Başla

DAMO-YOLO ile YOLOX Karşılaştırması

Gerçek zamanlı bilgisayarlı görü gelişmeye devam ediyor. Bu alandaki iki önemli dönüm noktası, her biri yüksek hızlı ve yüksek doğruluklu nesne tespitine kendi yeniliklerini getiren DAMO-YOLO ve YOLOX modelleridir. Her iki model de açık kaynak topluluğuna önemli katkılarda bulunmuştur. Makine öğrenimi mühendisleri, bu modellerin mimari farklılıklarını, eğitim yöntemlerini ve en uygun dağıtım senaryolarını anlamaktan yarar sağlar.

Bu kılavuz, her iki modelin teknik ayrıntılarını inceliyor ve Ultralytics YOLO26 gibi modern alternatiflerin günümüz üretim ortamlarında neden daha iyi performans ve kullanım kolaylığı sunduğunu açıklıyor.

Modellere Genel Bakış#

DAMO-YOLO Ayrıntıları#

Alibaba Group'taki araştırmacı ekibi tarafından geliştirilen DAMO-YOLO, otomatik mimari keşfi kullanan verimli bir nesne tespit yöntemi olarak tanıtıldı.

DAMO-YOLO hakkında daha fazla bilgi edin

YOLOX Ayrıntıları#

Megvii araştırmacıları tarafından geliştirilen YOLOX, YOLO serisini ankorsuz bir tasarıma geçirerek, dönemin daha iyi performansını elde ederken mimariyi basitleştirmeyi ve araştırma topluluklarıyla endüstri arasındaki uçurumu kapatmayı amaçladı.

YOLOX hakkında daha fazla bilgi edin

Mimari Analizi#

DAMO-YOLO Mimarisi#

DAMO-YOLO büyük ölçüde Sinir Ağı Mimarisi Araması (NAS) kullanır. Temel bileşenleri şunlardır:

  • MAE-NAS Omurgaları: Çıkarım hızı ile doğruluğu dengeleyen omurgaları keşfetmek için maksimum entropi güdümlü bir arama kullanır.
  • Verimli RepGFPN: Özellik birleştirme için uyarlanmış, modelin farklı nesne ölçeklerinde yüksek doğruluğu korumasına yardımcı olan ağır bir boyun tasarımıdır.
  • ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü azaltan, basitleştirilmiş ve hafif bir tespit başlığıdır.

YOLOX Mimarisi#

YOLOX, yapısal basitliğe ve ankrajsız tasarıma odaklanarak farklı bir yaklaşım benimsedi:

  • Ankrajsız Mekanizma: YOLOX, önceden tanımlanmış ankrajlar olmadan sınırlayıcı kutu koordinatlarını doğrudan tahmin ederek gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azaltır.
  • Ayrıştırılmış Başlık: Sınıflandırma ve regresyon görevlerini farklı özellik kollarına ayırarak yakınsama hızını ve genel doğruluğu artırır.
  • SimOTA Etiket Ataması: Pozitif örnekleri yer gerçeği etiketlerine dinamik olarak dağıtan ve eğitim verimliliğini artıran bir etiket atama stratejisidir.
Tasarım Felsefeleri

DAMO-YOLO, katı kısıtlar altında verimli mimariler bulmak için makine güdümlü NAS kullanırken YOLOX, nesne tespit işlem hattını sadeleştirmek için insan tasarımı basitleştirmelere (ankorsuz başlıklar gibi) dayanır.

Performans Karşılaştırması#

Bu modelleri değerlendirmek için ortalama Hassasiyet (mAP), çıkarım hızları ve parametre sayıları incelenmelidir. Aşağıdaki tablo, her iki mimarinin standart ve hafif varyantlarını karşılaştırıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLOXx, 51.1 ile en yüksek mutlak mAP değerine ulaşırken DAMO-YOLOl, parametrelerin yarısından azını kullanarak (42.1M'ye karşı 99.1M) rekabetçi bir 50.8 mAP sunar ve TensorRT yürütmesinde önemli ölçüde daha hızlıdır.

Eğitim Yöntemleri#

DAMO-YOLO'nun Eğitimi#

DAMO-YOLO, eğitim sırasında karmaşık bir bilgi damıtma iyileştirmesi kullanır. Genellikle önce büyük bir "öğretmen" modeli eğitilir ve bu modelin bilgisi daha küçük "öğrenci" modellere damıtılır. Dinamik etiket ataması için AlignedOTA da kullanılır. Etkili olsa da bu çok aşamalı eğitim süreci, gereken GPU hesaplama süresini ve bellek yükünü önemli ölçüde artırır.

