YOLOv10 ile DAMO-YOLO Karşılaştırması#

Modern computer vision boru hatları oluştururken, doğru gerçek zamanlı nesne tespiti mimarisini seçmek kritik önem taşır. Bu kapsamlı teknik analizde, YOLOv10 ve DAMO-YOLO için mimarileri, performans metriklerini ve ideal kullanım durumlarını inceliyoruz. Her iki model de nesne tespiti yeteneklerinde önemli sıçramaları temsil eder, ancak hedeflerine ulaşmak için farklı mimari yollar izlerler.

Projen kısıtlı edge AI donanımında dağıtım gerektirsin veya bulut GPU'larında maksimum doğruluk istesin, bu mimarilerin inceliklerini anlamak bilinçli bir karar vermene yardımcı olacaktır.

YOLOv10'u Keşfetmek#

Tsinghua Üniversitesi'ndeki araştırmacılar tarafından sunulan YOLOv10, tamamen uçtan uca bir yaklaşım getirerek YOLO ailesinde devrim yarattı ve son işlem sırasında Maksimum Olmayan Bastırma (NMS) ihtiyacını etkili bir şekilde ortadan kaldırdı.

YOLOv10 Detayları:

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri.
• Kuruluş: Tsinghua University
• Tarih: 23-05-2024
• 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 birincil inovasyonu, NMS içermeyen eğitim için geliştirdiği Tutarlı İkili Atamalar stratejisidir. Geleneksel nesne dedektörleri, örtüşen sınırlayıcı kutuları filtrelemek için büyük ölçüde NMS'e güvenir; bu da öngörülemeyen gecikmeye neden olur; autonomous vehicles ve yüksek hız robotik gibi gerçek zamanlı uygulamalar için önemli bir darboğazdır. YOLOv10, nesne başına doğrudan tek bir optimal sınırlayıcı kutu tahmin ederek öngörülebilir, ultra düşük gecikmeli çıkarım elde eder.

Ayrıca model, Bütüncül Verimlilik-Doğruluk Odaklı Tasarım kullanır. Mimari, hafif bir sınıflandırma kafası ve uzaysal-kanallı ayrıştırılmış alt örnekleme dahil olmak üzere çeşitli bileşenleri optimize eder; bu da hesaplama fazlalığını önemli ölçüde azaltır. Bu, rekabetçi mean Average Precision (mAP) değerini korurken daha düşük parametre sayısına ve daha az FLOP'a sahip bir mimariyle sonuçlanır.

YOLOv10 hakkında daha fazla bilgi edin

Kullanım Örneği#

YOLOv10, Ultralytics ekosistemine derinlemesine entegre edilmiştir ve Ultralytics Python package aracılığıyla kullanımı inanılmaz derecede 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 Keşfetmek#

Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk açısından Pareto sınırını zorlamayı hedefleyerek, otomatik Sinirsel Mimari Arama (NAS) yoluyla yüksek verimli ağ yapıları keşfetmeye odaklanır.

DAMO-YOLO Detayları:

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

Temel Mimari Özellikler#

DAMO-YOLO, endüstriyel uygulamalar için özel olarak tasarlanmış birkaç yeni teknoloji sunar. Modelin temeli, Çok Amaçlı Evrimsel arama yoluyla oluşturulan MAE-NAS Omurgasıdır. Bu otomatik süreç, doğruluk ve çıkarım gecikmesi arasında hassas bir denge kurarak önceden tanımlanmış hesaplama bütçelerine sıkı sıkıya bağlı omurga yapılarını keşfeder.

Ek olarak mimari, Efficient RepGFPN boyun kısmını kullanır. Bu özellik piramidi ağı, nesnelerin boyut olarak büyük ölçüde değiştiği aerial imagery analysis gibi karmaşık görevler için kritik olan farklı ölçeklerde özellik füzyonunu iyileştirmek üzere tasarlanmıştır. Bunu tamamlamak için DAMO-YOLO, nihai tahmin katmanlarının karmaşıklığını büyük ölçüde azaltan ve çıkarım sırasında değerli hesaplama süresinden tasarruf sağlayan minimalist bir algılama kafası 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 çok önemlidir. Aşağıdaki tablo, YOLOv10 ve DAMO-YOLO'nun performansını ilgili model boyutlarına göre karşılaştırmaktadır.

