DAMO-YOLO ve YOLOv9#
Gerçek zamanlı nesne algılama alanı baş döndürücü bir hızla gelişmeye devam ediyor. Mühendislik ekipleri ve araştırmacılar doğruluk, çıkarım hızı ve hesaplama verimliliği arasında ideal dengeyi ararken araştırma topluluğundan iki dikkat çekici mimari öne çıktı: DAMO-YOLO ve YOLOv9. Her iki model de bilgisayarlı görüde mümkün olanın sınırlarını zorlamayı amaçlayan önemli mimari yenilikler sunuyor.
Bu ayrıntılı teknik kılavuz, iki modeli benzersiz mimari yaklaşımları, eğitim yöntemleri ve gerçek dünyadaki dağıtım yetenekleri açısından karşılaştırarak derinlemesine inceliyor. Ayrıca yazılım ekosisteminin modern yapay zekâ geliştirmedeki kritik rolünü ele alıyor; Ultralytics Platformu gibi entegre platformların ve YOLO26 gibi yeni nesil modellerin avantajlarını vurguluyor.
Yönetici Özeti: Doğru Mimariyi Seçme#
Her iki model de derin öğrenme araştırmalarında önemli kilometre taşları olsa da dağıtım felsefeleri birbirinden biraz farklıdır.
DAMO-YOLO, belirli performans profillerini elde etmek için yoğun Sinir Ağı Mimarisi Araması'ndan (NAS) yararlanılabilen ortamlarda öne çıkar ve özelleştirilmiş uç dağıtımı için ilgi çekici bir inceleme konusu oluşturur. Buna karşılık YOLOv9, derin öğrenmedeki bilgi darboğazlarını çözmeye odaklanır ve olağanüstü parametre verimliliği sunar.
Bununla birlikte üretime hazır dağıtımlar için mühendislik ekipleri sürekli olarak birleşik Ultralytics ekosisteminden yararlanmayı öneriyor. Yeni projeler için en yeni YOLO26 modeli her iki dünyanın da en iyisini sunuyor: en ileri doğruluğu, karmaşık son işleme gereksinimini ortadan kaldıran isteğe bağlı uçtan uca tasarımla birleştiriyor.
DAMO-YOLO ve YOLOv9 güçlü akademik modeller olsa da bunları üretimde dağıtmak genellikle önemli ölçüde özel mühendislik çalışması gerektirir. Ultralytics YOLO26, sadeleştirilmiş ve bakımı kolay bir API ile en ileri performansa erişim sağlar.
Teknik Özellikler ve Yazarlar#
Bu modellerin kökenini ve geliştirme odağını anlamak, kendilerine özgü güçlü yönleri hakkında temel bir bağlam sunar.
DAMO-YOLO#
Alibaba Group'taki araştırmacılar tarafından geliştirilen DAMO-YOLO, otomatik mimari üretimine ve verimli özellik birleştirmeye büyük ölçüde 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 Araştırma Makalesi
- Resmî GitHub: tinyvision/DAMO-YOLO Deposu
- Belgeler: DAMO-YOLO README dosyası
DAMO-YOLO hakkında daha fazla bilgi edin
YOLOv9#
Derin evrişimli ağlardaki bilgi kaybına çözüm olarak sunulan YOLOv9, eğitim sırasında gradyan korumanın kuramsal sınırlarını zorluyor.
- Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
- Kurum: Institute of Information Science, Academia Sinica, Taiwan
- Yayın Tarihi: 21 Şubat 2024
- Arxiv Makalesi: YOLOv9 Araştırma Makalesi
- Resmî GitHub: WongKinYiu/yolov9 Deposu
- Belgeler: YOLOv9 Ultralytics Belgeleri
YOLOv9 hakkında daha fazla bilgi edin
Mimari Yenilikler#
DAMO-YOLO: Sinir Ağı Mimarisi Aramasıyla Geliştirildi#
DAMO-YOLO, yoğun biçimde özelleştirilmiş ve makine tarafından oluşturulmuş bileşenleriyle öne çıkar. Omurgası, farklı donanımlarda düşük gecikmeli çıkarımı hedefleyen Sinir Ağı Mimarisi Araması (NAS) kullanılarak oluşturulur.
Mimari, hesaplama yükünü aşırı artırmadan çok ölçekli nesne algılamayı iyileştiren, özellik birleştirme için verimli bir RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) içerir. Ayrıca algılama başlığını sadeleştirmek için ZeroHead tasarımını kullanır, etiket ataması için AlignedOTA'dan yararlanır ve eğitim sırasında gelişmiş bir damıtma iyileştirme sürecini devreye sokar. Bu teknikler hızlı çıkarım sağlasa da çok aşamalı damıtma süreci genellikle önemli miktarda VRAM ve uzun eğitim süreleri gerektirir.
YOLOv9: Bilgi Darboğazını Çözme#
YOLOv9, derin ağlardaki temel bir sorunu ele alır: girdi verisindeki bilginin ardışık katmanlardan geçerken kademeli olarak kaybolması.
Buna çözüm olarak yazarlar, derin katmanlar için kritik ayrıntıları korumak ve ağırlık güncellemelerinde son derece güvenilir gradyanlar üretmek üzere tasarlanmış yardımcı bir denetim çerçevesi olan Programlanabilir Gradyan Bilgisi (PGI) yaklaşımını tanıttı. PGI'ye GELAN (Genelleştirilmiş Verimli Katman Birleştirme Ağı) mimarisi eşlik eder. GELAN, CSPNet ve ELAN'ın güçlü yönlerini bir araya getirerek parametre verimliliğini optimize eder, bilgi akışını en üst düzeye çıkarırken kayan nokta işlemlerini (FLOPs) kesin biçimde en aza indirir.
