YOLO11 ve DAMO-YOLO#

En uygun mimariyi seçmek, her bilgisayarlı görü projesinde kritik bir adımdır. Bu teknik kılavuz, iki güçlü nesne algılama modeli olan Ultralytics YOLO11 ve DAMO-YOLO arasında kapsamlı bir karşılaştırma sunar. Dağıtım ihtiyaçlarına en uygun aracı seçmene yardımcı olmak için mimari yeniliklerini, eğitim yöntemlerini ve gerçek dünyadaki uygulanabilirliklerini derinlemesine inceleyeceğiz.

Modellere Genel Bakış#

Ultralytics YOLO11#

Ultralytics ekibi tarafından geliştirilen YOLO11, doğruluğu ve verimliliği kapsamlı biçimde optimize edilmiş, YOLO ailesinin son derece rafine edilmiş bir sürümüdür. Veri kümesi yönetiminden uç dağıtıma kadar uzanan, üretime hazır birleşik bir ekosistem arayan araştırmacılar ve mühendisler için tasarlanmıştır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: https://docs.ultralytics.com/models/yolo11

YOLO11 çok yönlülüğüyle öne çıkar. Geleneksel birçok model yalnızca sınırlayıcı kutulara odaklanırken YOLO11 yerel olarak nesne algılamayı, örnek segmentasyonunu, görüntü sınıflandırmayı ve poz tahminini destekler. Bu çoklu görev yeteneği, geliştiricilerin görsel yapay zekâ işlem hatlarını bakımı iyi yapılan tek bir çatı altında birleştirmesini sağlar.

DAMO-YOLO#

DAMO-YOLO, Alibaba Group'taki araştırmacılar tarafından geliştirildi. GPU'larda ve diğer hızlandırıcılarda gerçek zamanlı çıkarım için tasarlanmış, son derece verimli omurgalar bulmak üzere Sinir Ağı Mimarisi Araması (NAS) yönteminden yararlanır.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO
• Belgeler: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

DAMO-YOLO hakkında daha fazla bilgi edin

DAMO-YOLO'nun temel felsefesi yeniden parametreleştirme ve otomatik arama etrafında şekillenir. MAE-NAS (Maksimum Entropili Sinir Ağı Mimarisi Araması) kullanan yazarlar, özel donanımlarda çıkarım hızlarını önemli ölçüde artıran özel bir omurga tasarladı. Ayrıca gecikmeyi en aza indirmek için Efficient RepGFPN adlı, yüksek ölçüde optimize edilmiş bir boyun yapısı ve basitleştirilmiş bir ZeroHead yapısı içerir.

Performans ve Mimari Karşılaştırması#

Uç yapay zekâ uygulamalarını dağıtırken performans ödünleşimlerini anlamak hayati önem taşır. Aşağıdaki tabloda ortalama hassasiyet (mAP), gecikme ve hesaplama boyutu gibi temel metrikler özetlenmiştir.

Mimarinin Derinlemesine İncelenmesi#

YOLO11, parametre sayısı ile temsil kapasitesini dengeli biçimde bir araya getiren, yüksek verimlilikte ve özel olarak tasarlanmış bir omurgaya dayanır. Farklı donanımlarda sorunsuz çalışacak şekilde optimize edilmiştir; hem eğitim hem çıkarım sırasında minimum CUDA belleği kullanımıyla doğal olarak üstün performans gösterir. Bu özellikleri onu standart tüketici donanımları veya kaynakları kısıtlı IoT cihazları için mükemmel bir seçenek hâline getirir.

Buna karşılık, DAMO-YOLO'nun MAE-NAS tarafından oluşturulan omurgaları yüksek verimli GPU ortamları için hassas biçimde ayarlanmıştır. Efficient RepGFPN (Genelleştirilmiş Özellik Piramidi Ağı) birden fazla ölçeği yoğun biçimde bütünleştirir. Ancak yeniden parametreleştirme çıkarımı hızlandırırken, donanım yığınında bu işlemler açıkça iyi desteklenmiyorsa dağıtım sürecini karmaşıklaştırabilir.

