RTDETRv2 ve DAMO-YOLO#

Bilgisayarlı görü alanı sürekli gelişiyor; araştırmacılar ve mühendisler hız, doğruluk ve verimliliği mükemmel biçimde dengeleyen modeller geliştirmeye çalışıyor. Bu alanda büyük etki yaratan iki önemli mimari, Baidu tarafından geliştirilen RTDETRv2 ve Alibaba Group tarafından oluşturulan DAMO-YOLO'dur. Her iki model de gerçek zamanlı nesne algılama sınırlarını zorluyor, ancak etkileyici sonuçlara ulaşmak için temelde farklı mimari yaklaşımlar benimsiyor.

Bu teknik karşılaştırmada mimarilerini, eğitim yöntemlerini ve gerçek dünya dağıtım yeteneklerini ayrıntılı olarak inceleyeceğiz. Ayrıca bu modellerin daha geniş ekosistem karşısındaki durumunu, özellikle yüksek düzeyde optimize edilmiş Ultralytics Platform ve son teknoloji YOLO26 mimarisi ile karşılaştırmalı olarak ele alacağız.

Mimari Yenilikler#

Üretim ortamları için doğru aracı seçmekle görevli makine öğrenimi mühendisleri açısından bu modellerin temel mekanizmalarını anlamak son derece önemlidir.

RTDETRv2: Transformer Yaklaşımı#

Özgün RT-DETR'nin başarısı üzerine inşa edilen RTDETRv2, hibrit bir kodlayıcı ve bir Transformer kod çözücüsü kullanır. Bu tasarım, modelin küresel bağlamı son derece etkili biçimde işlemesini sağlar ve yoğun sahnelerde üst üste binen nesneleri ayırt etme konusunda olağanüstü başarı sunar. Bu mimarinin en önemli avantajı, doğal olarak NMS'siz (Maksimum Olmayan Bastırma) bir tasarıma sahip olmasıdır. NMS son işleme adımını ortadan kaldıran RTDETRv2, çıkarım işlem hattını sadeleştirir ve farklı donanım yapılandırmalarında daha kararlı gecikme sağlar.

RTDETRv2 hakkında daha fazla bilgi edin

DAMO-YOLO: CNN Verimliliğini İleri Taşımak#

Öte yandan DAMO-YOLO, son derece başarılı CNN tabanlı YOLO soyuna bağlı kalırken birçok çığır açıcı iyileştirme sunar. Omurgasını optimize etmek için Sinirsel Mimari Arama (NAS) yönteminden yararlanarak maksimum özellik çıkarma verimliliği sağlar. Ayrıca AlignedOTA ve damıtma iyileştirme tekniklerinin yanı sıra verimli bir RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve ZeroHead tasarımını içerir. Bu yenilikler, DAMO-YOLO'nun yüksek düzeyde rekabetçi bir mAP^val skorunu korurken hızlı çıkarım hızlarına ulaşmasını sağlar.

DAMO-YOLO hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Modelleri dağıtım için değerlendirirken ortalama Ortalama Kesinlik (mAP), çıkarım hızı ve parametre sayısı gibi performans metrikleri büyük önem taşır. Aşağıda iki model ailesinin ayrıntılı bir karşılaştırması yer alıyor.

Sonuçların Analizi#

Tabloda görüldüğü üzere RTDETRv2-x, 54,3 mAP^val değeriyle en yüksek doğruluğa ulaşıyor ve COCO veri kümesi gibi karmaşık doğrulama senaryolarında Transformer mimarisinin gücünü ortaya koyuyor. Ancak bunun karşılığında parametre sayısı (76M) ve FLOPs önemli ölçüde artıyor.

Buna karşılık DAMO-YOLOt (Tiny), yalnızca 8,5M parametre gerektirdiği için son derece hafiftir ve CUDA belleğinin ciddi ölçüde kısıtlı olduğu ortamlar için inanılmaz derecede hızlı bir seçenek sunar. DAMO-YOLO, eski nesil uç cihazlarda genellikle hız ve doğruluk arasında avantajlı bir denge sağlar.

