YOLOv5 ve DAMO-YOLO#

Gerçek zamanlı bilgisayarlı görü alanı sürekli gelişiyor; araştırmacılar ve mühendisler doğruluk, hız ve kullanılabilirlik arasında kusursuz dengeyi kurmaya çalışıyor. Bu süreci şekillendiren iki önde gelen model Ultralytics YOLOv5 ve Alibaba'nın DAMO-YOLO modelidir.

Bu kılavuz, bir sonraki dağıtımın için doğru modeli seçmene yardımcı olmak amacıyla bu modellerin mimarilerini, performans ölçümlerini ve eğitim yöntemlerini kapsamlı bir teknik analizle ele alır.

Model Geçmişleri#

Teknik ayrıntılara geçmeden önce, bu etkili görü modellerinin kökenlerini ve temel tasarım felsefelerini anlamak önemlidir.

Ultralytics YOLOv5#

Glenn Jocher ve Ultralytics ekibi tarafından geliştirilen YOLOv5, piyasaya sürülmesinden bu yana bir sektör standardı hâline geldi. Yerel olarak PyTorch çatısı üzerine kurulan model, kullanıma hazır hâlde yalın bir geliştirici deneyimine ve güçlü dağıtım özelliklerine öncelik verdi.

• Yazar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Belgeler: Ultralytics YOLOv5 Belgeleri

DAMO-YOLO#

Alibaba Group'taki araştırmacılar tarafından oluşturulan DAMO-YOLO, Sinir Ağı Mimarisi Araması (NAS) ve gelişmiş damıtma tekniklerine güçlü biçimde odaklanır. Donanıma özgü performansın teorik sınırlarını zorlar ve özellikle uç ortamlarda aşırı ince ayar gerektiren araştırma senaryolarına hitap eder.

• 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

DAMO-YOLO hakkında daha fazla bilgi edin

Mimari Yenilikler#

Her iki model de gerçek zamanlı performans elde etmek için kendine özgü yapısal kavramlardan yararlanır; ancak yaklaşımları önemli ölçüde farklıdır.

YOLOv5: Kararlılık ve Çok Yönlülük#

YOLOv5, PANet (Yol Toplama Ağı) boynu ile eşleştirilmiş Değiştirilmiş CSP (Aşamalar Arası Kısmi) omurgasını kullanır. Bu yapı son derece verimlidir ve hem eğitim hem de çıkarım sırasında CUDA bellek kullanımını en aza indirir.

YOLOv5'in en güçlü yönlerinden biri görevler arasındaki çok yönlülüğüdür. Sınırlayıcı kutu tahminlerinin yanı sıra görüntü segmentasyonu ve görüntü sınıflandırma için özel mimariler sunarak geliştiricilerin görü işlem hatlarını tek ve uyumlu bir çatı etrafında standartlaştırmasına olanak tanır.

DAMO-YOLO: Otomatik Mimari Araması#

DAMO-YOLO'nun temel inovasyonu, MAE-NAS Backbone yapısıdır. Maksimum entropi kılavuzluğunda arama kullanan Alibaba ekibi, tespit doğruluğunu ve çıkarım hızını dinamik olarak dengeleyen omurgalar keşfetti.

Ayrıca, uydu görüntüsü analizi sırasında sıkça görülen karmaşık ölçek farklılıkları için son derece yararlı olan gelişmiş özellik birleştirme sağlayan Efficient RepGFPN boynunu içerir. ZeroHead tasarımı, gecikmeyi azaltmak için son tahmin katmanlarını basitleştirir; ancak bu karmaşık yapısal üretim, mimariyi katılaştırabilir ve özel uygulamalar için değiştirilmesini zorlaştırabilir.

Performans ve Metrikler#

Gerçek zamanlı nesne algılayıcılarını değerlendirmek için mAP (ortalama Ortalama Kesinlik), çıkarım hızı ve model boyutu parametrelerinden oluşan bir matrise bakmak gerekir.

DAMO-YOLO belirli parametre sayılarında son derece rekabetçi mAP skorlarına ulaşsa da YOLOv5, nano ve küçük yapılandırmaları için sürekli olarak olağanüstü TensorRT hızları ve son derece düşük parametre sayıları sergiler. Bu performans dengesi, YOLOv5'in çeşitli uç dağıtım senaryolarında verimli çalışmasını sağlar.

Eğitim Verimliliği ve Ekosistem#

Bir modelin teorik doğruluğu ancak pratikte uygulanabilirliği kadar iyidir. Modellerin önemli ölçüde ayrıştığı nokta burasıdır.

