YOLOv10 ile DAMO-YOLO#

Modern bilgisayarlı görü hatları oluştururken doğru gerçek zamanlı nesne tespiti 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 tespiti yeteneklerinde önemli ilerlemeler sunar, ancak hedeflerine ulaşmak için farklı mimari yollar izler.

Projenin kısıtlı uç yapay zekâ donanımına dağıtım gerektirsin ya da bulut GPU'larında en yüksek doğruluğu hedeflesin, bu mimarilerin inceliklerini anlamak bilinçli bir karar vermene yardımcı olur.

YOLOv10'u İnceleyelim#

Tsinghua Üniversitesi araştırmacıları tarafından tanıtılan YOLOv10, yerel olarak uçtan uca bir yaklaşım getirerek YOLO ailesinde devrim yarattı ve son işlem sırasında Non-Maximum Suppression (NMS) gereksinimini etkili biçimde 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
• Belgeler: https://docs.ultralytics.com/models/yolov10

Temel Mimari Özellikler#

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

Ayrıca model, Bütünsel Verimlilik-Doğruluk Odaklı Tasarım kullanır. Mimari; hafif bir sınıflandırma başlığı ve uzamsal-kanal ayrıştırmalı alt örnekleme dâhil çeşitli bileşenleri optimize ederek hesaplama tekrarlarını önemli ölçüde azaltır. Böylece parametre sayısı ve FLOP sayısı daha düşükken rekabetçi ortalama Ortalama Hassasiyet (mAP) sunan bir mimari ortaya çıkar.

YOLOv10 hakkında daha fazla bilgi edin

Kullanım Örneği#

YOLOv10, Ultralytics ekosistemine derinlemesine entegre edilmiştir ve Ultralytics Python paketi aracılığıyla kullanımı son derece kolaydır.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv10 nano modelini yükle
model = YOLO("yolov10n.pt")

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

# Bir test görüntüsü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")

# Modeli TensorRT biçimine aktar
model.export(format="engine", quantize=16)

DAMO-YOLO'yu İnceleyelim#

Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk arasındaki Pareto sınırını ilerletmeyi amaçlayarak otomatik Sinir Mimarisi Araması (NAS) yoluyla son derece verimli ağ yapıları 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 tasarlanmış çeşitli yeni teknolojiler sunar. Modelin temelini, maksimum entropi rehberliğindeki aramayla oluşturulan MAE-NAS Omurgası oluşturur. Bu otomatik süreç, önceden belirlenmiş hesaplama bütçelerine kesinlikle uyan omurga yapılarını keşfederek doğruluk ve çıkarım gecikmesi arasında dengeli bir sonuç elde eder.

Ayrıca mimaride Verimli RepGFPN boyun yapısı kullanılır. Bu özellik piramidi ağı, farklı ölçeklerde özellik birleştirmeyi iyileştirmek üzere tasarlanmıştır; bu, nesnelerin boyutlarının büyük ölçüde değiştiği hava görüntüsü analizi gibi karmaşık görevler için kritik önem taşır. Buna ek olarak DAMO-YOLO, son tahmin katmanlarının karmaşıklığını önemli ölçüde azaltan ve çıkarım sırasında değerli hesaplama süresinden tasarruf sağlayan minimalist bir tespit başlığı olan ZeroHead'i uygular.

DAMO-YOLO hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Nesne tespiti mimarilerini değerlendirirken çıkarım hızı, parametre verimliliği ve tespit doğruluğu arasında doğru dengeyi bulmak büyük önem taşır. Aşağıdaki tablo, YOLOv10 ve DAMO-YOLO'nun ilgili model boyutlarındaki performansını karşılaştırır.

