YOLO11 ile DAMO-YOLO karşılaştırması#

En uygun mimariyi seçmek herhangi bir computer vision projesinde kritik bir adımdır. Bu teknik kılavuz, iki güçlü nesne tespiti modeli olan Ultralytics YOLO11 ve DAMO-YOLO arasında kapsamlı bir karşılaştırma sağlar. Dağıtım ihtiyaçlarınız için en iyi aracı seçmenize yardımcı olmak amacıyla mimari yeniliklerine, eğitim paradigmalarına ve gerçek dünya uygulanabilirliklerine dalacağız.

Model Genel Bakışları#

Ultralytics YOLO11#

Ultralytics ekibi tarafından geliştirilen YOLO11, YOLO ailesinde hem doğruluğu hem de verimliliği büyük ölçüde optimize eden oldukça gelişmiş bir yinelemeyi temsil eder. Veri kümesi yönetiminden uç cihazda dağıtıma kadar uzanan, birleşik ve üretime hazır 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 hakkında daha fazla bilgi edinin

YOLO11 çok yönlülüğüyle parlar. Birçok geleneksel model yalnızca sınırlayıcı kutulara odaklanırken, YOLO11 yerel olarak object detection, instance segmentation, image classification ve pose estimation destekler. Bu çok modlu yetenek, geliştiricilerin vision AI işlem hatlarını tek ve iyi bakımı yapılan bir çerçeve altında birleştirmesine olanak tanır.

DAMO-YOLO#

DAMO-YOLO, Alibaba Group'taki araştırmacılar tarafından geliştirilmiştir. GPU'lar ve diğer hızlandırıcılar üzerinde gerçek zamanlı çıkarım için özel olarak uyarlanmış yüksek verimli omurgaları keşfetmek amacıyla Sinir Mimarisi 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
• Docs: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

DAMO-YOLO hakkında daha fazla bilgi edin

DAMO-YOLO'nun temel felsefesi, yeniden parametrelendirme (rep-parameterization) ve otomatik arama etrafında şekillenir. Yazarlar, MAE-NAS (Çok Amaçlı Evrimsel Sinir Mimarisi Arama) kullanarak, özel donanımlarda çıkarım hızlarını önemli ölçüde artıran özel bir omurga tasarladılar. Ayrıca, gecikmeyi en aza indirmek için Efficient RepGFPN adlı oldukça optimize edilmiş bir boyun yapısını ve basitleştirilmiş bir ZeroHead yapısını bünyesinde barındırır.

Performans ve Mimari Karşılaştırması#

edge AI uygulamaları dağıtırken performans ödünleşimlerini anlamak hayati önem taşır. Aşağıdaki tablo, mean Average Precision (mAP), gecikme ve hesaplama boyutu gibi temel metrikleri özetlemektedir.

Mimari Derinlemesine İnceleme#

YOLO11, parametre sayısı ile temsil kapasitesini mükemmel bir şekilde dengeleyen, son derece verimli, özel tasarlanmış bir omurgaya dayanır. Çeşitli donanımlarda harika çalışacak şekilde optimize edilmiştir ve hem eğitim hem de çıkarım sırasında minimum CUDA memory kullanımıyla yerel olarak üstün başarı gösterir. Bu, onu standart tüketici donanımı veya kaynak kısıtlı IoT cihazları için harika bir seçenek haline getirir.

Buna karşılık DAMO-YOLO'nun MAE-NAS tarafından oluşturulan omurgaları, yüksek verimli GPU ortamları için hassas bir şekilde ayarlanmıştır. Efficient RepGFPN (Genelleştirilmiş Özellik Piramidi Ağı), birden fazla ölçeği agresif bir şekilde entegre eder. Ancak, yeniden parametrelendirme çıkarımı hızlandırsa da, donanım yığının bu işlemleri açıkça iyi desteklemiyorsa dağıtım sürecini karmaşıklaştırabilir.

Kullanılabilirlik ve Eğitim Verimliliği#

Geliştirme süresi hesaba katıldığında, bir modelin Kullanım Kolaylığı, ham performans ölçütleri kadar önemli hale gelir.

YOLO11, büyük ölçüde geliştirici erişilebilirliği ilkesi üzerine kurulmuştur. Kapsamlı ultralytics paketi, veri kümesi ayrıştırma, artırma ve hiperparametre ayarlamanın zor işlerini 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 kökenden gelen DAMO-YOLO, daha dik bir öğrenme eğrisi sunar. En yüksek doğruluğuna ulaşmak genellikle karmaşık bilgi damıtma işlem hatlarını içerir; yani daha küçük bir "öğrenci" ağına bu bilgiyi aktarmadan önce ilk olarak devasa bir "öğretmen" ağı eğitmeniz gerekir. Bu, Ultralytics modellerinin yalın eğitim döngülerine kıyasla gerekli GPU compute ek yükünü ve genel eğitim süresini büyük ölçüde şişirir.

Kullanım Durumları ve Öneriler#

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

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ne Zaman DAMO-YOLO Seçilmeli#

DAMO-YOLO şunlar için önerilir:

• Yüksek Verimli Video Analitiği: Toplu-1 (batch-1) veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite kontrol gibi, özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
• Neural Architecture Search Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametreleştirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gerçek Dünya Uygulamaları ve Kullanım Durumları#

Otonom Sistemler ve İnsansız Hava Araçları (İHA)#

Hava görüntüleri ve İHA dağıtımları için YOLO11, inanılmaz derecede elverişli bir performans dengesi sağlar. Küçük nesne tespiti drone analitiğinde büyük bir engeldir, ancak YOLO11 kutudan çıktığı gibi farklı ölçekleri yerel olarak işler. Ek olarak, düşük memory requirements, YOLO11 Nano ve Small varyantlarının doğrudan drone'a bağlı hafif uç CPU'larında veya NPU'larında çalışmasına olanak tanır.

Endüstriyel Otomasyon ve Kalite Kontrol#

Akıllı fabrikalarda gecikme çok önemlidir. DAMO-YOLO, RepGFPN boyun yapısı sayesinde ağır sunucu sınıfı GPU'larda sağlam çıkarım hızları sunarken, katı entegrasyon aşırı gelebilir. YOLO11, basit tracking APIs ve kusurlar açılı sınır tanıma gerektiriyorsa saf tespitten oriented bounding box (OBB) görevlerine sorunsuz bir şekilde geçiş yapabilme yeteneği sayesinde otomatik kalite kontrolü için genellikle üstün bir alternatif görevi görür.

Akıllı Sağlık ve Tıbbi Görüntüleme#

Tıbbi görüntüleme veri kümeleri genellikle nispeten küçüktür ve aşırı uyumdan (overfitting) kaçınmak zordur. Ultralytics'in Well-Maintained Ecosystem tarafından sağlanan standart aktarımlı öğrenme işlem hatlarıyla birleştirilmiş aktif artırma teknikleri, klinisyenlerin ve geliştiricilerin doğru tumor detection modellerini güvenilir bir şekilde dağıtmasına yardımcı olur. Geniş topluluk desteği, sağlık hizmetleri gibi karmaşık alanlardaki sorunların hızlı bir şekilde çözülmesini sağlar.

Sonuç olarak, DAMO-YOLO, Sinir Mimarisi Aramasının güçlü bir gösterimi olmaya devam etse de, YOLO11 ve genişletilmiş Ultralytics ailesi; hızlı dağıtım, geliştirici kolaylığı ve üst düzey çok modlu performansı ön planda tutarak gerçek dünya bilgisayarlı görü görevleri için kesin öneri olmaya devam etmektedir.