PP-YOLOE+ ve DAMO-YOLO#

Bilgisayarlı görü alanının sürekli gelişimi, gerçek zamanlı nesne algılama için son derece özelleşmiş çeşitli mimariler ortaya çıkardı. Endüstriyel ve araştırma uygulamaları için modeller değerlendirilirken, 2022'de ortaya çıkan iki önemli çerçeve sıklıkla gündeme gelir: Baidu tarafından geliştirilen PP-YOLOE+ ve Alibaba Group tarafından geliştirilen DAMO-YOLO. Her iki model de yeni omurgalar, gelişmiş etiket atama stratejileri ve özel özellik birleştirme teknikleri sunarak çapasız algılamanın sınırlarını genişletti.

Bu kılavuzda PP-YOLOE+ ve DAMO-YOLO'nun mimarileri, eğitim yöntemleri ve dağıtım avantajları ayrıntılı bir teknik analizle incelenmektedir. Ayrıca, özel dağıtım kısıtların için doğru aracı seçmene yardımcı olmak amacıyla bu çerçevelerin Ultralytics YOLO26 gibi modern çözümlerle nasıl karşılaştırıldığını da ele alacağız.

PP-YOLOE+: Gelişmiş Endüstriyel Nesne Algılama#

Baidu ekosistemi içinde geliştirilen PP-YOLOE+, özgün PP-YOLOE'nin yinelemeli bir geliştirmesidir ve PaddlePaddle derin öğrenme çerçevesi için kapsamlı biçimde optimize edilmiştir. Sunucu sınıfı donanımlarda doğruluğu ve çıkarım hızını en üst düzeye çıkarmak üzere tasarlanmış olup endüstriyel denetim ve akıllı perakende uygulamaları için güçlü bir adaydır.

Mimari Yenilikler#

PP-YOLOE+, önceki çapasız algılayıcıları geliştirmek için çeşitli mimari iyileştirmeler sunar:

• CSPRepResNet Omurgası: Bu omurga, RepVGG tarzı bir mimariyi Çapraz Aşamalı Kısmi (CSP) bağlantılarla birleştirerek özellik çıkarma kapasitesi ile çıkarım gecikmesi arasında güçlü bir denge sunar.
• Görev Hizalama Öğrenimi (TAL): PP-YOLOE+, eğitim sırasında sınıflandırma ve regresyon görevlerini hizalayan gelişmiş bir dinamik etiket atama stratejisi kullanır ve eğitim ile çıkarım performansı arasındaki farkı azaltır.
• Verimli Görev Hizalamalı Başlık (ET-head): Uzamsal çözünürlükten ödün vermeden özellikleri hızlıca işlemek üzere tasarlanmış, sadeleştirilmiş bir algılama başlığıdır; bu özellik, yüksek mAP metriklerinin korunmasında büyük fayda sağlar.

PP-YOLOE+ Ayrıntıları:

• Yazarlar: PaddlePaddle Authors
• Kuruluş: Baidu
• Tarih: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Belgeler: PP-YOLOE+ Belgeleri

PP-YOLOE+ hakkında daha fazla bilgi edinin

DAMO-YOLO: Uçta Sinir Mimarisi Araması#

Alibaba DAMO Akademisi tarafından oluşturulan DAMO-YOLO, belirgin biçimde farklı bir yaklaşım benimser. Araştırma ekibi omurgayı elle tasarlamak yerine, katı gecikme kısıtlarına göre uyarlanmış son derece verimli ağ topolojilerini keşfetmek için Sinir Mimarisi Araması (NAS) kullandı.

Temel Özellikler ve Eğitim Hattı#

DAMO-YOLO, otomatikleştirilmiş ve damıtma ağırlıklı bir yöntemle düşük gecikme ve yüksek doğruluğa odaklanır:

• MAE-NAS Omurgaları: Maksimum Entropi Nöral Mimari Arama kullanarak, DAMO-YOLO, parametreler ve doğruluk arasındaki denge için özel olarak optimize edilmiş omurgalar oluşturur.
• Verimli RepGFPN: Yeniden parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı, sağlam çok ölçekli özellik birleştirme olanağı sunar ve modelin tek bir karede boyutları büyük ölçüde farklı nesneleri algılamasına yardımcı olur.
• ZeroHead Tasarımı: Çıkarım aşamasındaki hesaplama yükünü büyük ölçüde azaltan, son derece sadeleştirilmiş bir algılama başlığıdır.
• Damıtma Geliştirmesi: Daha küçük varyantların performansını artırmak için DAMO-YOLO, daha büyük bir öğretmen modelinin öğrenci modele rehberlik ettiği karmaşık bir bilgi damıtma sürecine büyük ölçüde dayanır.

