PP-YOLOE+ ve DAMO-YOLO karşılaştırması#
Bilgisayarlı görüdeki sürekli gelişim, gerçek zamanlı nesne tespiti için son derece özelleşmiş mimarilerden oluşan bir dizi ortaya çıkardı. Endüstriyel ve akademik uygulamalar için modelleri değerlendirirken, 2022'den kalma iki önemli çerçeve sıklıkla tartışmalarda yer alır: Baidu tarafından geliştirilen PP-YOLOE+ ve Alibaba Group tarafından geliştirilen DAMO-YOLO. Her iki model de yeni omurgalar (backbone), gelişmiş etiket atama stratejileri ve özelleşmiş özellik birleştirme teknikleri sunarak çapasız (anchor-free) tespitin sınırlarını zorladı.
Bu kılavuz, mimarilerini, eğitim metodolojilerini ve dağıtım güçlü yönlerini inceleyerek PP-YOLOE+ ve DAMO-YOLO hakkında ayrıntılı bir teknik analiz sunar. Ayrıca, özel dağıtım kısıtlamaların için doğru aracı seçmene yardımcı olmak amacıyla bu çerçevelerin Ultralytics YOLO26 gibi modern çözümlerle nasıl karşılaştırıldığını inceleyeceğiz.
PP-YOLOE+: İyileştirilmiş Endüstriyel Nesne Tespiti#
Baidu ekosistemi içinde geliştirilen PP-YOLOE+, orijinal PP-YOLOE'nin yinelemeli bir iyileştirmesidir ve PaddlePaddle derin öğrenme çerçevesi için büyük ölçüde optimize edilmiştir. Sunucu sınıfı donanımda doğruluğu ve çıkarım hızını en üst düzeye çıkarmak için tasarlanmıştır, bu da onu endüstriyel denetim ve akıllı perakende uygulamaları için güçlü bir aday haline getirir.
Mimari Yenilikler#
PP-YOLOE+, önceki çapasız tespit edicileri geliştirmek için çeşitli mimari iyileştirmeler sunar:
- CSPRepResNet Omurgası: Bu omurga, RepVGG tarzı bir mimariyi Cross Stage Partial (CSP) bağlantılarıyla birleştirerek, özellik çıkarma yeteneği ve çıkarım gecikmesi arasında güçlü bir denge sunar.
- Görev Hizalama Öğrenmesi (TAL): PP-YOLOE+, eğitim sırasında sınıflandırma ve regresyon görevlerini hizalayan, eğitim ve çıkarım performansı arasındaki farkı azaltan gelişmiş bir dinamik etiket atama stratejisi kullanır.
- Verimli Görev Hizalamalı Başlık (ET-head): Uzamsal çözünürlüğü feda etmeden özellikleri hızla işlemek için tasarlanmış ve yüksek mAP metriklerini korumak için son derece faydalı olan akıcı bir algılama başlığı.
PP-YOLOE+ Detayları:
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Belgeler: PP-YOLOE+ Documentation
PP-YOLOE+ hakkında daha fazla bilgi edin
DAMO-YOLO: Uçta Sinirsel Mimari Arama#
Alibaba DAMO Academy tarafından oluşturulan DAMO-YOLO, oldukça farklı bir yaklaşım benimser. Araştırma ekibi, omurgayı manuel olarak tasarlamak yerine, katı gecikme kısıtlamalarına göre uyarlanmış son derece verimli ağ topolojileri keşfetmek için Sinir Mimarisi Araması'nı (NAS) kullanmıştır.
Temel Özellikler ve Eğitim Hattı#
DAMO-YOLO, otomatik ve damıtma ağırlıklı bir metodoloji ile düşük gecikme süresini ve yüksek doğruluğu vurgular:
- MAE-NAS Omurgaları: Verimli Sinir Mimarisi Aramasını Otomatistleştirme Yöntemi'ni kullanan DAMO-YOLO, özellikle parametreler ile doğruluk arasındaki denge için optimize edilmiş omurgalar oluşturur.
- Verimli RepGFPN: Yeniden parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı, modelin çok farklı boyutlardaki nesneleri tek bir karede tespit etmesine yardımcı olan sağlam, çok ölçekli özellik birleştirmeyi mümkün kılar.
- ZeroHead Tasarımı: Çıkarım aşamasında hesaplama yükünü büyük ölçüde azaltan, oldukça basitleştirilmiş bir tespit başlığıdır.
- Damıtma İyileştirmesi: Daha küçük varyantların performansını artırmak için DAMO-YOLO, daha büyük bir öğretmen modelin öğrenci modele rehberlik ettiği karmaşık bir bilgi damıtma sürecine büyük ölçüde güvenir.
DAMO-YOLO Detayları:
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 23-11-2022
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Dokümanlar: DAMO-YOLO Documentation
DAMO-YOLO hakkında daha fazla bilgi edin
PP-YOLOE+ ve DAMO-YOLO sağlam teorik yenilikler sunsa da, kendi çerçevelerine (PaddlePaddle ve belirli Alibaba ortamları) sıkı bir şekilde bağlıdırlar. Bu durum, modelleri standart bulut veya uç dağıtımlara taşımaya çalışırken sürtünmeye neden olabilir.