Kullanılabilirlik ve Eğitim Verimliliği#

Geliştirme süresini hesaba kattığında, bir modelin Kullanım Kolaylığı ham kıyaslama sonuçları kadar önemli hâle gelir.

YOLO11, geliştiricilerin kolayca kullanabilmesi ilkesi üzerine kurulmuştur. Kapsamlı ultralytics paketi; veri kümesi ayrıştırma, artırma ve hiperparametre ayarlama gibi zahmetli işleri soyutlar. Modelleri ONNX, TensorRT ve OpenVINO gibi üretim biçimlerine aktarmak için tek bir komut yeterlidir.

from ultralytics import YOLO

# YOLO11 nesne algılama modelini başlat
model = YOLO("yolo11s.pt")

# Modeli COCO8 üzerinde karma hassasiyetle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli uç dağıtım için TensorRT biçimine aktar
model.export(format="engine", device=0)

Akademik ve araştırma odaklı bir geçmişe sahip DAMO-YOLO'nun öğrenme süreci daha zorludur. En yüksek doğruluğa ulaşmak genellikle karmaşık bilgi damıtma işlem hatlarını içerir; yani bu bilgiyi daha küçük bir "öğrenci" ağa aktarmadan önce büyük bir "öğretmen" ağı eğitmen gerekir. Bu durum, Ultralytics modellerinin yalın eğitim döngülerine kıyasla gereken GPU hesaplama yükünü ve toplam eğitim süresini ciddi ölçüde artırır.

Kullanım Alanları ve Öneriler#

YOLO11 ve DAMO-YOLO arasında seçim yaparken projenin özel gereksinimlerini, dağıtım kısıtlarını ve ekosistem tercihlerini göz önünde bulundur.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlarda önerilir:

• Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
• Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gerçek Dünya Uygulamaları ve Kullanım Alanları#

Otonom Sistemler ve Dronelar#

Hava görüntüleri ve İHA dağıtımları için YOLO11, son derece elverişli bir performans dengesi sunar. Küçük nesnelerin algılanması drone analitiğinde önemli bir zorluktur; ancak YOLO11 farklı ölçekleri kutudan çıkar çıkmaz doğal olarak işler. Ayrıca düşük bellek gereksinimleri, YOLO11 Nano ve Small sürümlerinin drone üzerindeki hafif uç CPU'larda veya NPU'larda doğrudan çalışmasını sağlar.

Endüstriyel Otomasyon ve Kalite Kontrol#

Akıllı fabrikalarda gecikme çok önemlidir. DAMO-YOLO, RepGFPN boyun yapısı sayesinde güçlü, sunucu sınıfı GPU'larda yüksek çıkarım hızları sunsa da katı entegrasyon gereksinimleri gereğinden fazla olabilir. Basit izleme API'leri ve kusurlar açılı sınır tanımayı gerektiriyorsa saf algılamadan yönlendirilmiş sınırlayıcı kutu (OBB) görevlerine sorunsuz geçiş yapabilmesi sayesinde YOLO11, otomatik kalite kontrol için genellikle daha iyi bir alternatiftir.

Akıllı Sağlık Hizmetleri ve Tıbbi Görüntüleme#

Tıbbi görüntüleme veri kümeleri genellikle nispeten küçüktür ve aşırı öğrenmeyi önlemek zordur. Ultralytics'in Bakımı İyi Yapılan Ekosistemi tarafından sunulan standart aktarım öğrenimi işlem hatlarıyla birleştirilen etkin artırma teknikleri, klinisyenlerin ve geliştiricilerin doğru tümör algılama modellerini güvenilir biçimde dağıtmasına yardımcı olur. Geniş topluluk desteği, sağlık hizmetleri gibi karmaşık alanlardaki sorunların hızla çözülmesini sağlar.

Sonuç olarak DAMO-YOLO, Sinir Ağı Mimarisi Araması'nın güçlü bir örneği olmaya devam etse de hızlı dağıtıma, geliştirici kolaylığına ve üst düzey çoklu görev performansına öncelik veren gerçek dünya bilgisayarlı görü görevleri için kesin öneri YOLO11 ve genişletilmiş Ultralytics ailesidir.