DAMO-YOLO ile YOLOv9 karşılaştırması#

Gerçek zamanlı nesne algılama dünyası baş döndürücü bir hızla evrimleşmeye devam ediyor. Mühendislik ekipleri ve araştırmacılar doğruluk, çıkarım hızı ve hesaplama verimliliği arasında mükemmel dengeyi yakalamaya çalışırken, araştırma topluluğundan iki önemli mimari ortaya çıktı: DAMO-YOLO ve YOLOv9. Her iki model de bilgisayarlı görü alanında mümkün olanın sınırlarını zorlamayı amaçlayan önemli mimari yenilikler sunuyor.

Bu ayrıntılı teknik rehber; bu iki modelin benzersiz mimari yaklaşımlarını, eğitim metodolojilerini ve gerçek dünya dağıtım yeteneklerini karşılaştırarak derinlemesine bir analiz sunar. Ayrıca daha geniş yazılım ekosisteminin modern yapay zeka geliştirmede nasıl kritik bir rol oynadığını keşfedecek, Ultralytics Platform ve YOLO26 gibi daha yeni nesil modellerin entegre platform avantajlarını öne çıkaracağız.

Yönetici Özeti: Doğru Mimariyi Seçmek#

Her iki model de derin öğrenme araştırmalarında önemli kilometre taşlarını temsil etse de, biraz farklı dağıtım felsefelerine hitap ediyorlar.

DAMO-YOLO, belirli performans profillerini ortaya çıkarmak için yoğun Sinirsel Mimari Arama (NAS) tekniklerinin kullanılabildiği ortamlarda öne çıkıyor ve bu da onu özelleştirilmiş uç nokta dağıtımı için ilginç bir çalışma konusu haline getiriyor. Buna karşılık YOLOv9, derin öğrenme bilgi darboğazlarını çözmeye odaklanarak olağanüstü yüksek parametre verimliliği sunuyor.

Bununla birlikte, üretime hazır dağıtımlar için mühendislik ekipleri tutarlı bir şekilde birleştirilmiş Ultralytics ecosystem kullanmayı önerir. Yeni projeler için en son YOLO26 modeli, her iki dünyanın da en iyisini sunar: karmaşık son işlem ihtiyacını ortadan kaldıran yerel uçtan uca tasarımla birleştirilmiş son teknoloji doğruluk.

Teknik Özellikler ve Yazarlık#

Bu modellerin kökenlerini ve geliştirme odaklarını anlamak, sahip oldukları güçlü yönler için temel bir bağlam sağlar.

DAMO-YOLO#

Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, otomatik mimari oluşturma ve verimli özellik füzyonuna yoğun bir şekilde odaklanır.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Yayın Tarihi: 23 Kasım 2022
• Arxiv Makalesi: DAMO-YOLO Research Paper
• Resmi GitHub: tinyvision/DAMO-YOLO Repository
• Belgeler: DAMO-YOLO README

DAMO-YOLO hakkında daha fazla bilgi edinin

YOLOv9#

Derin evrişimli ağlardaki bilgi kaybına bir çözüm olarak tanıtılan YOLOv9, eğitim sırasında gradyan korunumu teorik sınırlarını zorlar.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Organization: Institute of Information Science, Academia Sinica, Taiwan
• Yayın Tarihi: 21 Şubat 2024
• Arxiv Makalesi: YOLOv9 Research Paper
• Resmi GitHub: WongKinYiu/yolov9 Repository
• Belgeler: YOLOv9 Ultralytics Docs

YOLOv9 hakkında daha fazla bilgi edin

Mimari Yenilikler#

DAMO-YOLO: Sinirsel Mimari Arama (NAS) ile Desteklenir#

DAMO-YOLO, yoğun şekilde özelleştirilmiş, makine tarafından oluşturulan bileşenlerle kendini farklılaştırır. Omurgası, özellikle değişken donanımlar üzerinde düşük gecikmeli çıkarımı hedefleyen Sinirsel Mimari Arama (NAS) kullanılarak oluşturulmuştur.

Mimari, özellik füzyonu için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) içerir; bu da hesaplama yükünü aşırı artırmadan çok ölçekli nesne algılamayı geliştirir. Ayrıca, algılama başını basitleştirmek için bir ZeroHead tasarımı kullanır ve eğitim sırasında sofistike bir damıtma iyileştirme süreciyle eşleştirilmiş, etiket ataması için AlignedOTA'dan yararlanır. Bu teknikler hızlı çıkarım sağlasa da, çok aşamalı damıtma süreci genellikle önemli miktarda VRAM ve uzun eğitim süreleri gerektirir.

YOLOv9: Bilgi Darboğazını Çözmek#

YOLOv9, derin ağlarda temel bir sorunu ele alır: verinin ardışık katmanlardan geçerken kademeli olarak kaybolması.

Bununla mücadele etmek için yazarlar, derin katmanlar için kritik detayları korumak üzere tasarlanmış ve ağırlık güncellemeleri için son derece güvenilir gradyanlar üreten bir yardımcı denetim çerçevesi olan Programlanabilir Gradyan Bilgisi'ni (PGI) tanıttılar. PGI'ye, GELAN (Genelleştirilmiş Verimli Katman Birleştirme Ağı) mimarisi eşlik eder. GELAN, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek parametre verimliliğini optimize eder, bilgi akışını maksimize ederken Kayan Noktalı İşlemleri (FLOPs) kesinlikle minimize eder.