Performans Analizi#
Bu modelleri değerlendirirken, gecikme süresi, hesaplama karmaşıklığı (FLOPs) ve ortalama Hassasiyet (mAP) arasındaki ödünleşim, ideal dağıtım ortamlarını belirler.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| 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 |
DAMO-YOLO genellikle nano ve tiny ölçeklerde daha düşük TensorRT gecikmeleri elde ederek onu yüksek verimli video akışları için son derece rekabetçi hale getirir. Bununla birlikte, PP-YOLOE+, ekstra büyük (x) varyantında inanılmaz derecede iyi ölçeklenir ve çıkarım süresinin ikincil bir endişe olduğu karmaşık görüntüler için üst düzey doğruluk elde eder.
Ultralytics Avantajı: 2022 Mimarilerinin Ötesine Geçmek#
PP-YOLOE+ ve DAMO-YOLO önemli kilometre taşlarını temsil ederken, modern geliştirme daha fazla çok yönlülük, daha kolay eğitim hatları ve daha düşük bellek gereksinimleri gerektirir. Ultralytics Platform, eski modellerin gerektirdiği karmaşık damıtma ve çerçeveye özgü kurulumları büyük ölçüde geride bırakan sıfır sürtünmeli bir deneyim sunarak bu ihtiyaçları karşılar.
Bugün en iyi performans dengesini elde etmek isteyen geliştiriciler için Ultralytics YOLO26, gerçek dünya dağıtım verimliliğinde devrim niteliğinde bir sıçrama sağlar.
Neden YOLO26 Sektöre Liderlik Ediyor?#
2026'nın başlarında piyasaya sürülen YOLO26, üretime yönelik çığır açan teknolojiler sunarak YOLO11 mirasının üzerine inşa eder:
- Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Baskılama (NMS) sonrası işlemini ortadan kaldırır. Bu, daha basit bir dağıtım mantığı ve tutarlı, oldukça öngörülebilir çıkarım gecikmeleri anlamına gelir.
- MuSGD Optimize Edici: Büyük dil modeli eğitim tekniklerinden esinlenen YOLO26, hibrit bir MuSGD optimize edici kullanır. Bu, inanılmaz derecede kararlı bir eğitim ve hızlı yakınsama sağlayarak değerli GPU saatlerinden tasarruf etmeni sağlar.
- Üstün CPU Çıkarımı: Dağılım Odaklı Kaybı (DFL) kaldırarak ve ağ grafiğini optimize ederek, YOLO26 %43'e varan daha hızlı CPU çıkarımı elde eder ve bu da onu uç yapay zeka cihazları için bir numaralı tercih haline getirir.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlar; bu, drone operasyonları ve uzaktan algılama için çok önemlidir.
- Eşsiz Çok Yönlülük: Kesinlikle nesne tespitine odaklanan PP-YOLOE+'ın aksine, YOLO26 poz tahmini, örnek segmentasyonu, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutuları (OBB) sorunsuz bir şekilde yerel olarak destekler.
Kullanım Kolaylığı ve Eğitim Verimliliği#
Bir DAMO-YOLO modelini eğitmek, ağır bir öğretmen-öğrenci damıtma hattını yönetmeyi gerektirir. Buna karşılık, bir Ultralytics modelini eğitmek, rakip mimarilere kıyasla minimum CUDA bellek kullanımı ile sadece birkaç satır Python kodu gerektirir.
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model with native MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run an end-to-end NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")YOLO26 hakkında daha fazla bilgi edin
İdeal Kullanım Durumları ve Öneriler#
En uygun bilgisayarlı görü mimarisini seçmek, büyük ölçüde ekibinin ekosistem entegrasyonuna ve dağıtım hedeflerine bağlıdır.
- Tüm hattın Baidu PaddlePaddle ekosistemine derinlemesine gömülüyse PP-YOLOE+'yı seç. Doğruluğu maksimize etmenin birincil hedef olduğu güçlü sunucularda statik görüntü analizi için mükemmel bir seçenek olmaya devam etmektedir.
- Sinirsel Mimari Arama algoritmaları üzerine özel bir araştırma yapıyorsan veya agresif TensorRT gecikme hedeflerine ulaşmak için karmaşık damıtma hatlarını sürdürecek mühendislik kaynaklarına sahipsen DAMO-YOLO'yu seç.
- Hemen hemen tüm modern üretim senaryoları için Ultralytics YOLO26'yı seç. Ultralytics ekosistemi benzersiz belgeler, daha düşük bellek gereksinimleri ve kolaylaştırılmış bir API sağlar. İster otomatik kalite kontrol sistemleri oluşturuyor ol, ister bir Raspberry Pi üzerinde gerçek zamanlı izleme çalıştırıyor ol, YOLO26'nın NMS içermeyen mimarisi kutudan çıktığı gibi hızlı, kararlı ve son derece doğru sonuçlar sağlar.
Diğer son teknoloji çözümleri keşfeden geliştiriciler için Ultralytics belgeleri ayrıca geniş çapta benimsenen YOLOv8 ve güçlü YOLO11 hakkında kapsamlı kaynaklar sağlayarak herhangi bir bilgisayarlı görü zorluğu için doğru modele sahip olmanı sağlar.