Benchmarklarda gözlemlendiği gibi, YOLOv10, TensorRT üzerinde tutarlı bir şekilde olağanüstü gecikme profilleri sunar; özellikle nano varyantında, DAMO-YOLO'nun benzer modellerine kıyasla önemli ölçüde daha az parametre ve FLOP gerektirir. DAMO-YOLO, tiny varyantında güçlü bir mAP sunsa da, YOLOv10 ailesinin parametre verimliliği ve çıkarım gecikmesi, kısıtlı dağıtım ortamları için belirgin bir avantaj sağlar.

Kullanım Durumları ve Öneriler#

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

Ne Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süresine Sahip Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

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.

Ultralytics Avantajı#

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

Kullanım Kolaylığı ve Bakımlı Ekosistem#

Genellikle terk edilmeyle karşı karşıya kalan bağımsız akademik depoların aksine Ultralytics, sağlam, aktif olarak bakımı yapılan bir ekosistem sunar. NAS boru hatlarına yoğun bir şekilde güvenen modeller için karmaşık ortamlar kurmak korkutucu olabilir. Buna karşılık Ultralytics, kapsamlı documentation ile desteklenen standartlaştırılmış, sezgisel bir Python API ve güçlü bir CLI sağlar. Bu, özel vizyon çözümleri için pazara çıkış süresini kökten azaltır.

Eğitim Verimliliği ve Bellek Gereksinimleri#

Büyük modelleri eğitmek hızla hesaplama açısından pahalı hale gelebilir. Ultralytics YOLO mimarileri, eğitim ve çıkarım sırasında düşük CUDA bellek ayak izleriyle geçmişten beri bilinmektedir. Bu verimlilik, geliştiricilerin RT-DETR gibi transformer tabanlı modellerle çalışırken yaygın olarak görülen bellek yetersizliği hatalarıyla karşılaşmadan, tüketici sınıfı donanımlarda veya uygun maliyetli bulut örneklerinde modelleri eğitmesine olanak tanır.

Görevler Arasında Çok Yönlülük#

Pek çok özelleştirilmiş algılama modelinin önemli bir sınırlaması, dar odaklanmalarıdır. Ultralytics ekosisteminde yalnızca nesne algılama ile sınırlı değilsin. Araçlar; örnek bölütleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılama dahil olmak üzere birden fazla bilgisayarlı görü görevine sorunsuz bir şekilde uzanır.

Geleceğe Bakış: YOLO26 Evrimi#

YOLOv10 NMS içermeyen çıkarımın öncülüğünü yaparken ve DAMO-YOLO NAS'ın gücünü sergilerken, bilgisayarlı görü alanı hızla ilerlemektedir. En son teknolojiye sahip mükemmel çözümü arayan geliştiriciler için Ultralytics YOLO26 göz atmalarını öneririz.

YOLO11 için kesin halef olarak piyasaya sürülen YOLO26, YOLOv10 tarafından belirlenen NMS içermeyen temel üzerine inşa edilir ancak bunu önemli ölçüde ileriye taşır.

YOLO26'daki temel gelişmeler şunlardır:

• %43'e varan Daha Hızlı CPU Çıkarımı: Özellikle uç bilişim ve düşük güçlü cihazlar için optimize edilmiştir.
• DFL Kaldırma: Dağılımsal Odak Kaybı (Distribution Focal Loss) kaldırılarak daha basit dışa aktarımlar ve çeşitli dağıtım hedefleriyle gelişmiş uyumluluk sağlanmıştır.
• MuSGD Optimize Edici: SGD ve Muon'un bir melezi olup, gelişmiş LLM eğitim kararlılığını ve daha hızlı yakınsamayı doğrudan bilgisayarlı görüye getirir.
• ProgLoss + STAL: agriculture ve uzaktan algılama gibi kullanım durumları için esprili olan küçük nesne tanımada dikkate değer iyileştirmeler sunan, büyük ölçüde geliştirilmiş kayıp fonksiyonları.

Yeni yenilenen Ultralytics Platform kullanarak geliştiriciler, YOLO26 gibi yeni nesil modelleri yalnızca birkaç tıklamayla sorunsuz bir şekilde etiketleyebilir, eğitebilir ve dağıtabilir; bu da bilgisayarlı görü boru hattının hem en son teknoloji ürünü hem de geleceğe dayanıklı olmasını sağlar.