DAMO-YOLO ve YOLOv9
Gerçek zamanlı nesne algılama hızla gelişmeye devam ediyor. Mühendislik ekipleri ve araştırmacılar doğruluk, çıkarım hızı ve hesaplama verimliliği arasında doğru dengeyi ararken araştırma topluluğunda iki dikkat çekici mimari öne çıktı: DAMO-YOLO ve YOLOv9. Her iki model de bilgisayarlı görü alanında önemli mimari yenilikler sunar.
Bu teknik kılavuz, her iki modeli mimari yaklaşımları, eğitim yöntemleri ve gerçek dünyadaki dağıtım yetenekleri açısından analiz eder. Ayrıca, Ultralytics Platform gibi bütünleşik platformların ve YOLO26 gibi yeni nesil modellerin avantajlarını vurgulayarak daha geniş yazılım ekosisteminin modern yapay zekâ geliştirmedeki rolünü açıklar.
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 ayarlamak için Sinir Ağı Mimarisi Aramasından (NAS) yararlanılabilen alanlarda öne çıkar ve özelleştirilmiş uç dağıtımlar için ilgi çekici bir inceleme konusudur. Buna karşılık YOLOv9, derin ağlardaki bilgi darboğazlarını çözmeye odaklanır ve yüksek parametre verimliliği sunar.
Ancak üretim dağıtımları için birleşik Ultralytics ekosistemi önerilen yoldur. Yeni projelerde en yeni YOLO26 modeli, yüksek doğruluğu karmaşık son işleme ihtiyacını ortadan kaldıran isteğe bağlı bir uçtan uca tasarımla bir araya getirir.
DAMO-YOLO ve YOLOv9 güçlü akademik modeller olsa da bunları üretimde dağıtmak çoğu zaman önemli ölçüde özel mühendislik çalışması gerektirir. Ultralytics YOLO26, yalın ve bakımı kolay bir API ile güçlü performans sunar.
Teknik Özellikler ve Yazarlar#
Bu modellerin kökenleri ve geliştirme odakları, güçlü yönlerini anlamak için yararlı 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 geliştirilen YOLOv9, eğitim sırasında gradyan bilgisini korumaya odaklanır.
- 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, makine tarafından oluşturulan özelleştirilmiş bileşenleriyle farklılaşır. 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 füzyonu için verimli bir RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanır. Ayrıca algılama başlığını basitleştirmek için ZeroHead tasarımından, etiket ataması için AlignedOTA yönteminden yararlanır ve eğitim sırasında bir bilgi damıtma iyileştirme süreci uygular. Bu teknikler hızlı çıkarım sunsa da çok aşamalı damıtma süreci çoğu zaman 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.
Bununla mücadele etmek için yazarlar, derin katmanlardaki önemli ayrıntıları korumak ve ağırlık güncellemeleri için güvenilir gradyanlar üretmek üzere tasarlanmış yardımcı bir denetim çerçevesi olan Programlanabilir Gradyan Bilgisi (PGI)'ni geliştirdi. PGI'ye eşlik eden GELAN (Genelleştirilmiş Verimli Katman Toplama Ağı) mimarisi, CSPNet ve ELAN'ın güçlü yönlerini birleştirerek parametre verimliliğini artırır; bilgi akışını en üst düzeye çıkarırken Kayan Nokta İşlemlerini (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) | 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 |
| 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 doğruluğu sunarken daha küçük DAMO-YOLO ve YOLOv9 varyantları TensorRT optimizasyonları sayesinde rekabetçi çıkarım hızlarını korur.
Eğitim Yöntemleri ve Ekosistem#
Ham mimari önemli olsa da gerçek dünya uygulamalarında en çok model ekosisteminin kullanılabilirliği ve eğitim verimliliği önem taşır.
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 Ultralytics Platform, geliştirici deneyimini basitleştirir. Ultralytics Python paketi kalıp kod gereksinimini ortadan kaldırarak ekiplerin veri artırma, hiperparametre ayarı ve model dışa aktarma işlemlerini çok az çabayla yapmasını sağlar.
Gerçek Dünya Uygulamaları ve Kullanım Alanları#
Farklı mimariler, kaynak gereksinimlerine ve doğruluk profillerine bağlı olarak belirli sektörlere uygundur.
- Uç Yapay Zekâda DAMO-YOLO: NAS ile optimize edilmiş omurgaları sayesinde DAMO-YOLO, üretimde kalite kontrolü için özel hızlandırıcılar gibi donanıma özgü yeniden parametreleştirme gerektiren gömülü sistemlerde sıklıkla incelenir.
- Hassas Analitikte YOLOv9: Yüksek parametre verimliliği ve PGI tabanlı gradyan koruması sayesinde YOLOv9, hava görüntülerini analiz etme veya kalabalık perakende ortamlarında küçük nesneleri izleme gibi yoğun nesne algılama senaryolarına uygundur.
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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:
- NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
- 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 geçmek belirgin avantajlar sağlar.
YOLO26, Uçtan Uca NMS'siz Tasarımı ile dağıtımı basitleştirir. İsteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayanların Bastırılması (NMS) son işlemesini ortadan kaldırarak daha hızlı ve basit dağıtım mimarileri sunar. Dağılımsal Odak Kaybı'nın (DFL) kaldırılmasıyla bir araya geldiğinde YOLO26, uç ve düşük güç tüketimli cihazlarla daha iyi uyumluluk sağlar.
YOLO26 ayrıca Stokastik Gradyan İnişi ile Muon'un LLM eğitiminden esinlenen bir melezi olan MuSGD Optimize Edicisi'ni kullanır. Bu, Transformer ağırlıklı alternatiflere kıyasla bellek kullanımını düşük tutarken eğitim yakınsamasını kararlı hâle getirir.
Ultralytics API'siyle yerleşik deney takibini kullanarak birkaç satır Python koduyla YOLO26 modeli 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")Gelişmiş örnek segmentasyonu, son derece doğru poz tahmini veya standart sınırlayıcı kutu algılama gereksinimlerin olsun, Ultralytics çerçevesinin çok yönlülüğü ekibinin derin öğrenme ortamlarını yapılandırmaya daha az, sağlam yapay zekâ çözümlerini dağıtmaya daha çok zaman ayırmasını sağlar. Küçük nesne tanımayı iyileştiren ProgLoss + STAL gibi eğitim iyileştirmeleriyle YOLO26, yeni görüntü işleme uygulamaları için önerilen seçenektir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.