Link to this sectionPP-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 rehber, PP-YOLOE+ ve DAMO-YOLO'nun mimarilerini, eğitim metodolojilerini ve dağıtım avantajlarını keşfeden ayrıntılı bir teknik analiz sunmaktadır. Ayrıca, dağıtım kısıtlamaların için en doğru aracı seçmene yardımcı olmak adına bu çerçevelerin Ultralytics YOLO26 gibi modern çözümlerle nasıl karşılaştırıldığını da inceleyeceğiz.
Link to this sectionPP-YOLOE+: İyileştirilmiş Endüstriyel Nesne Tespiti#
Baidu ekosistemi içinde geliştirilen PP-YOLOE+, PaddlePaddle derin öğrenme çerçevesi için yoğun bir şekilde optimize edilmiş, orijinal PP-YOLOE'nin yinelemeli bir iyileştirmesidir. Sunucu sınıfı donanımlarda doğruluğu ve çıkarım hızını maksimize etmek için tasarlanmış olup, endüstriyel denetim ve akıllı perakende uygulamaları için güçlü bir adaydır.
Link to this sectionMimari 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 Hizalı Başlık (ET-head): Uzamsal çözünürlükten ödün vermeden özellikleri hızlı bir şekilde işlemek için tasarlanmış, yüksek mAP metriklerini korumak için oldukça faydalı, aerodinamik bir tespit başlığıdır.
PP-YOLOE+ Detayları:
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş: Baidu
- Tarih: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Dokümanlar: PP-YOLOE+ Dokümantasyonu
PP-YOLOE+ hakkında daha fazla bilgi edin
Link to this sectionDAMO-YOLO: Uçta Sinirsel Mimari Arama#
Alibaba DAMO Academy tarafından oluşturulan DAMO-YOLO, belirgin şekilde farklı bir yaklaşım benimser. Araştırma ekibi, omurgayı manuel olarak tasarlamak yerine, katı gecikme kısıtlamalarına göre uyarlanmış, yüksek verimli ağ topolojilerini keşfetmek için Sinirsel Mimari Arama (NAS) kullandı.
Link to this sectionTemel Özellikler ve Eğitim Hattı#
DAMO-YOLO, otomatik ve damıtma ağırlıklı bir metodoloji ile düşük gecikme süresini ve yüksek doğruluğu vurgular:
- MAE-NAS Omurgaları: Verimli Sinirsel Mimari Aramayı Otomatikleştirme Yöntemini kullanan DAMO-YOLO, özellikle parametreler ve doğruluk arasındaki ödünleşim 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
- Organizasyon: Alibaba Group
- Tarih: 23-11-2022
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Dokümantasyon: DAMO-YOLO Dokümantasyonu
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.
Link to this sectionPerformans 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, yüksek verimli video akışları için oldukça rekabetçi hale gelir. Ancak PP-YOLOE+, ekstra büyük (x) varyantına inanılmaz derecede iyi ölçeklenir ve çıkarım süresinin ikincil bir sorun olduğu karmaşık görüntüler için üst düzey doğruluk sağlar.
Link to this sectionUltralytics Avantajı: 2022 Mimarilerinin Ötesine Geçmek#
PP-YOLOE+ ve DAMO-YOLO önemli kilometre taşlarını temsil etse de, modern geliştirme süreçleri daha fazla çok yönlülük, daha kolay eğitim hatları ve daha düşük bellek gereksinimleri talep eder. Ultralytics Platform, eski modellerin gerektirdiği karmaşık damıtma ve çerçeveye özgü kurulumları 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 ileri adım sağlar.
Link to this sectionNeden YOLO26 Sektöre Liderlik Ediyor?#
2026'nın başlarında piyasaya sürülen YOLO26, üretim için uyarlanmış çığır açan teknolojiler sunarak YOLO11 mirasının üzerine inşa edilmiştir:
- 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: Dağılımsal Odak Kaybını (DFL) kaldırarak ve ağ grafiğini optimize ederek, YOLO26 %43'e kadar daha hızlı CPU çıkarımı elde eder ve bu da onu uç AI cihazları için bir numaralı seçenek haline getirir.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve uzaktan algılama için kritik olan küçük nesne tanımasında dikkat çekici iyileştirmeler sağlar.
- Benzersiz Çok Yönlülük: Sadece tespite odaklanan PP-YOLOE+'nın aksine, YOLO26; poz tahmini, örnek segmentasyonu, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutuları (OBB) sorunsuz bir şekilde destekler.
Link to this sectionKullanım 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
Link to this sectionİdeal 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.
- Günümüzün neredeyse tüm modern üretim senaryoları için Ultralytics YOLO26'yı seç. Ultralytics ekosistemi, benzersiz dokümantasyon, daha düşük bellek gereksinimleri ve kolaylaştırılmış bir API sağlar. Otomatik kalite kontrol sistemleri oluşturuyor veya bir Raspberry Pi üzerinde gerçek zamanlı takip çalıştırıyor olsan da, YOLO26'nın NMS'siz mimarisi, kutudan çıktığı anda hızlı, kararlı ve son derece doğru sonuçlar sağlar.
Diğer son teknoloji çözümleri keşfeden geliştiriciler için Ultralytics dokümantasyonu, yaygın olarak benimsenen YOLOv8 ve sağlam YOLO11 hakkında kapsamlı kaynaklar sunarak her türlü bilgisayarlı görü zorluğu için doğru modele sahip olmanı sağlar.