YOLOv10 ve DAMO-YOLO#

Modern bilgisayarlı görü işlem hatları oluştururken doğru gerçek zamanlı nesne algılama mimarisini seçmek kritik önem taşır. Bu kapsamlı teknik analizde YOLOv10 ve DAMO-YOLO mimarilerini, performans metriklerini ve ideal kullanım alanlarını inceliyoruz. Her iki model de nesne algılama yeteneklerinde önemli sıçramaları temsil eder, ancak hedeflerine ulaşmak için farklı mimari yaklaşımlar benimser.

Projen ister kısıtlı uç AI donanımına dağıtım gerektirsin ister bulut GPU'larında en yüksek doğruluğu talep etsin, bu mimarilerin inceliklerini anlamak bilinçli bir karar vermene yardımcı olur.

YOLOv10'u İnceleme#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen YOLOv10, yerel uçtan uca bir yaklaşım sunarak YOLO ailesinde devrim yarattı ve işlem sonrası aşamada Maksimum Olmayan Bastırma (NMS) gereksinimini etkili bir şekilde ortadan kaldırdı.

YOLOv10 Ayrıntıları:

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Dokümanlar: https://docs.ultralytics.com/models/yolov10

Temel Mimari Özellikler#

YOLOv10'un temel yeniliği, NMS'siz eğitim için kullandığı Tutarlı İkili Atamalar stratejisidir. Geleneksel nesne algılayıcılar, çakışan sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'ye dayanır; bu da otonom araçlar ve yüksek hızlı robotik sistemler gibi gerçek zamanlı uygulamalarda önemli bir darboğaz olan öngörülemez gecikmeye yol açar. YOLOv10, her nesne için doğrudan tek bir en uygun sınırlayıcı kutuyu tahmin ederek öngörülebilir, ultra düşük gecikmeli çıkarım gerçekleştirir.

Ayrıca model, Bütünsel Verimlilik-Doğruluk Odaklı Tasarım kullanır. Mimari; hafif bir sınıflandırma başlığı ve uzamsal-kanal ayrıştırmalı alt örnekleme de dâhil olmak üzere çeşitli bileşenleri optimize ederek hesaplama fazlalığını önemli ölçüde azaltır. Bunun sonucunda, rekabetçi ortalama Ortalama Kesinlik (mAP) değerini korurken daha az parametreye ve daha düşük FLOPs sayısına sahip bir mimari ortaya çıkar.

YOLOv10 hakkında daha fazla bilgi edin

Kullanım Örneği#

YOLOv10, Ultralytics ekosistemine derinlemesine entegre edilmiştir; bu nedenle Ultralytics Python paketi aracılığıyla kullanımı son derece kolaydır.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 nano model
model = YOLO("yolov10n.pt")

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

# Run inference on a test image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to TensorRT format
model.export(format="engine", quantize=16)

DAMO-YOLO'yu İnceleme#

Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk Pareto sınırını ileri taşımayı amaçlayarak otomatik Sinirsel Mimari Arama (NAS) yoluyla yüksek verimliliğe sahip ağ yapılarını keşfetmeye odaklanır.

DAMO-YOLO Ayrıntıları:

• 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

Temel Mimari Özellikler#

DAMO-YOLO, endüstriyel uygulamalar için uyarlanmış birkaç yeni teknoloji sunar. Modelin temeli, maksimum entropi güdümlü arama yoluyla üretilen MAE-NAS Backbone yapısıdır. Bu otomatik süreç, doğruluk ile çıkarım gecikmesi arasında hassas bir denge kurarak önceden tanımlanmış hesaplama bütçelerine sıkı sıkıya uyan omurga yapıları keşfeder.

Ayrıca mimari, Efficient RepGFPN boyun yapısını kullanır. Bu özellik piramidi ağı, farklı ölçekler arasındaki özellik birleştirmeyi iyileştirmek üzere tasarlanmıştır; bu, nesnelerin boyutlarının büyük ölçüde değiştiği hava görüntüsü analizi gibi karmaşık görevler için kritik önem taşır. Bunu tamamlamak üzere DAMO-YOLO, son tahmin katmanlarının karmaşıklığını büyük ölçüde azaltan ve çıkarım sırasında değerli hesaplama süresinden tasarruf sağlayan minimalist bir algılama başlığı olan ZeroHead'i uygular.

DAMO-YOLO hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Nesne algılama mimarilerini değerlendirirken çıkarım hızı, parametre verimliliği ve algılama doğruluğu arasında doğru dengeyi bulmak büyük önem taşır. Aşağıdaki tablo, YOLOv10 ile DAMO-YOLO'nun kendi model boyutları arasındaki performansını karşılaştırır.