YOLOX'in Eğitimi#

YOLOX, MixUp ve Mosaic gibi güçlü veri artırma stratejilerine dayanır. Ancak yazarlar, son 15 dönemde bu güçlü artırmaları kapatmanın modelin doğal görüntü dağılımına uyum sağlamasına ve nihai doğruluğu önemli ölçüde artırmasına olanak tanıdığını buldu.

İdeal Kullanım Alanları#

  • DAMO-YOLO: Sunucu tarafındaki damıtma işlem hatlarının desteklenebildiği ve hedef donanımın (belirli NVIDIA GPU'ları gibi) ağır boyunlu NAS mimarisinden doğrudan yararlandığı, yüksek riskli endüstriyel dağıtımlar için en uygun seçenektir.
  • YOLOX: Tamamen ankorsuz bir yaklaşım arayan geliştiriciler için iyi bir seçenektir. Hafif YOLOXnano, eski Android cihazlarda, uç bilişim uygulamalarında ve parametre sayısının mutlak darboğaz olduğu, kaynakları çok kısıtlı IoT sensörlerinde kullanılmasını mümkün kılar.

Ultralytics Avantajı: YOLO26 ile Tanış#

DAMO-YOLO ve YOLOX önemli dönüm noktaları olsa da günümüzde geliştiricilerin daha kapsamlı, çok yönlü ve kullanımı kolay çözümlere ihtiyacı var. Ultralytics Platform ve yeni yayımlanan Ultralytics YOLO26 tam da bu noktada öne çıkıyor.

Ocak 2026'da yayımlanan YOLO26, desteklenen bilgisayarlı görü görevlerinde önerilen Ultralytics modelidir. Eski mimarilere kıyasla çeşitli iyileştirmeler sunar:

  • Uçtan Uca, NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), maksimum olmayan bastırma (NMS) son işlem adımını atlar. Böylece geleneksel tespit başlıklarının doğasında bulunan gecikme darboğazlarını önleyerek dağıtımı çok daha basit ve hızlı hâle getirir.
  • CPU'da %43'e Varan Daha Hızlı Çıkarım: Distribution Focal Loss'u (DFL) kaldırıp katmanları optimize eden YOLO26, CPU'larda ve uç donanımlarda hızlı çıkarım sağlar; YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlıdır.
  • MuSGD Optimizasyonu: Büyük dil modeli (LLM) eğitim tekniklerinden ilham alan YOLO26, MuSGD iyileştiricisini (SGD ile Muon'un hibriti) sunarak eski YOLOX eğitim düzenine kıyasla kararlı eğitim çalıştırmaları ve daha hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, küçük nesnelerin tanınmasını belirgin biçimde iyileştirerek YOLO26'yı drone görüntüleri ve robotik için daha uygun hâle getirir.
  • Çok Yönlülük: Yalnızca nesne tespiti için kullanılan DAMO-YOLO'nun aksine YOLO26, aynı iyi bakımlı ekosistem içinde örnek bölümleme, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.

Ultralytics ile Kullanım Kolaylığı#

Ultralytics Python API'si geliştirici deneyimini kolaylaştırır. YOLO26 modelini eğitmek çok daha az şablon kod gerektirir ve DAMO-YOLO'nun karmaşık damıtma işlem hatlarını kullanmayı gerektirmez. Ultralytics modelleri, eğitim sırasında ağır Transformer tabanlı modellere kıyasla daha az CUDA belleği de gerektirir.

from ultralytics import YOLO

# En yeni Ultralytics YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli tek satır kodla özel veri kümen üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Bir görüntüde hızlı, NMS'siz çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ONNX veya TensorRT'ye aktar
model.export(format="onnx")
Bulutta Eğitim ve Dağıtım

Veri sürümlemesini ve bulut GPU kaynaklarının sağlanmasını senin için yöneten Ultralytics Platform ile modelleri otomatik olarak etiketleyebilir, eğitebilir ve uçta dağıtabilirsin.

Sonuç#

DAMO-YOLO ile YOLOX arasındaki seçim belirli kısıtlamalara bağlıdır: DAMO-YOLO, NAS aracılığıyla belirli GPU'larda hız-doğruluk oranında güçlü sonuçlar sunarken YOLOX, hafif uç senaryolarına uygun, yalın ve ankorsuz bir tasarım sağlar.

Ancak etkin bir topluluğa sahip, modern ve bakımı sürdürülen bir çözüm arayan ekipler için Ultralytics YOLO26 mimarisi önerilir. İsteğe bağlı olarak NMS içermeyen çıkarımı, hızlı CPU çıkarımı ve tespit, bölümleme ve poz görevleri için birleşik API'si, araştırmadan gerçek dünya üretimine geçişi kolaylaştırır.

Diğer modern mimarileri keşfetmek isteyen geliştiriciler, kapsamlı Ultralytics belgelerinde bulunan Ultralytics YOLO11 veya RT-DETR gibi Transformer tabanlı modelleri değerlendirebilir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.