Performans Analizi ve Metrikler#

Performans değerlendirildiğinde, her iki model de COCO gibi standart ölçütlerde güçlü bir ortalama Hassasiyet (mAP) sergiler. YOLOv9, zorlu veri setlerinde yüksek doğruluğu korumak için PGI mimarisinden yararlanarak eşdeğer model boyutlarında daha yüksek mutlak doğruluk elde eder.

Yukarıda gösterildiği gibi, YOLOv9-E en yüksek doğruluğu elde ederken, daha küçük DAMO-YOLO ve YOLOv9 varyantları TensorRT optimizations aracılığıyla son derece rekabetçi çıkarım hızlarını korur.

Eğitim Metodolojileri ve Ekosistem#

Ham mimari önemli olsa da, bir modelin ekosistemi tarafından belirlenen kullanılabilirlik ve eğitim verimliliği gerçek dünya uygulamaları için en önemlisidir.

DAMO-YOLO'nun bilgi damıtma işlemine olan bağımlılığı, bilgiyi hedef "öğrenci" modele aktarmadan önce hantal bir "öğretmen" modelin eğitilmesini gerektirir. Bu geleneksel araştırma yaklaşımı, bellek gereksinimlerini ve eğitim döngüsü sürelerini önemli ölçüde artırır. Benzer şekilde, orijinal YOLOv9 deposu, çevik geliştirmeyi yavaşlatabilecek karmaşık yapılandırma dosyalarında gezinmeyi gerektirir.

Buna karşılık, modelleri Ultralytics Platform içine entegre etmek geliştirici deneyimini tamamen dönüştürür. Ultralytics Python paketi, ortak kodları soyutlayarak ekiplerin veri artırma, hiperparametre ayarlama ve model dışa aktarma işlemlerini zahmetsizce yönetmesine olanak tanır.

Gerçek Dünya Uygulamaları ve Kullanım Durumları#

Farklı mimariler, kaynak gereksinimlerine ve doğruluk profillerine göre doğal olarak belirli endüstrilerde daha iyi performans gösterir.

• Edge AI'da DAMO-YOLO: NAS optimize edilmiş omurgaları sayesinde DAMO-YOLO, temel manufacturing quality control alanında özel ASIC dağıtımı gibi donanıma özel yeniden parametrelendirmenin kesin bir zorunluluk olduğu gömülü sistemlerde sıklıkla incelenir.
• Hassas Analitikte YOLOv9: Yüksek parametre verimliliği ve PGI odaklı gradyan tutma özelliği ile YOLOv9, analyzing aerial imagery veya kalabalık perakende ortamlarında küçük nesneleri izleme gibi yoğun nesne algılama senaryoları için mükemmeldir.

Kullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLOv9 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman DAMO-YOLO Seçilmeli#

DAMO-YOLO şunlar için güçlü bir seçimdir:

• Yüksek Verimli Video Analitiği: Toplu-1 (batch-1) veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite kontrol gibi, özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
• Neural Architecture Search Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametreleştirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için önerilir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: YOLO26'ya Geçiş#

Eski mimarileri karşılaştıran kullanıcılar için modern Ultralytics ekosistemine (özellikle latest YOLO26 models modellerine) geçiş yapmak benzersiz bir avantaj sağlar.

YOLO26, Uçtan Uca NMS-İçermeyen Tasarımı ile dağıtım dünyasını temelden değiştirir. Maksimum Olmayan Bastırma (NMS) işlem sonrası adımlarını tamamen ortadan kaldırarak, daha hızlı ve çok daha basit dağıtım mimarileri sunar. Dağılım Odaklı Kayıp (DFL) işleminin kaldırılmasıyla birleşen YOLO26, uç nokta ve düşük güç tüketen cihazlar için üstün uyumluluk sunar.

Ayrıca YOLO26, LLM eğitimi yeniliklerinden esinlenen Stokastik Gradyan İnişi ve Muon optimizasyonlarının bir melezi olan devrim niteliğindeki MuSGD Optimize Ediciyi içerir. Bu, Transformer ağırlıklı alternatiflere kıyasla son derece düşük bellek kullanımı sağlarken oldukça kararlı eğitim yakınsaması sunar.

from ultralytics import YOLO

# Load the latest NMS-free YOLO26 model
model = YOLO("yolo26n.pt")

# Train on your custom dataset efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

Gelişmiş instance segmentation, son derece doğru pose estimation veya standart sınırlayıcı kutu tespiti gerektirin, Ultralytics çerçevesinin çok yönlülüğü ekibinizin derin öğrenme ortamlarını yapılandırmaya daha az, sağlam AI çözümleri dağıtmaya daha çok zaman harcamasını sağlar. Gelişmiş küçük nesne tanıma için ProgLoss + STAL gibi özel görev iyileştirmeleriyle YOLOv9, gelecek nesil vizyon uygulamaları için bir numaralı tercihtir.