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 ihtiyaçların için en iyi aracı seçmene yardımcı olmak amacıyla mimari yeniliklerini, eğitim paradigmalarını ve gerçek dünya uygulamalarını ayrıntılı olarak inceleyeceğiz.

Model Genel Bakışları#

Ultralytics YOLO11#

Ultralytics ekibi tarafından geliştirilen YOLO11, YOLO ailesinin hem doğruluğu hem de verimliliği büyük ölçüde optimize edilmiş, son derece geliştirilmiş bir sürümünü temsil eder. Veri kümesi yönetiminden uç cihaz dağıtımına kadar uzanan, üretime hazır ve 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
• Dokümanlar: https://docs.ultralytics.com/models/yolo11

YOLO11 çok yönlülüğüyle öne çıkar. Birçok geleneksel model yalnızca sınırlayıcı kutulara odaklanırken, YOLO11 yerel olarak nesne tespiti, örnek bölütleme, görüntü sınıflandırma ve poz kestirimi destekler. Bu çok görevli yetenek, geliştiricilerin görüntüleme yapay zekası işlem hatlarını tek ve iyi bakımı yapılan bir çatı altında birleştirmesini sağlar.

DAMO-YOLO#

DAMO-YOLO, Alibaba Group araştırmacıları tarafından geliştirilmiştir. GPU'larda ve diğer hızlandırıcılarda gerçek zamanlı çıkarım için özelleştirilmiş, son derece verimli omurgaları keşfetmek amacıyla Nöral Mimari Arama (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 parametrelendirme ve otomatik arama etrafında döner. Yazarlar, MAE-NAS (Maximum Entropy Neural Architecture Search) kullanarak, özel donanım üzerinde çıkarım hızlarını önemli ölçüde artıran özel bir omurga tasarladı. Ayrıca gecikmeyi en aza indirmek için Efficient RepGFPN adı verilen yoğun şekilde optimize edilmiş bir boyun ve basitleştirilmiş bir ZeroHead yapısı içerir.

Performans ve Mimari Karşılaştırması#

Uç cihaz yapay zekâsı uygulamalarını dağıtırken performans ödünleşimlerini anlamak hayati önem taşır. Aşağıdaki tablo, ortalama kesinlik (mAP), gecikme ve hesaplama boyutu gibi temel ölçümleri özetler.

Mimariye Derinlemesine Bakış#

YOLO11, parametre sayısı ile temsil kapasitesini mükemmel biçimde dengeleyen, son derece verimli ve özel olarak tasarlanmış bir omurgaya dayanır. Çeşitli donanımlarda çalışacak şekilde optimize edilmiştir ve hem eğitim hem de çıkarım sırasında minimum CUDA belleği kullanımıyla doğal olarak üstün performans gösterir. Bu da 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 bir şekilde ayarlanmıştır. Efficient RepGFPN (Genelleştirilmiş Öznitelik Piramit Ağı) bileşeni, birden fazla ölçeği agresif bir şekilde entegre eder. Bununla birlikte, yeniden parametrelendirme çıkarımı hızlandırırken, donanım yığın açıkça bu işlemleri iyi desteklemiyorsa dağıtım sürecini karmaşıklaştırabilir.

Kullanılabilirlik ve Eğitim Verimliliği#

Geliştirme süresi hesaba katıldığında, bir modelin Kullanım Kolaylığı ham kıyaslama sonuçları kadar önemli hâle gelir.

YOLO11, büyük ölçüde geliştirici erişilebilirliği ilkesi üzerine kurulmuştur. Kapsamlı ultralytics paketi, veri kümesi ayrıştırma, artırma ve hiperparametre ayarlama gibi zahmetli işlemleri soyutlar. Modelleri ONNX, TensorRT ve OpenVINO gibi üretim formatlarına aktarmak yalnızca tek bir komut gerektirir.

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

Akademik ve araştırma ağırlıklı bir geçmişten gelen DAMO-YOLO, daha dik bir öğrenme eğrisi sunar. En yüksek doğruluğuna ulaşmak çoğunlukla karmaşık bilgi damıtma işlem hatlarını içerir; yani bu bilgiyi daha küçük bir "öğrenci" ağına aktarmadan önce büyük bir "öğretmen" ağını eğitmen gerekir. Bu durum, Ultralytics modellerinin yalın eğitim döngülerine kıyasla gereken GPU hesaplama kaynaklarını ve toplam eğitim süresini büyük ölçüde artırır.

Kullanım Alanları ve Öneriler#

YOLO11 ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için önerilir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

Gerçek Dünya Uygulamaları ve Kullanım Alanları#

Otonom Sistemler ve Dronlar#

Hava görüntüleri ve İHA dağıtımları için YOLO11, son derece elverişli bir performans dengesi sunar. Küçük nesneleri algılamak drone analizlerinde büyük bir zorluktur, ancak YOLO11 farklı ölçekleri kutudan çıktığı hâliyle ve doğal olarak ele alır. Ayrıca düşük bellek gereksinimleri, YOLO11 Nano ve Small sürümlerinin doğrudan drone üzerine takılı hafif uç cihaz CPU'larında veya NPU'larında çalışmasına olanak tanır.

Endüstriyel Otomasyon ve Kalite Kontrolü#

Akıllı fabrikalarda gecikme en önemli unsurdur. DAMO-YOLO, RepGFPN boynu sayesinde güçlü sunucu sınıfı GPU'larda yüksek çıkarım hızları sunsa da katı entegrasyonu gereğinden fazla olabilir. YOLO11, basit izleme API'leri ve kusurlar açılı sınırların tanınmasını gerektiriyorsa saf algılamadan yönlendirilmiş sınırlayıcı kutu (OBB) görevlerine sorunsuzca geçebilme yeteneği sayesinde otomatik kalite kontrolü için çoğu zaman üstün bir alternatif olarak öne çıkar.

Akıllı Sağlık Hizmetleri ve Tıbbi Görüntüleme#

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

Nihayetinde, DAMO-YOLO Sinirsel Mimari Arama'nın güçlü bir göstergesi olmaya devam ederken, YOLO11 ve genişletilmiş Ultralytics ailesi; hızlı dağıtıma, geliştirici kolaylığına ve üst düzey çok görevli performansa öncelik vererek gerçek dünyadaki bilgisayarlı görü görevleri için kesin tavsiye olmaya devam eder.