Kıyaslamalarda görüldüğü gibi YOLOv10, özellikle nano varyantında TensorRT üzerinde sürekli olarak olağanüstü gecikme değerleri sunar ve DAMO-YOLO'nun benzer modellerinden önemli ölçüde daha az parametre ve FLOP gerektirir. DAMO-YOLO küçük varyantında güçlü mAP değerleri sunsa da YOLOv10 ailesinin parametre verimliliği ve çıkarım gecikmesi, dağıtım kaynaklarının kısıtlı olduğu ortamlarda belirgin bir avantaj sağlar.

Kullanım Alanları ve Öneriler#

YOLOv10 ile DAMO-YOLO arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

• NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Hız ve Doğruluk Arasında Dengeli Ödünleşimler: 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'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.

Ultralytics Avantajı#

Her iki model de teknik açıdan etkileyici olsa da üretim için mimari seçerken ham metriklerin ötesine bakmak gerekir. Ultralytics ekosistemi tarafından yerel olarak desteklenen modellerle geliştirme yapmak, geliştiricilere ve araştırmacılara eşsiz avantajlar sağlar.

Kullanım Kolaylığı ve Bakımı Düzenli Ekosistem#

Sıklıkla terk edilen bağımsız akademik depoların aksine Ultralytics, güçlü ve etkin biçimde bakımı yapılan bir ekosistem sunar. NAS hatlarına büyük ölçüde dayanan modeller için karmaşık ortamlar kurmak göz korkutucu olabilir. Buna karşılık Ultralytics, kapsamlı belgelerle desteklenen standartlaştırılmış, sezgisel bir Python API'si ve güçlü bir CLI sunar. Bu, özel görüntü çözümlerinin pazara sunulma süresini önemli 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 uzun zamandır bilinir. Bu verimlilik, geliştiricilerin Transformer tabanlı RT-DETR gibi modellerle çalışırken sık görülen bellek yetersizliği hatalarıyla karşılaşmadan tüketici sınıfı donanımlarda veya uygun maliyetli bulut sunucularında model eğitmesine olanak tanır.

Görevler Arasında Çok Yönlülük#

Birçok özelleşmiş tespit modelinin önemli bir kısıtlaması, dar bir alana odaklanmasıdır. Ultralytics ekosisteminde yalnızca nesne tespitiyle sınırlı kalmazsın. Araçlar sorunsuz biçimde birden fazla bilgisayarlı görü görevine genişleyerek örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespitini kapsar.

Geleceğe Bakış: YOLO26'nın Evrimi#

YOLOv10 NMS'siz çıkarımın öncülüğünü yaparken DAMO-YOLO, NAS'ın gücünü ortaya koydu; ancak bilgisayarlı görü alanı hızla ilerliyor. En yeni ve en gelişmiş çözümü arayan geliştiricilerin Ultralytics YOLO26 modelini incelemesini öneriyoruz.

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

YOLO26'daki temel gelişmeler şunlardır:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özellikle uç bilişim ve düşük güçlü cihazlar için optimize edilmiştir.
• DFL'nin Kaldırılması: Distribution Focal Loss kaldırılarak dışa aktarma işlemleri basitleştirilir ve çeşitli dağıtım hedefleriyle uyumluluk artırılır.
• MuSGD Optimizer: SGD ve Muon'un birleşimi olan bu optimizasyon yöntemi, gelişmiş LLM eğitim kararlılığını ve daha hızlı yakınsamayı doğrudan bilgisayarlı görüye taşır.
• ProgLoss + STAL: Kayıp fonksiyonlarında yapılan bu önemli iyileştirmeler, tarım ve uzaktan algılama gibi kullanım alanları için gerekli olan küçük nesne tanımada kayda değer gelişmeler sağlar.

Geliştiriciler, yenilenen Ultralytics Platform sayesinde YOLO26 gibi yeni nesil modelleri yalnızca birkaç tıklamayla sorunsuz biçimde etiketleyebilir, eğitebilir ve dağıtabilir; böylece bilgisayarlı görü hattının hem en güncel teknolojiye sahip hem de geleceğe hazır olması sağlanır.