DAMO-YOLO ile YOLOv9 Karşılaştırması: Modern Nesne Algılama Mimarileri Üzerine Kapsamlı Bir Teknik Karşılaştırma

Gerçek zamanlı nesne algılama alanı baş döndürücü bir hızla gelişmeye devam ediyor. Mühendislik ekipleri ve araştırmacılar doğruluk, çıkarım hızı ve hesaplama verimliliğinin mükemmel dengesini yakalamaya çalışırken, araştırma camiasından iki önemli mimari ortaya çıktı: DAMO-YOLO ve YOLOv9. Her iki model de bilgisayar görüşünde mümkün olanın sınırlarını zorlamayı amaçlayan önemli mimari yenilikler sunuyor.

Bu ayrıntılı teknik kılavuz, bu iki modelin derinlemesine bir analizini sunmakta, benzersiz mimari yaklaşımlarını, eğitim metodolojilerini ve gerçek dünya dağıtım yeteneklerini karşılaştırmaktadır. Ayrıca, daha geniş yazılım ekosisteminin modern yapay zeka geliştirmede nasıl kritik bir rol oynadığını da inceleyecek, Ultralytics Platformu gibi entegre platformların ve YOLO26 gibi yeni nesil modellerin avantajlarını vurgulayacağız.

Yönetici Özeti: Doğru Mimarinin Seçimi

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

DAMO-YOLO, belirli performans profillerini elde etmek için yoğun Sinirsel Mimari Arama (NAS) kullanılabilecek ortamlarda öne çıkarak, özelleştirilmiş uç dağıtımlar için ilgi çekici bir çalışma haline gelir. Buna karşılık, YOLOv9 derin öğrenme bilgi darboğazlarını çözmeye yoğunlaşır ve olağanüstü yüksek parametre verimliliği sunar.

Ancak, üretime hazır dağıtımlar için mühendislik ekipleri, birleşik Ultralytics ekosisteminden yararlanmayı sürekli olarak önermektedir. Yeni projeler için en son YOLO26 modeli, karmaşık ön işlemeye olan ihtiyacı ortadan kaldıran yerel uçtan uca bir tasarımla birleştirilmiş en son teknoloji hassasiyet ile her iki dünyanın da en iyisini sunar.

Teknik Özellikler ve Yazarlık

Bu modellerin kökenlerini ve geliştirme odaklarını anlamak, kendi güçlü yönleri için temel bir bağlam sağlar.

DAMO-YOLO

Alibaba Group'taki araştırmacılar tarafından geliştirilen DAMO-YOLO, otomatik mimari üretimi ve verimli özellik birleştirmeye yoğunlaşmaktadır.

• 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
• Resmi GitHub:tinyvision/DAMO-YOLO Deposu
• Dokümantasyon:DAMO-YOLO README

DAMO-YOLO hakkında daha fazla bilgi edinin

YOLOv9

Derin evrişimsel ağlardaki bilgi kaybına bir çözüm olarak tanıtılan YOLOv9, eğitim sırasında gradyan korumanın teorik sınırlarını zorlamaktadır.

• Yazarlar: Chien-Yao Wang ve Hong-Yuan Mark Liao
• Kuruluş:Institute of Information Science, Academia Sinica, Taiwan
• Yayın Tarihi: 21 Şubat 2024
• Arxiv Makalesi:YOLOv9 Araştırma Makalesi
• Resmi GitHub:WongKinYiu/yolov9 Deposu
• Dokümantasyon:YOLOv9 Ultralytics Belgeleri

YOLOv9 hakkında daha fazla bilgi edinin.

Mimari Yenilikler

DAMO-YOLO: Sinirsel Mimari Arama Tarafından Yönlendirilen

DAMO-YOLO, yüksek düzeyde özelleştirilmiş, makine tarafından üretilen bileşenlerle kendini farklılaştırır. backbone'u, farklı donanımlarda düşük gecikmeli çıkarımı özel olarak hedefleyen Sinirsel Mimari Arama (NAS) kullanılarak oluşturulmuştur.

Mimari, özellik birleştirme için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) içerir ve bu, hesaplama yükünü aşırı artırmadan çok ölçekli nesne tespitini geliştirir. Ayrıca, tespit başlığını basitleştirmek için bir ZeroHead tasarımı kullanır ve etiket ataması için AlignedOTA'yı, eğitim sırasında gelişmiş bir damıtma iyileştirme süreciyle birlikte kullanır. Bu teknikler hızlı çıkarım sağlarken, 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: giriş verisi bilgisinin ardışık katmanlardan geçerken kademeli olarak kaybolması.