Ekosistem, Kullanılabilirlik ve Ultralytics Avantajı#

Resmî RT-DETR GitHub ve DAMO-YOLO GitHub gibi bağımsız depolar bu modelleri eğitmek için ham kodu sunsa da bunları üretim işlem hatlarına entegre etmek çoğu zaman kapsamlı şablon kodu ve manuel optimizasyon gerektirir.

Ultralytics ekosistemi, geliştirici deneyimini büyük ölçüde işte burada basitleştirir. Ultralytics, RTDETRv2 gibi modelleri doğrudan birleşik API'sine entegre ederek tek satır kodla model eğitmeni, doğrulamanı ve dışa aktarmanı sağlar. Ayrıca Ultralytics modelleri, ağır Transformer tabanlı bağımsız depolara kıyasla eğitim sırasında minimum bellek gereksinimleriyle tanınır.

Kod Örneği: Sorunsuz Entegrasyon#

Çıkarım çalıştırmak için Ultralytics Python kütüphanesinden ne kadar kolay yararlanabileceğin aşağıda gösteriliyor. Transformer modeli veya son teknoloji bir CNN kullanıyor olman fark etmeksizin API tutarlı kalır.

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model for complex scene understanding
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the latest Ultralytics YOLO26 model for ultimate edge performance
model_yolo26 = YOLO("yolo26n.pt")

# Run inference on a sample image effortlessly
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo26("https://ultralytics.com/images/bus.jpg")

# Display the results
results_yolo[0].show()

İdeal Kullanım Alanları#

Bu mimariler arasındaki seçim tamamen özel proje gereksinimlerine bağlıdır:

• RTDETRv2, VRAM'in bol olduğu sunucu tarafı işlemede öne çıkar. Küresel bağlam farkındalığı, örtüşmelerin sık görüldüğü tıbbi görüntüleme ve yoğun kalabalık analizleri için idealdir.
• DAMO-YOLO, düşük parametre sayısı ve yüksek FPS'in kesin gereksinimler olduğu gömülü IoT uygulamaları ve hızlı hareket eden endüstriyel denetim hatları için son derece uygundur.

Gelecek: Ultralytics YOLO26#

Hem RTDETRv2 hem de DAMO-YOLO kendi avantajlarına sahip olsa da bilgisayarlı görü alanı hızla ilerliyor. Yeni projeler için en yeni Ultralytics YOLO26, hız, doğruluk ve geliştirici deneyiminin nihai birleşimini temsil ediyor.

YOLO26, Transformer'ların temel avantajını büyük hesaplama yükü olmadan sunan Uçtan Uca NMS'siz Tasarım yaklaşımını benimser. Kararlı ve hızlı yakınsama için Büyük Dil Modeli eğitiminden ilham alan yenilikçi MuSGD Optimize Edicisini içerir. Ayrıca DFL Kaldırma (basitleştirilmiş dışa aktarma ve uç/düşük güçlü cihazlarla daha iyi uyumluluk için Dağılımsal Odak Kayıp kaldırılmıştır) sayesinde YOLO26, %43'e kadar daha hızlı CPU çıkarımı sunarak uç bilişim için tartışmasız en iyi seçenek haline gelir. Ek olarak ProgLoss + STAL, küçük nesne tanımada kayda değer iyileştirmeler sunan geliştirilmiş kayıp işlevleri sağlar; bu da IoT, robotik ve hava görüntüleri için kritik öneme sahiptir.

Yalnızca sınırlayıcı kutularla kısıtlı modellerin aksine YOLO26 ailesi, örnek segmentasyonu ve poz tahmini ile yönlendirilmiş sınırlayıcı kutular (OBB) dahil olmak üzere çeşitli görevleri destekleyen eşsiz bir çok yönlülük sunar; tüm bunlar sezgisel Ultralytics Platform üzerinden sorunsuzca yönetilir.

Model Ayrıntıları ve Referanslar#

RTDETRv2#

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Kuruluş: Baidu
• Tarih: 2024-07-24
• Arxiv: 2407.17140
• GitHub: RT-DETR Deposu

DAMO-YOLO#

• 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: DAMO-YOLO Deposu

Diğer karşılaştırmaları incelemek istiyorsan, bu modellerin Ultralytics ailesinin önceki nesillerine karşı nasıl performans gösterdiğini görmek için RTDETRv2 ve YOLO11 veya DAMO-YOLO ve YOLOv8 hakkındaki rehberlerimize göz at.