor-free) bir mimariye geçiş yaparak sınırlayıcı kutu (bounding box) tahminlerinin sayısını önemli ölçüde azaltmış ve çıkarımı hızlandırmıştır. C2f (2 konvolüsyonlu Çapraz Aşamalı Kısmi Darboğaz) modülünün sunulması, aşırı hesaplama yükü eklemeden gradyan akışını ve özellik temsilini iyileştirmiştir.
Yalnızca sınırlayıcı kutuları hedefleyen modellerin aksine YOLOv8, çok modlu olacak şekilde baştan aşağı tasarlanmıştır. Birleşik bir PyTorch kod tabanı; örnek bölütleme (instance segmentation), poz kestirimi (pose estimation) ve görüntü sınıflandırmayı yerel olarak destekleyerek mühendislerin farklı depoları bir araya getirme zorunluluğunu ortadan kaldırır.
Ultralytics modelleri, ağır Transformer tabanlı mimarilere kıyasla eğitim sırasında doğal olarak daha az bellek gerektirir ve bu sayede standart tüketici GPU'larında en son teknoloji sonuçlar elde edilmesine olanak tanır.
Performans Karşılaştırması#
Ham metrikleri karşılaştırırken, teorik yeteneklerin donanım performansına nasıl yansıdığını analiz etmek hayati önem taşır. Aşağıdaki tablo, model boyutları arasındaki dengeyi göstermektedir.
| Model | boyut (piksel) | mAPval 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 |
| 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 bir parametre-doğruluk oranı sergilese de, YOLOv8 daha geniş bir model boyutu yelpazesi (Nano'dan Extra-large'a kadar) sunar. YOLOv8 Nano modeli, daha az kaynak tüketirken oldukça kullanışlı bir hassasiyet sunan uç optimizasyonda bir ustalık sınıfını temsil eder.
Ekosistem ve Geliştirici Deneyimi#
Akademik makaleler ile üretime hazır sistemler arasındaki gerçek fark, ekosistemdir.
DAMO-YOLO'nun kapsamlı bilgi damıtma (knowledge distillation) boru hatlarına olan bağımlılığı, özel eğitimi zahmetli hale getirebilir. Bir öğretmen model oluşturmak, bilgi aktarmak ve NAS tabanlı omurgaları (backbone) ayarlamak yüksek CUDA memory ve gelişmiş yapılandırma gerektirir; bu da genellikle çevik mühendislik ekiplerini yavaşlatır.
Buna karşılık Ultralytics ekosistemi kullanım kolaylığını savunur. Ultralytics Platform aracılığıyla geliştiriciler basit API'lere, kapsamlı dokümantasyona ve güçlü deneyim takibi entegrasyonlarına erişebilirler. Birleşik Python çerçevesi, karmaşık boru hatları oluşturmayı son derece kolaylaştırır.
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")OpenVINO ve TensorRT ile sorunsuz dışa aktarımlarla birleşen bu akıcı iş akışı, yerel prototip oluşturmadan bulut veya uç (edge) dağıtımlarına sorunsuz bir geçiş sağlar.
Gerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#
Bu mimariler arasında seçim yapmak genellikle ortamının operasyonel kısıtlamalarına bağlıdır.
DAMO-YOLO Nerede Uygundur#
DAMO-YOLO; Neural Architecture Search konusunu inceleyen akademik ortamlar veya karmaşık yeniden parametrelendirme stratejilerini çoğaltmaya çalışan araştırmacılar için mükemmel bir seçimdir. Ekibin çok aşamalı eğitimi yürütecek bilgi işlem kaynaklarına sahip olması koşuluyla, üretim hatlarında yüksek hızlı kusur tespiti gibi oldukça kontrollü endüstriyel uygulamalarda da başarılı olabilir.
Neden Ultralytics Üretimde Lider?#
Ticari projelerin büyük çoğunluğu için Ultralytics modelleri üstün performans dengesi sunar.
- Akıllı Perakende: Envanter için sınırlayıcı kutu tespiti ile müşteri davranışını analiz etmek için pose estimation işlemlerinin her ikisini de yönetmek üzere YOLOv8'in çoklu görev yeteneklerini kullanma.
- Tarım: Gerçek zamanlı traktör akışlarında tam bitki sınırlarını ve yabani otları tespit etmek için instance segmentation kullanma.
- Hava Görüntüleme: Dronelardan veya uydulardan gelen döndürülmüş araçları ve gemileri doğru bir şekilde takip etmek için Oriented Bounding Boxes (OBB) teknolojisinden yararlanma.
Geleceğe Hazırlık: YOLO26 ile Tanış#
YOLOv8 temel bir model olmaya devam ederken, alan ilerlemeye devam etmiştir. Tüm yeni gelişmeler için önerilen standart YOLO26 modelidir. Ocak 2026'da piyasaya sürülen bu model, Ultralytics serisinde anıtsal bir sıçramayı temsil eder.
YOLO26, geleneksel Non-Maximum Suppression darboğazını tamamen ortadan kaldıran yerel bir uçtan uca NMS'siz tasarımın öncüsüdür. Bu yapısal atılım, %43'e kadar daha hızlı CPU çıkarımı sağlayarak onu uç bilişim ve IoT donanımları için mutlak bir güç merkezi haline getirir.
Ayrıca YOLO26, daha hızlı yakınsama ve son derece kararlı eğitim döngülerini garanti eden, Büyük Dil Modeli (LLM) eğitim tekniklerinden esinlenilmiş bir hibrit olan MuSGD Optimizer'ı tanıtır. Yeni ProgLoss + STAL algoritmalarıyla birleşen YOLO26, küçük nesne tanımasında dramatik iyileştirmeler sergileyerek dağıtımlarının sadece hızlı değil, aynı zamanda tavizsiz bir şekilde doğru olmasını sağlar.