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

Performans Analizi ve Metrikler

Performansı değerlendirirken, her iki model de COCO gibi standart karşılaştırmalarda güçlü ortalama Hassasiyet (mAP) sergiler. YOLOv9, eşdeğer model boyutlarında daha yüksek mutlak doğruluk elde eder ve zorlu veri kümelerinde yüksek doğruluğu korumak için PGI mimarisinden yararlanır.

Yukarıda gösterildiği gibi, YOLOv9-E en yüksek doğruluğu elde ederken, daha küçük DAMO-YOLO ve YOLOv9 varyantları TensorRT optimizasyonları aracılığıyla oldukça 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 çok önemlidir.

DAMO-YOLO'nun bilgi damıtmasına bağımlılığı, genellikle 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 Platformu'na entegre etmek, geliştirici deneyimini tamamen dönüştürür. Ultralytics python paketi, tekrar eden kodları soyutlayarak ekiplerin veri artırma, hiperparametre ayarlama ve model dışa aktarma işlemlerini zahmetsizce yapmasını sağlar.

Gerçek Dünya Uygulamaları ve Kullanım Senaryoları

Farklı mimariler, kaynak gereksinimleri ve doğruluk profillerine göre belirli sektörlerde doğal olarak üstünlük sağlar.

• Uç Yapay Zekada DAMO-YOLO: NAS ile optimize edilmiş backbone'ları sayesinde DAMO-YOLO, temel üretim kalite kontrolünde özel ASIC dağıtımı gibi donanıma özgü yeniden parametrelendirmenin katı bir gereklilik olduğu gömülü sistemlerde sıklıkla araştırılmaktadır.
• Hassas Analitikte YOLOv9: Yüksek parametre verimliliği ve PGI odaklı gradyan tutma özelliği sayesinde YOLOv9, hava görüntülerini analiz etme veya kalabalık perakende ortamlarında küçük nesneleri track etme gibi yoğun nesne detect etme senaryoları için mükemmeldir.

Kullanım Durumları ve Öneriler

DAMO-YOLO ve YOLOv9 arasında seçim yapmak, özel proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.

Ne Zaman DAMO-YOLO Seçmeli

DAMO-YOLO şunlar için güçlü bir seçimdir:

• Yüksek Verimli Video Analizi: Batch-1 veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
• Sinirsel Mimari Arama Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş backboneların algılama performansı üzerindeki etkilerini inceleme.

YOLOv9 Ne Zaman Tercih Edilmeli?

YOLOv9 şunlar için önerilir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyon Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlama ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğruluklu Algılama Kıyaslaması: YOLOv9'un güçlü COCO kıyaslama performansının mimari karşılaştırmalar için bir 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 Dağıtım: Non-Maximum Suppression (NMS) son işlem karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Ortamları: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın %43'e kadar daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: YOLO26'ya İlerleme

Eski mimarileri karşılaştıran kullanıcılar için, modern Ultralytics ekosistemine — özellikle en yeni YOLO26 modellerine — geçiş eşsiz bir avantaj sağlar.

YOLO26, Uçtan Uca NMS'siz Tasarımı ile dağıtım ortamını temelden değiştirir. Maksimum Olmayan Bastırma (NMS) son işlemeyi tamamen ortadan kaldırarak, daha hızlı ve önemli ölçüde daha basit dağıtım mimarileri sunar. Dağıtım Odak Kaybı (DFL) kaldırılmasıyla birlikte YOLO26, uç ve düşük güçlü cihazlar için üstün uyumluluk sunar.

Ayrıca, YOLO26, LLM eğitim yeniliklerinden esinlenen Stokastik Gradyan İnişi ve Muon optimizasyonlarının bir hibriti olan devrim niteliğindeki MuSGD Optimizer'ı içerir. Bu, transformatör ağırlıklı alternatiflere kıyasla oldukça düşük bellek kullanımı sağlarken, son derece 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")

İster gelişmiş instance segmentation, ister yüksek doğrulukta pose estimation veya standart sınırlayıcı kutu detect etme gereksiniminiz olsun, Ultralytics çerçevesinin çok yönlülüğü, ekibinizin derin öğrenme ortamlarını yapılandırmak için daha az, sağlam yapay zeka çözümleri dağıtmak için daha fazla zaman harcamasını sağlar. Gelişmiş küçük nesne tanıma için ProgLoss + STAL gibi özel görev iyileştirmeleriyle YOLO26, yeni nesil görüntü uygulamaları için önde gelen bir seçenek olarak öne çıkıyor.

Yorumlar