YOLOv10 ile DAMO-YOLO
Modern bilgisayarlı görü işlem hatları oluştururken doğru gerçek zamanlı nesne algılama mimarisini seçmek kritik önem taşır. Bu teknik analiz, YOLOv10 ve DAMO-YOLO mimarilerini, performans ölçütlerini ve ideal kullanım alanlarını inceler. Her iki model de gerçek zamanlı algılamayı geliştirdi; ancak bunu farklı mimari yollar izleyerek başardılar.
Projen uç yapay zekâ donanımında dağıtım gerektirsin ya da bulut GPU'larında en yüksek doğruluğu talep etsin, bu mimariler arasındaki farkları anlamak bilinçli bir karar vermene yardımcı olur.
YOLOv10'u İnceleyelim#
Tsinghua Üniversitesi'ndeki araştırmacılar tarafından tanıtılan YOLOv10, YOLO ailesine doğal olarak uçtan uca bir yaklaşım getirdi ve son işleme sırasında Maksimum Olmayan Bastırma (NMS) ihtiyacını 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 içermeyen eğitim için kullandığı Tutarlı İkili Atamalar stratejisidir. Geleneksel nesne algılayıcıları, değişken gecikme ekleyen ve otonom araçlar ile yüksek hızlı robotik gibi gerçek zamanlı uygulamalarda darboğaz oluşturan, üst üste binen sınırlayıcı kutuları filtrelemek için NMS'ye dayanır. YOLOv10, her nesne için doğrudan tek bir sınırlayıcı kutu tahmin ederek düşük ve öngörülebilir çıkarım gecikmesi sağlar.
Ayrıca model, Bütünsel ve Verimlilik-Doğruluk Odaklı Tasarım yaklaşımını benimser. Mimari, hesaplama tekrarlarını azaltan hafif bir sınıflandırma başlığı ve uzamsal-kanalsal ayrık alt örnekleme dahil çeşitli bileşenleri optimize eder. Bunun sonucunda, rekabetçi ortalama Hassasiyeti (mAP) korurken daha az parametreye ve daha düşük FLOPs değerine sahip bir mimari ortaya çıkar.
YOLOv10 hakkında daha fazla bilgi edin
Kullanım Örneği#
YOLOv10, Ultralytics ekosistemine entegre edilmiştir; bu sayede onu Ultralytics Python paketi üzerinden kullanabilirsin.
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 Pareto sınırını ileri taşımayı amaçlayarak otomatik Sinir Mimarisi Araması (NAS) yoluyla 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 teknikleri kullanıma sunar. Modelin temeli, maksimum entropi güdümlü aramayla oluşturulan MAE-NAS Omurgasıdır. Bu otomatik süreç, doğruluk ile çıkarım gecikmesini dengeleyerek önceden tanımlanmış hesaplama bütçelerine uyan omurga yapıları keşfeder.
Mimari ayrıca Efficient RepGFPN boyun ağını kullanır. Bu özellik piramidi ağı, nesnelerin boyutlarının büyük ölçüde değiştiği hava görüntüsü analizi gibi karmaşık görevlerde kritik olan, farklı ölçeklerdeki özellik birleştirmeyi iyileştirmek üzere tasarlanmıştır. DAMO-YOLO ayrıca son tahmin katmanlarının karmaşıklığını azaltıp çıkarım sırasında hesaplamadan tasarruf sağlayan ZeroHead adlı minimal bir algılama başlığı 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 önemlidir. Aşağıdaki tablo, YOLOv10 ile DAMO-YOLO'nun farklı model boyutlarındaki performansını karşılaştırır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
YOLOv10, benzer ölçeklerde daha az parametre kullanırken DAMO-YOLO'dan daha doğrudur: YOLOv10s, 7.2M parametreyle 2.49 ms'de 46.3 mAP elde ederken DAMO-YOLOs, 16.3M parametreyle 3.45 ms'de 46.0 mAP'ye ulaşır. DAMO-YOLOt boyutuna göre güçlü doğruluk sunar (42.0 mAP) ve DAMO-YOLOl, T4 TensorRT'de YOLOv10l'den az farkla daha hızlıdır (7.18 ms'ye karşı 7.28 ms); ancak YOLOv10 ailesinin parametre verimliliği, kaynakları kısıtlı dağıtım ortamlarında ona 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.
Ultralytics Avantajı#
Üretim için mimari seçerken ham ölçütlerin ötesine bakmak gerekir. Ultralytics ekosistemi tarafından desteklenen modellerle geliştirme yapmak, geliştiricilere ve araştırmacılara birçok pratik avantaj sağlar.
Kullanım Kolaylığı ve Bakımı Düzenli Ekosistem#
Güncellemeleri seyrek olabilen bağımsız akademik depoların aksine Ultralytics, etkin biçimde bakımı yapılan bir ekosistem sunar. NAS işlem hatlarına dayanan modeller için karmaşık ortamlar kurmak zor olabilir. Ultralytics bunun yerine kapsamlı belgelerle desteklenen standartlaştırılmış bir Python API'si ve CLI sunar; bu da özel görme çözümlerinin pazara sunulma süresini 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.
Ultralytics popüler MLOps araçlarıyla entegre olur. Ekstra şablon kod yazmadan Weights & Biases, Comet veya ClearML entegrasyonlarıyla model eğitiminin ilerleyişini takip edebilirsin.
Görevler Arasında Çok Yönlülük#
YOLOv10 ve DAMO-YOLO dahil birçok özelleşmiş algılama modelinin bir kısıtlaması, yalnızca algılamaya odaklanmalarıdır. Ultralytics ekosisteminde YOLO11 ve YOLO26 gibi modeller aynı araçları bilgisayarlı görü görevleri arasındaki örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılaması gibi birçok göreve taşır.
Geleceğe Bakış: YOLO26'nın Evrimi#
YOLOv10, YOLO modellerine NMS içermeyen çıkarımı kazandırdı; DAMO-YOLO ise NAS'ın neler başarabileceğini gösterdi. Bugün yeni projelere başlayan geliştiricilere Ultralytics YOLO26'yı öneriyoruz.
Ocak 2026'da YOLO11'in halefi olarak yayımlanan YOLO26, YOLOv10'un ortaya koyduğu NMS içermeyen temeli isteğe bağlı bir bire bir başlıkla (nms=False) geliştirir.
YOLO26'daki temel gelişmeler şunlardır:
- CPU'da %43'e Kadar Daha Hızlı Çıkarım: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu nedenle uç bilişim ve düşük güçlü cihazlar için uygundur.
- DFL'nin Kaldırılması: Dağılımsal Odak Kaybı kaldırılarak daha basit dışa aktarma ve çeşitli dağıtım hedefleriyle daha iyi uyumluluk sağlanır.
- MuSGD Optimizatörü: SGD ile Muon'un hibriti olan bu yöntem, büyük dil modeli (LLM) eğitim kararlılığını ve daha hızlı yakınsamayı bilgisayarlı görüye taşır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), tarım ve uzaktan algılama gibi kullanım alanları için kritik olan küçük nesne tanımayı iyileştirir.
Ultralytics Platform ile geliştiriciler verileri etiketleyebilir, modelleri eğitebilir ve YOLO26 gibi modelleri tek bir yerden dağıtabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.