Başla

PP-YOLOE+ ve DAMO-YOLO

Bilgisayarlı görü araştırmaları, gerçek zamanlı nesne tespiti için pek çok uzmanlaşmış mimarinin ortaya çıkmasını sağladı. Endüstriyel ve araştırma uygulamalarında kullanılacak modeller değerlendirilirken 2022'den iki önemli çerçeve sıkça gündeme gelir: Baidu'nun PP-YOLOE+ modeli ve Alibaba Group'un DAMO-YOLO modeli. Her ikisi de yeni omurgalar, geliştirilmiş etiket atama stratejileri ve özel özellik birleştirme teknikleri sunarak çapasız tespiti ileri taşıdı.

Bu kılavuzda PP-YOLOE+ ve DAMO-YOLO'nun mimarileri, eğitim yöntemleri ve dağıtım alanındaki güçlü yanları teknik açıdan inceleniyor. Ayrıca, dağıtım kısıtlarına uygun aracı seçmene yardımcı olmak için bu çerçevelerin Ultralytics YOLO26 gibi modern çözümlerle nasıl karşılaştırıldığı ele alınıyor.

PP-YOLOE+: Geliştirilmiş Endüstriyel Nesne Algılama#

Baidu ekosistemi içinde geliştirilen PP-YOLOE+, özgün PP-YOLOE modelinin yinelemeli olarak geliştirilmiş ve PaddlePaddle derin öğrenme çerçevesi için yoğun biçimde optimize edilmiş bir sürümüdür. Sunucu sınıfı donanımlarda doğruluğu ve çıkarım hızını en üst düzeye çıkarmak için tasarlanmıştır; bu özellikleriyle endüstriyel denetim ve akıllı perakende uygulamaları için güçlü bir adaydır.

Mimari Yenilikler#

PP-YOLOE+, önceki anchor-free algılayıcıları geliştirmek için çeşitli mimari iyileştirmeler sunuyor:

  • CSPRepResNet Omurgası: Bu omurga, özellik çıkarma yeteneği ile çıkarım gecikmesi arasında güçlü bir denge sunmak için RepVGG tarzı bir mimariyi Kısmi Çapraz Aşama (CSP) bağlantılarıyla birleştirir.
  • Görev Hizalama Öğrenimi (TAL): PP-YOLOE+, eğitim sırasında sınıflandırma ve regresyon görevlerini hizalayan dinamik bir etiket atama stratejisi kullanarak eğitim ve çıkarım performansı arasındaki farkı azaltır.
  • Verimli Görev Hizalı Başlık (ET-head): Uzamsal çözünürlükten ödün vermeden özellikleri hızla işlemek üzere tasarlanmış yalın bir tespit başlığı, yüksek mAP ölçütlerinin korunmasına yardımcı olur.

PP-YOLOE+ Ayrıntıları:

PP-YOLOE+ hakkında daha fazla bilgi edin

DAMO-YOLO: Uç Cihazlarda Sinir Ağı Mimarisi Araması#

Alibaba DAMO Akademisi tarafından geliştirilen DAMO-YOLO, belirgin biçimde farklı bir yaklaşım izler. Araştırma ekibi omurgayı elle tasarlamak yerine, katı gecikme kısıtlarına uygun verimli ağ topolojilerini keşfetmek için Sinir Mimarisi Aramasını (NAS) kullandı.

Temel Özellikler ve Eğitim İşlem Hattı#

DAMO-YOLO, otomatikleştirilmiş ve damıtma ağırlıklı bir metodolojiyle düşük gecikme ve yüksek doğruluğu ön planda tutuyor:

  • MAE-NAS Omurgaları: DAMO-YOLO, Maksimum Entropili Sinir Mimarisi Aramasını kullanarak parametreler ile doğruluk arasındaki denge için özel olarak optimize edilmiş omurgalar oluşturur.
  • Verimli RepGFPN: Yeniden parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı, çok ölçekli özelliklerin sağlam biçimde birleştirilmesini sağlar ve modelin tek bir karede çok farklı boyutlardaki nesneleri tespit etmesine yardımcı olur.
  • ZeroHead Tasarımı: Çıkarım sırasında hesaplama yükünü önemli ölçüde azaltan basitleştirilmiş bir tespit başlığı.
  • Damıtma İyileştirmesi: Daha küçük varyantların performansını artırmak için DAMO-YOLO, büyük bir öğretmen modelin öğrenci modele rehberlik ettiği karmaşık bilgi damıtma sürecinden yoğun biçimde yararlanır.

DAMO-YOLO Ayrıntıları:

DAMO-YOLO hakkında daha fazla bilgi edin

Çerçeveye Bağımlılık

PP-YOLOE+ ve DAMO-YOLO güçlü kuramsal yenilikler sunsa da kendi çerçevelerine (PaddlePaddle ve belirli Alibaba ortamları) sıkı biçimde bağlıdır. Bu durum, modelleri standartlaştırılmış bulut veya uç cihaz dağıtımlarına taşımaya çalışırken sorun yaratabilir.