Performans Analizi ve Metrikler#
Performans değerlendirmesinde her iki model de COCO gibi standart kıyaslama veri kümelerinde güçlü ortalama Hassasiyet (mAP) sonuçları sergiler. YOLOv9, benzer parametre sayılarında daha yüksek doğruluk ve genel olarak en yüksek mutlak doğruluk değerine ulaşır; PGI mimarisinden yararlanarak zorlu veri kümelerinde yüksek aslına uygunluğu korur.
| Model | boyut (piksel) | mAPval 50-95 | 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Yukarıda gösterildiği gibi, YOLOv9-E en yüksek doğruluğa ulaşırken daha küçük DAMO-YOLO ve YOLOv9 varyantları TensorRT optimizasyonları sayesinde son derece rekabetçi çıkarım hızlarını korur.
Eğitim Yöntemleri ve Ekosistem#
Ham mimari önemli olsa da bir modelin ekosisteminin belirlediği kullanılabilirlik ve eğitim verimliliği, gerçek dünyadaki uygulamalar açısından çok önemlidir.
DAMO-YOLO'nun bilgi damıtımına dayanması, bilgiyi hedef "öğrenci" modele aktarmadan önce çoğu zaman zahmetli bir "öğretmen" modelin eğitilmesini gerektirir. Bu geleneksel araştırma yaklaşımı, bellek gereksinimlerini ve eğitim döngüsü sürelerini önemli ölçüde artırır. Benzer şekilde, özgün YOLOv9 deposunda karmaşık yapılandırma dosyaları arasında gezinmek gerekir; bu da çevik geliştirme sürecini yavaşlatabilir.
Buna karşılık modelleri Ultralytics Platformu ile bütünleştirmek, geliştirici deneyimini tamamen dönüştürür. Ultralytics Python paketi, standart kod ayrıntılarını soyutlayarak ekiplerin veri artırma, hiperparametre ayarı ve model dışa aktarma işlemlerini zahmetsizce gerçekleştirmesini sağlar.
Gerçek Dünya Uygulamaları ve Kullanım Alanları#
Farklı mimariler, kaynak gereksinimlerine ve doğruluk profillerine bağlı olarak belirli sektörlerde doğal biçimde öne çıkar.
- Uç Yapay Zekâda DAMO-YOLO: NAS ile optimize edilmiş omurgaları sayesinde DAMO-YOLO, donanıma özgü yeniden parametrelendirmenin kesin bir gereklilik olduğu gömülü sistemlerde, örneğin temel üretim kalite kontrolü için özel ASIC dağıtımlarında, sıklıkla değerlendirilir.
- Hassas Analitikte YOLOv9: Yüksek parametre verimliliği ve PGI tabanlı gradyan korumasıyla YOLOv9; havadan çekilmiş görüntüleri analiz etme veya kalabalık perakende ortamlarında küçük nesneleri izleme gibi yoğun nesne algılama senaryoları için idealdir.
Kullanım Alanları ve Öneriler#
DAMO-YOLO ile YOLOv9 arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
DAMO-YOLO'yu Ne Zaman Seçmeli#
DAMO-YOLO şu durumlar için güçlü bir seçenektir:
- Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
- Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
- Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.
YOLOv9'u Ne Zaman Seçmeli?#
YOLOv9 şu durumlarda önerilir:
- Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarilerini inceleyen akademik projeler.
- Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
- Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.
Ultralytics'i (YOLO26) Ne Zaman Seçmeli#
Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ultralytics'in Avantajı: YOLO26'ya Geçiş#
Eski mimarileri karşılaştıran kullanıcılar için modern Ultralytics ekosistemine, özellikle de en yeni YOLO26 modellerine geçiş, benzersiz bir avantaj sağlar.
YOLO26, uçtan uca NMS içermeyen tasarımıyla dağıtım ortamını temelden değiştirir. İsteğe bağlı bire bir başlık (nms=False), Maksimum Olmayan Bastırma (NMS) son işlem adımını ortadan kaldırarak daha hızlı ve çok daha basit dağıtım mimarileri sunar. Dağılım Odaklı Kayıp'ın (DFL) kaldırılmasıyla birlikte YOLO26, uç ve düşük güç tüketimli cihazlarla daha iyi uyumluluk sağlar.
Ayrıca YOLO26, LLM eğitimi yeniliklerinden ilham alan Stokastik Gradyan İniş ve Muon optimizasyonlarının birleşimi olan devrim niteliğindeki MuSGD İyileştiricisini içerir. Böylece Transformer ağırlıklı alternatiflere kıyasla bellek kullanımını dikkat çekici ölçüde düşük tutarken, eğitim yakınsaması son derece kararlı olur.
Sezgisel Ultralytics API sayesinde, yerleşik deney izleme özelliğiyle son teknoloji bir YOLO26 modelini yalnızca birkaç satır Python koduyla eğitebilirsin.
from ultralytics import YOLO
# En yeni YOLO26 modelini yükle
model = YOLO("yolo26n.pt")
# Özel veri kümenle verimli biçimde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eğitilmiş modeli ONNX biçimine aktar
model.export(format="onnx")İster gelişmiş örnek segmentasyonu, ister yüksek doğruluklu poz tahmini ya da standart sınırlayıcı kutu algılama gereksinimin olsun, Ultralytics çerçevesinin esnekliği ekibinin derin öğrenme ortamlarını yapılandırmaya daha az, güçlü yapay zekâ çözümlerini dağıtmaya daha fazla zaman ayırmasını sağlar. Küçük nesne tanımayı geliştiren ProgLoss + STAL gibi göreve özel iyileştirmelerle YOLO26, yeni nesil görüntü işleme uygulamaları için önde gelen seçenek olarak öne çıkar.