DAMO-YOLO Ayrıntıları:

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Belgeler: DAMO-YOLO Belgeleri

DAMO-YOLO hakkında daha fazla bilgi edin

Performans Analizi#

Bu modeller değerlendirilirken gecikme, hesaplama karmaşıklığı (FLOPs) ve Ortalama Hassasiyet (mAP) arasındaki denge, ideal dağıtım ortamlarını belirler.

DAMO-YOLO, nano ve tiny ölçeklerinde genellikle daha düşük TensorRT gecikmeleri elde ederek yüksek aktarım hızlı video akışları için son derece rekabetçi hale gelir. Bununla birlikte PP-YOLOE+, extra-large (x) varyantına ölçeklendiğinde son derece iyi performans gösterir ve çıkarım süresinin ikincil öneme sahip olduğu karmaşık görüntülerde sınıfının en iyi doğruluğunu elde eder.

Ultralytics Avantajı: 2022 Mimarilerinin Ötesine Geçmek#

PP-YOLOE+ ve DAMO-YOLO önemli kilometre taşlarını temsil etmiş olsa da modern geliştirme; daha fazla çok yönlülük, daha kolay eğitim hatları ve daha düşük bellek gereksinimleri talep eder. Ultralytics Platformu, eski modellerin gerektirdiği karmaşık damıtma ve çerçeveye özgü kurulumları büyük ölçüde geride bırakan, sorunsuz bir deneyim sunarak bu ihtiyaçları karşılar.

Günümüzde en iyi performans dengesini yakalamak isteyen geliştiriciler için Ultralytics YOLO26, gerçek dünya dağıtım verimliliğinde devrim niteliğinde bir ilerleme sağlar.

YOLO26 Neden Sektöre Öncülük Ediyor?#

2026'nın başlarında yayımlanan YOLO26, üretime yönelik çığır açan teknolojiler sunarak YOLO11 mirasını geliştirir:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını ortadan kaldırır. Bu, daha basit dağıtım mantığı ve tutarlı, son derece öngörülebilir çıkarım gecikmeleri sağlar.
• MuSGD Optimize Edicisi: Büyük dil modeli eğitim tekniklerinden ilham alan YOLO26, hibrit bir MuSGD optimize edicisi kullanır. Bu, son derece kararlı eğitim ve hızlı yakınsama sağlayarak değerli GPU saatlerinden tasarruf eder.
• Üstün CPU Çıkarımı: Dağılımsal Odaklı Kayıp (DFL) kaldırılıp ağ grafiği optimize edilerek YOLO26, CPU çıkarımını %43'e kadar hızlandırır ve onu uç AI cihazları için en iyi seçenek haline getirir.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone operasyonları ve uzaktan algılama için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Eşsiz Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'nin aksine YOLO26, poz tahmini, örnek bölütleme, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutuları (OBB) yerel olarak ve sorunsuz biçimde destekler.

Kullanım Kolaylığı ve Eğitim Verimliliği#

DAMO-YOLO modeli eğitmek, yoğun bir öğretmen-öğrenci damıtma hattının yönetilmesini gerektirir. Buna karşılık bir Ultralytics modeli eğitmek, rakip mimarilere kıyasla minimum CUDA bellek kullanımıyla yalnızca birkaç satır Python 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")

İdeal Kullanım Alanları ve Öneriler#

En uygun bilgisayarlı görü mimarisini seçmek, büyük ölçüde ekibinin ekosistem entegrasyonuna ve dağıtım hedeflerine bağlıdır.

• PP-YOLOE+'yi seç; tüm hattın Baidu PaddlePaddle ekosistemine derinlemesine gömülüyse. Doğruluğu en üst düzeye çıkarmanın birincil hedef olduğu güçlü sunuculardaki statik görüntü analizi için hâlâ mükemmel bir seçimdir.
• DAMO-YOLO'yu seç; Sinir Mimarisi Araması algoritmaları üzerine özel araştırmalar yürütüyorsan veya iddialı TensorRT gecikme hedeflerine ulaşmak için karmaşık damıtma hatlarını sürdürebilecek mühendislik kaynaklarına sahipsen.
• Neredeyse tüm modern üretim senaryoları için Ultralytics YOLO26 seçsin. Ultralytics ekosistemi benzersiz bir belgeleme, daha düşük bellek gereksinimleri ve akıcılaştırılmış bir API sunar. İster otomatik kalite kontrol sistemleri inşa ediyor ol, ister bir Raspberry Pi üzerinde gerçek zamanlı izleme çalıştırıyor ol, YOLO26'nın NMS'siz mimarisi kutudan çıktığı gibi hızlı, kararlı ve son derece doğru sonuçlar sağlar.

En son teknolojiye sahip diğer çözümleri inceleyen geliştiriciler için Ultralytics belgeleri, yaygın olarak benimsenen YOLOv8 ve sağlam YOLO11 hakkında da kapsamlı kaynaklar sunarak her türlü bilgisayarlı görü problemi için doğru modele sahip olmanı sağlar.