DAMO-YOLO ile YOLOX Karşılaştırması#
Gerçek zamanlı bilgisayarlı görü dünyası sürekli gelişiyor. Bu yolculuktaki iki önemli kilometre taşı DAMO-YOLO ve YOLOX'tur; her ikisi de yüksek hızlı ve yüksek doğruluklu nesne tespiti sorununa benzersiz yenilikler getirmiştir. Her iki model de açık kaynak topluluğuna önemli ölçüde katkıda bulunmuş olsa da, mimari farklılıklarını, eğitim metodolojilerini ve ideal dağıtım senaryolarını anlamak makine öğrenimi mühendisleri için çok önemlidir.
Bu kapsamlı rehber, her iki modelin teknik inceliklerini inceliyor ve Ultralytics YOLO26 platformu gibi modern alternatiflerin günümüzün üretim ortamları için neden üstün performans ve kullanım kolaylığı sunduğunu vurguluyor.
Model Genel Bakışları#
DAMO-YOLO Detayları#
Alibaba Group bünyesindeki bir araştırmacı ekibi tarafından geliştirilen DAMO-YOLO, otomatik mimari keşfinden yararlanan yüksek verimli bir nesne tespiti yöntemi olarak sunulmuştur.
Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
Kuruluş: Alibaba Group
Tarih: 2022-11-23
Arxiv: https://arxiv.org/abs/2211.15444v2
GitHub: https://github.com/tinyvision/DAMO-YOLO
Dokümanlar: DAMO-YOLO Documentation
DAMO-YOLO hakkında daha fazla bilgi edin
YOLOX Detayları#
Megvii araştırmacıları tarafından oluşturulan YOLOX, YOLO serisini çıpasız (anchor-free) bir tasarıma geçirerek araştırma ve endüstriyel topluluklar arasındaki boşluğu kapatmayı amaçlamış, mimariyi büyük ölçüde basitleştirirken o zaman için daha iyi bir performans elde etmiştir.
Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
Kuruluş: Megvii
Tarih: 2021-07-18
Arxiv: https://arxiv.org/abs/2107.08430
GitHub: https://github.com/Megvii-BaseDetection/YOLOX
Dokümanlar: YOLOX Documentation
YOLOX hakkında daha fazla bilgi edinin
Mimari Analiz#
DAMO-YOLO Mimarisi#
DAMO-YOLO, büyük ölçüde Nöral Mimari Arama (NAS) yöntemine dayanır. Temel bileşenleri şunlardır:
- MAE-NAS Omurgalar: Çıkarım hızı ve doğruluk arasında en uygun dengeyi sağlayan omurgaları keşfetmek için çok amaçlı evrimsel bir arama algoritması kullanır.
- Efficient RepGFPN: Özellik füzyonu için uyarlanmış ve modelin değişen nesne ölçeklerinde yüksek doğruluğu korumasına yardımcı olan ağır bir boyun (neck) tasarımıdır.
- ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü azaltan basitleştirilmiş, hafif bir tespit kafasıdır.
YOLOX Mimarisi#
YOLOX, yapısal basitliğe ve çapasız tasarıma odaklanarak farklı bir yaklaşım benimsemiştir:
- Çapasız (Anchor-Free) Mekanizma: Önceden tanımlanmış çapalar olmadan sınırlayıcı kutu koordinatlarını doğrudan tahmin ederek, YOLOX tasarım parametrelerinin sayısını ve gereken sezgisel ayarlamaları azaltır.
- Ayrıştırılmış (Decoupled) Kafa: Sınıflandırma ve regresyon görevlerini farklı özellik dallarına ayırır, bu da yakınsama hızını ve genel doğruluğu artırır.
- SimOTA Etiket Atama: Pozitif örnekleri temel gerçeklere dinamik olarak atayan ve eğitim verimliliğini artıran gelişmiş bir etiket atama stratejisidir.
DAMO-YOLO, sıkı kısıtlamalar altında en uygun mimarileri bulmak için makine odaklı NAS aramalarından yararlanırken, YOLOX nesne tespit hattını kolaylaştırmak için zarif, insan tasarımı basitleştirmeleri (çapasız kafalar gibi) kullanır.
Performans Karşılaştırması#
Bu modelleri değerlendirmek için ortalama Ortalama Hassasiyete (mAP), çıkarım hızlarına ve parametre sayılarına bakmak gerekir. Aşağıda her iki mimarinin standart ve hafif çeşitlerinin detaylı bir karşılaştırma tablosu bulunmaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLOXx 51.1 mAP ile en yüksek mutlak mAP değerine ulaşırken, DAMO-YOLOl yarıdan az parametre sayısı (42.1M'ye karşı 99.1M) ve önemli ölçüde daha hızlı TensorRT çalışması ile oldukça rekabetçi olan 50.8 mAP performansı sunar.
Eğitim Metodolojileri#
DAMO-YOLO Eğitimi#
DAMO-YOLO, eğitim sırasında karmaşık damıtma geliştirmesi kullanır. Genellikle önce büyük bir "öğretmen" model eğitilir ve bunun bilgisi daha küçük "öğrenci" modellere damıtılır. Ayrıca dinamik etiket ataması için AlignedOTA kullanır. Son derece etkili olmasına rağmen, bu çok aşamalı eğitim süreci gereken GPU compute süresini ve bellek yükünü büyük ölçüde artırır.