Performans Analizi#

Bu modeller değerlendirilirken gecikme, hesaplama karmaşıklığı (FLOPs) ve ortalama Kesinlik (mAP) arasındaki denge, en uygun dağıtım ortamını belirler.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
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

DAMO-YOLOt, TensorRT gecikmesinde PP-YOLOE+t'den daha düşük değerler elde eder; DAMO-YOLO da çok küçük ve küçük ölçeklerde daha doğrudur. Bu özellikler, modeli yüksek aktarım hızlı video akışları için oldukça rekabetçi kılar. Ancak PP-YOLOE+, ekstra büyük (x) sürümüne kadar iyi ölçeklenerek çıkarım süresinin ikincil önemde olduğu karmaşık görüntülerde üst düzey doğruluk sağlar.

Ultralytics'in Avantajı: 2022 Mimarilerinin Ötesine Geçmek#

PP-YOLOE+ ve DAMO-YOLO önemli kilometre taşları olsa da modern geliştirme süreçleri daha fazla çok yönlülük, daha kolay eğitim hatları ve daha düşük bellek gereksinimleri gerektiriyor. Ultralytics Platformu, eski modellerin gerektirdiği karmaşık damıtma ve çerçeveye özgü kurulumlardan kaçınan yalın bir deneyimle bu ihtiyaçları karşılıyor.

Günümüzde en iyi performans dengesini arayan geliştiriciler için Ultralytics YOLO26, gerçek dünya dağıtım verimliliğinde ileriye doğru büyük bir adımdır.

YOLO26 Neden Sektöre Öncülük Ediyor?#

Ocak 2026'da yayımlanan YOLO26, üretime yönelik çeşitli özelliklerle YOLO11 temelinde geliştirilmiştir:

  • Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26, isteğe bağlı bire bir başlığı (nms=False) sayesinde Maksimum Olmayan Bastırma (NMS) son işlemesini tamamen atlayabilir. Bu, dağıtım mantığını basitleştirir ve tutarlı, öngörülebilir çıkarım gecikmesi sağlar.
  • MuSGD Optimizatörü: Büyük dil modeli eğitim tekniklerinden ilham alan YOLO26, kararlı eğitim ve hızlı yakınsama için hibrit bir MuSGD optimizatörü kullanarak GPU eğitim saatlerinden tasarruf sağlar.
  • Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kaybı (DFL) kaldırıp ağ grafiğini optimize eden YOLO26n, CPU çıkarımında YOLO11n'den %43'e kadar daha hızlıdır ve bu sayede uç yapay zekâ cihazları için güçlü bir seçenek hâline gelir.
  • ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, küçük nesne tanımada belirgin iyileşmeler sağlar. Bu, drone operasyonları ve uzaktan algılama için kritik önemdedir.
  • Çoklu Görev Çok Yönlülüğü: Yalnızca tespite odaklanan PP-YOLOE+'nın aksine YOLO26, örnek segmentasyonunu, görüntü sınıflandırmasını, poz tahminini ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak destekler.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Bir DAMO-YOLO modelini eğitmek, yoğun bir öğretmen-öğrenci damıtma işlem hattını yönetmeyi gerektirir. Buna karşılık, bir Ultralytics modelini eğitmek yalnızca birkaç satır Python kodu gerektirir ve rakip mimarilere kıyasla çok az CUDA belleği kullanır.

from ultralytics import YOLO

# YOLO26 modelini başlat
model = YOLO("yolo26n.pt")

# Modeli MuSGD optimizasyon algoritmasıyla eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, optimizer="MuSGD")

# Uçtan uca, NMS gerektirmeyen çıkarım çalıştır
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

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

İdeal Kullanım Alanları ve Öneriler#

Doğru bilgisayarlı görü mimarisini seçmek, büyük ölçüde ekibinin ekosistem entegrasyonuna ve hedef dağıtım ortamlarına bağlıdır.

  • Tüm hattın Baidu PaddlePaddle ekosistemine derinlemesine entegreyse PP-YOLOE+'ı seç. Doğruluğu en üst düzeye çıkarmanın birincil hedef olduğu güçlü sunuculardaki durağan görüntü analizi için hâlâ iyi bir seçenektir.
  • Sinir Ağı Mimarisi Araması algoritmaları üzerine belirli bir araştırma yürütüyorsan veya iddialı TensorRT gecikme hedeflerine ulaşmak için karmaşık damıtma işlem hatlarını sürdürecek mühendislik kaynaklarına sahipsen DAMO-YOLO'yu seç.
  • Neredeyse tüm modern üretim senaryoları için Ultralytics YOLO26'yı seç. Ultralytics ekosistemi kapsamlı belgeler, daha düşük bellek gereksinimleri ve yalın bir API sunar. İster otomatik kalite kontrolü sistemleri geliştir ister Raspberry Pi'de gerçek zamanlı izleme yap, YOLO26'nın NMS'siz mimarisi kutudan çıktığı anda hızlı, kararlı ve doğru sonuçlar sağlar.

Başka çözümleri inceleyen geliştiriciler için Ultralytics belgeleri, yaygın olarak benimsenen YOLOv8 ve güçlü YOLO11 modelleri hakkında da kapsamlı kaynaklar sunarak her bilgisayarlı görü zorluğuna uygun modeli bulmanı sağlar.

Katkıda Bulunanlar

Yorumlar

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