Karşılaştırma sonuçlarında görüldüğü üzere YOLOv10, özellikle nano varyantında TensorRT üzerinde istikrarlı biçimde olağanüstü gecikme profilleri sunar ve DAMO-YOLO'nun karşılaştırılabilir modellerine göre önemli ölçüde daha az parametre ile FLOPs gerektirir. DAMO-YOLO, tiny varyantında güçlü mAP sunsa da YOLOv10 ailesinin parametre verimliliği ve çıkarım gecikmesi, kısıtlı dağıtım ortamlarında belirgin bir avantaj sağlar.

Kullanım Alanları ve Öneriler#

YOLOv10 ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

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.

Ultralytics Avantajı#

Her iki model de teknik açıdan etkileyici olsa da üretim için mimari seçmek, yalnızca ham metriklerin ötesine bakmayı gerektirir. Ultralytics ekosistemi tarafından yerel olarak desteklenen modellerle geliştirme yapmak, hem geliştiriciler hem de araştırmacılar için eşsiz avantajlar sunar.

Kullanım Kolaylığı ve İyi Bakımı Yapılan Ekosistem#

Çoğu zaman terk edilen bağımsız akademik depoların aksine Ultralytics, sağlam ve etkin biçimde sürdürülen bir ekosistem sunar. NAS işlem hatlarına büyük ölçüde dayanan modeller için karmaşık ortamlar kurmak göz korkutucu olabilir. Buna karşılık Ultralytics, kapsamlı belgelendirmeyle desteklenen standartlaştırılmış, sezgisel bir Python API'si ve güçlü bir CLI sağlar. Bu, özel görü çözümlerinin pazara sunulma süresini büyük ölçüde kısaltır.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Büyük modelleri eğitmek, hesaplama maliyetlerini hızla artırabilir. Ultralytics YOLO mimarileri, eğitim ve çıkarım sırasında düşük CUDA bellek kullanımıyla geçmişten beri tanınır. Bu verimlilik, geliştiricilerin RT-DETR gibi Transformer tabanlı modellerle çalışırken sık karşılaşılan bellek yetersizliği hatalarıyla karşılaşmadan modelleri tüketici sınıfı donanımlarda veya uygun maliyetli bulut örneklerinde eğitmesine olanak tanır.

Görevler Arasında Çok Yönlülük#

Birçok özel algılama modelinin önemli bir sınırlaması, dar kapsamlı olmalarıdır. Ultralytics ekosisteminde yalnızca nesne algılamayla sınırlı değilsin. Araçlar; örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama dâhil olmak üzere birden fazla bilgisayarlı görü görevine sorunsuz şekilde genişletilebilir.

İleriye Bakış: YOLO26'nın Evrimi#

YOLOv10, NMS'siz çıkarıma öncülük ederken DAMO-YOLO da NAS'ın gücünü ortaya koydu; ancak bilgisayarlı görü alanı hızla ilerliyor. En gelişmiş çözümü arayan geliştiricilere Ultralytics YOLO26 modelini incelemelerini öneriyoruz.

YOLO11 modelinin kesin halefi olarak yayımlanan YOLO26, YOLOv10'un oluşturduğu NMS'siz temeli geliştirir, ancak bunu önemli ölçüde daha ileri taşır.

YOLO26'daki temel geliştirmeler şunlardır:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim ve düşük güç tüketimli cihazlar için özel olarak optimize edilmiştir.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp kaldırılarak daha basit dışa aktarma ve çeşitli dağıtım hedefleriyle daha iyi uyumluluk sağlanır.
• MuSGD Optimize Edicisi: SGD ile Muon'un birleşimi olan bu yöntem, gelişmiş LLM eğitim kararlılığını ve daha hızlı yakınsamayı doğrudan bilgisayarlı görüye taşır.
• ProgLoss + STAL: Tarım ve uzaktan algılama gibi kullanım alanları için kritik olan küçük nesne tanımada dikkate değer iyileştirmeler sunan, büyük ölçüde geliştirilmiş kayıp işlevleri.

Geliştiriciler, yeni yenilenen Ultralytics Platformu ile YOLO26 gibi yeni nesil modelleri yalnızca birkaç tıklamayla sorunsuz şekilde etiketleyebilir, eğitebilir ve dağıtabilir; böylece bilgisayarlı görü işlem hattının hem en son teknolojiye sahip hem de geleceğe hazır olması sağlanır.