YOLOX Eğitimi#
YOLOX, MixUp ve Mosaic gibi güçlü veri artırma stratejilerine dayanır. Ancak yazarlar, bu güçlü artırmaların son 15 dönem (epoch) için kapatılmasının modelin gerçeklik farkını kapatmasını sağladığını ve nihai doğruluk metriklerini önemli ölçüde artırdığını keşfetmişlerdir.
İdeal Kullanım Senaryoları#
- DAMO-YOLO: Sunucu tarafı damıtma hatlarının desteklenebildiği ve hedef donanımın (belirli NVIDIA GPU'lar gibi) ağır boyunlu NAS mimarisinden doğrudan yararlandığı yüksek riskli endüstriyel dağıtımlar için en uygundur.
- YOLOX: Saf bir çıpasız yaklaşım arayan geliştiriciler için mükemmeldir. Aşırı hafif olan
YOLOXnano, parametre sayısının mutlak dar boğaz olduğu eski Android cihazlar, edge computing ve çok kısıtlı IoT sensörleri için onu uygun hale getirir.
Ultralytics Avantajı: YOLO26 ile Tanışın#
DAMO-YOLO ve YOLOX mükemmel kilometre taşlarını temsil ederken, günümüzdeki geliştiriciler daha kapsamlı, çok yönlü ve kullanımı kolay çözümler talep etmektedir. Ultralytics Platform ve yeni çıkan Ultralytics YOLO26 işte burada parlıyor.
Ocak 2026'da yayınlanan YOLO26, tüm computer vision görevleri için nihai önerilen modeldir. Eski mimarileri geride bırakan bir dizi çığır açıcı özellik sunar:
- Uçtan Uca NMS'siz Tasarım: YOLO26, NMS (Non-Maximum Suppression) son işleme adımını yerel olarak ortadan kaldırır. Bu, geleneksel tespit kafalarında bulunan gecikme darboğazlarından kaçınarak çok daha basit ve hızlı bir dağıtıma olanak tanır.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kaybı'nı (DFL) stratejik olarak kaldırarak ve katmanları optimize ederek, YOLO26 CPU'lar ve uç donanımlarda benzersiz hızlar sunar.
- MuSGD İyileştirici: Büyük dil modeli (LLM) eğitim tekniklerinden esinlenen YOLO26, son derece kararlı eğitim süreçleri ve YOLOX'taki eski kurulumlara kıyasla çok daha hızlı yakınsama sağlayan (SGD ve Muon'un bir melezi olan) MuSGD iyileştiricisini tanıtır.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada kayda değer iyileştirmeler sağlar ve YOLO26'yı drone görüntüleri ve robotik için çok daha üstün kılar.
- Çok Yönlülük: Kesinlikle sadece nesne tespiti için olan DAMO-YOLO'nun aksine YOLO26, aynı iyi korunan ekosistem içinde yerel olarak instance segmentation, pose estimation, classification ve Oriented Bounding Boxes (OBB) işlemlerini sorunsuz bir şekilde gerçekleştirir.
YOLO26 hakkında daha fazla bilgi edin
Ultralytics ile Kullanım Kolaylığı#
Ultralytics Python API'si geliştirici deneyimini kolaylaştırır. En son teknoloji ürünü bir YOLO26 modelini eğitmek, çok daha az standart kod gerektirir ve DAMO-YOLO'nun karmaşık damıtma hatlarından kaçınır. Ayrıca, Ultralytics modelleri ağır transformer tabanlı modellere kıyasla eğitim sırasında son derece düşük CUDA bellek gereksinimlerine sahiptir.
from ultralytics import YOLO
# Load the latest Ultralytics YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset with one line of code
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run fast, NMS-free inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")Tüm veri versiyonlamasını ve bulut GPU tedarikini sizin için yöneten Ultralytics Platform kullanarak modelleri otomatik olarak etiketleyebilir, eğitebilir ve uca (edge) dağıtabilirsiniz.
Sonuç#
DAMO-YOLO ile YOLOX arasında seçim yapmak belirli kısıtlamalara bağlıdır: DAMO-YOLO, NAS aracılığıyla belirli GPU'larda olağanüstü hız-doğruluk oranları sunarken, YOLOX hafif uç senaryolar için ideal olan temiz, çapasız bir tasarım sağlar.
Bununla birlikte, aktif bir topluluğa sahip modern, geleceğe dönük bir çözüm arayan ekipler için Ultralytics YOLO26 mimarisi kesin tercihtir. NMS'siz tasarımı, hızlı CPU çıkarımı ve tespit, segmentasyon ve poz görevleri için birleştirilmiş API'si, araştırmadan sağlam gerçek dünya üretimine sorunsuz bir şekilde geçiş yapmayı benzersiz kılar.
Diğer modern mimarileri keşfetmekle ilgilenen geliştiriciler için, kapsamlı Ultralytics dokümanlarında bulunan Ultralytics YOLO11 veya RT-DETR gibi transformatör tabanlı modelleri de incelemenizi öneririz.