Damıtmanın Karmaşıklığı#

DAMO-YOLO, büyük ölçüde çok aşamalı bir eğitim metodolojisine dayanır. AlignedOTA etiket atamasını, öğretmen-öğrenci bilgi damıtma tekniğiyle eşleştirir. Bu durum, öğrenci modelden maksimum performans çıkarsa da, başlangıçta devasa bir öğretmen modelin eğitilmesini gerektirir. Bu da, bilgi işlem süresini, enerji maliyetlerini ve gereken donanımı büyük ölçüde artırarak çevik ML ekipleri için bir darboğaz oluşturur.

Ultralytics Avantajı: Kullanım Kolaylığı#

Buna karşılık Ultralytics ekosistemi, sezgisel API'leri ve eğitim verimliliği ile dünya çapında tanınır. Aktif geliştirme ve devasa bir açık kaynak topluluğu sayesinde geliştiriciler modelleri sorunsuzca eğitebilir, doğrulayabilir ve dağıtabilir.

from ultralytics import YOLO

# Load a pretrained YOLOv5 model
model = YOLO("yolov5s.pt")

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

# Export to ONNX format for deployment
model.export(format="onnx")

Ultralytics ayrıca Weights & Biases ve Comet ML gibi araçlar aracılığıyla deney izleme için yerleşik destek sunarak sürtünmesiz bir iş akışı oluşturur.

Gerçek Dünya Kullanım Örnekleri#

• YOLOv5, hızlı tempolu üretim ortamlarında öne çıkar. Kolay dışa aktarılabilmesi, onu akıllı perakende analitiği, yüksek hızlı üretimde kusur algılama ve CoreML aracılığıyla mobil uygulamalara entegrasyon için başlıca seçenek hâline getirir.
• DAMO-YOLO, belirli ve sabit donanım hedefleri için küçük mAP iyileştirmelerini sonuna kadar zorlamayı amaçlayan uzun, damıtılmış eğitim çalışmalarını yürütmek üzere geniş hesaplama kaynaklarının bulunduğu katı akademik kıyaslama senaryoları için son derece uygundur.

Kullanım Alanları ve Öneriler#

YOLOv5 ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv5 Ne Zaman Seçilmeli?#

YOLOv5 şu durumlar için güçlü bir seçimdir:

• Üretimde Kanıtlanmış Sistemler: YOLOv5'in uzun yıllara dayanan kararlılığına, kapsamlı belgelerine ve geniş topluluk desteğine değer verilen mevcut dağıtımlar.
• Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynakları sınırlı ortamlar.
• Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok biçimde dağıtım gerektiren projeler.

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.

Bir Sonraki Evrim: YOLO26#

Yeni bir projeye başlıyorsan geleceğe yönelmen önemle tavsiye edilir. Ultralytics YOLO26, YOLOv5'in olağanüstü temelini geliştirerek görü yapay zekâsında son teknoloji anlayışını yeniden tanımlayan devrim niteliğinde ilerlemeler içerir.

YOLO26 içindeki temel yenilikler:

• MuSGD Optimizer: LLM eğitimindeki yeniliklerden ilham alan bu SGD ve Muon hibriti, son derece kararlı eğitim ve hızlı yakınsama sağlar.
• %43'e Varan Daha Hızlı CPU Çıkarımı: Uç bilişim için büyük ölçüde optimize edilmiştir ve özel GPU'lar olmadan çalışan IoT cihazları için idealdir.
• ProgLoss + STAL: Küçük nesnelerin tanınmasını büyük ölçüde iyileştiren gelişmiş kayıp işlevleri; bu, hava aracı drone görüntüleri ve robotik için kritik öneme sahiptir.
• Göreve Özgü İyileştirmeler: Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybından doğru Poz tahmini için Artık Log-Olasılık Tahmini'ne (RLE) kadar YOLO26, karmaşık alanların üstesinden kolaylıkla gelir.

Sonuç#

Hem YOLOv5 hem de DAMO-YOLO nesne algılama tarihinde kendilerine sağlam bir yer edindi. DAMO-YOLO, Sinir Ağı Mimarisi Araması ve damıtma konusunda ilgi çekici bir çalışma olmaya devam ediyor. Ancak iyi bakımı yapılan bir ekosisteme, kullanım kolaylığına ve üretime hızlı geçişe öncelik veren kuruluşlar için Ultralytics modelleri rakipsizliğini koruyor.

Bilgisayarlı görü işlem hattının geleceğe hazır, hızlı ve son derece doğru olmasını sağlamak için YOLO26 gibi yeni nesil modelleri açıklamanı, eğitmeni ve dağıtmanı sağlayan Ultralytics Platformu'nu kullanmanı önemle tavsiye ederiz.

Daha Fazla Okuma#

• Yüksek doğruluk gerektiren uygulamalar için Transformer tabanlı RT-DETR modelini keşfet.
• Önceki nesil YOLO11 modeli hakkında bilgi edin.
• OpenVINO ile dağıtımları nasıl optimize edebileceğini keşfet.