Link to this sectionYOLOv5 ve DAMO-YOLO#

Gerçek zamanlı bilgisayarlı görü dünyası sürekli gelişmekte olup araştırmacılar ve mühendisler doğruluk, hız ve kullanılabilirlik arasında mükemmel dengeyi kurmaya çalışmaktadır. Bu yolculuğu şekillendiren iki önemli model Ultralytics YOLOv5 ve Alibaba'nın DAMO-YOLO modelidir.

Bu rehber, bir sonraki dağıtımınız için doğru modeli seçmenize yardımcı olmak amacıyla mimarilerinin, performans metriklerinin ve eğitim metodolojilerinin derinlemesine teknik analizini sunmaktadır.

Link to this sectionModel Geçmişleri#

Teknik detaylara girmeden önce, bu etkili görü modellerinin her birinin kökenlerini ve temel tasarım felsefelerini anlamak önemlidir.

Link to this sectionUltralytics YOLOv5#

Glenn Jocher ve Ultralytics ekibi tarafından geliştirilen YOLOv5, piyasaya sürülmesinden bu yana endüstri standardı haline gelmiştir. PyTorch çerçevesi üzerine yerel olarak inşa edilmiş olup, geliştirici deneyimini kolaylaştırmaya ve kutudan çıktığı andan itibaren sağlam dağıtım yeteneklerine öncelik vermiştir.

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

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionDAMO-YOLO#

Alibaba Group araştırmacıları tarafından oluşturulan DAMO-YOLO, Sinirsel Mimari Arama (NAS) ve gelişmiş damıtma tekniklerine yoğun bir şekilde odaklanmaktadır. Donanıma özgü performansın teorik sınırlarını zorlayarak, aşırı ince ayar gerektiren araştırma ve uç ortamlarına güçlü bir şekilde 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 edinin

Link to this sectionMimari Yenilikler#

Her iki model de gerçek zamanlı performanslarına ulaşmak için benzersiz yapısal kavramlardan yararlanır, ancak yaklaşımları önemli ölçüde farklılık gösterir.

Link to this sectionYOLOv5: Kararlılık ve Çok Yönlülük#

YOLOv5, bir PANet (Yol Birleştirme Ağı) boyun yapısı ile eşleştirilmiş Modifiye CSP (Çapraz Aşamalı Kısmi) omurgasını kullanır. Bu yapı oldukça verimlidir ve hem eğitim hem de çıkarım sırasında CUDA bellek kullanımını en aza indirir.

YOLOv5'in en büyük güçlerinden biri görevler arası çok yönlülüğüdür. Sınırlayıcı kutu tahminlerinin ötesinde, görüntü segmentasyonu ve görüntü sınıflandırma için özel mimariler sunarak geliştiricilerin görü hatlarını tek ve tutarlı bir çerçeve etrafında standartlaştırmalarına olanak tanır.

Link to this sectionDAMO-YOLO: Otomatik Mimari Arama#

DAMO-YOLO'nun temel yeniliği MAE-NAS Omurgasıdır. Çok Amaçlı Evrimsel arama kullanan Alibaba ekibi, tespit doğruluğu ve çıkarım hızı arasında dinamik bir denge kuran omurgalar keşfetti.

Ayrıca, uydu görüntüsü analizi gibi alanlarda sıkça görülen karmaşık ölçek değişimleri için oldukça faydalı olan, gelişmiş özellik füzyonu sağlayan Efficient RepGFPN boyun yapısına sahiptir. ZeroHead tasarımı, gecikmeyi azaltmak için son tahmin katmanlarını basitleştirir, ancak bu karmaşık yapısal üretim, mimariyi katılaştırabilir ve özel uygulamalar için değiştirilmesini zorlaştırabilir.

Link to this sectionPerformans ve Metrikler#

Gerçek zamanlı nesne dedektörlerini değerlendirmek; mAP (ortalama Hassasiyet), çıkarım hızı ve model boyutu parametrelerinden oluşan bir matrise bakmayı gerektirir.

DAMO-YOLO belirli parametre sayılarında oldukça rekabetçi mAP skorlarına ulaşsa da, YOLOv5 sürekli olarak olağanüstü TensorRT hızları ve nano ile küçük konfigürasyonları için inanılmaz derecede düşük parametre sayıları sergiler. Bu performans dengesi, YOLOv5'in çeşitli uç dağıtım senaryolarında verimli bir şekilde çalışmasını sağlar.

Link to this sectionEğitim Verimliliği ve Ekosistem#

Bir modelin teorik doğruluğu, ancak pratik uygulanabilirliği kadar iyidir. Modellerin birbirinden önemli ölçüde ayrıldığı nokta burasıdır.

Link to this sectionDamıtmanın Karmaşıklığı#

DAMO-YOLO, çok aşamalı bir eğitim metodolojisine büyük ölçüde güvenir. AlignedOTA olarak bilinen bir öğretmen-öğrenci bilgi damıtma tekniği uygular. Bu, öğrenci modelden maksimum performans çıkarsa da, başlangıçta devasa bir öğretmen modelinin eğitilmesini gerektirir. Bu durum, çevik ML ekipleri için bir darboğaz oluşturarak hesaplama süresini, enerji maliyetlerini ve gerekli donanımı önemli ölçüde artırır.

Link to this sectionUltralytics Avantajı: Kullanım Kolaylığı#

Buna karşılık, Ultralytics ekosistemi, sezgisel API'leri ve eğitim verimliliği ile dünyaca ünlüdür. Aktif geliştirme ve devasa bir açık kaynak topluluğu tarafından desteklenen geliştiriciler, modelleri sorunsuz bir şekilde eğitebilir, doğrulayabilir ve dağıtabilirler.

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 araçlarla deney takibi için yerleşik destek sağlayarak sorunsuz bir iş akışı oluşturur.

Link to this sectionGerçek Dünya Kullanım Durumları#

• YOLOv5, hızlı tempolu üretim ortamlarında mükemmeldir. Basit dışa aktarılabilirliği, onu akıllı perakende analitiği, yüksek hızlı üretim kusur tespiti ve CoreML aracılığıyla mobil uygulamalara entegrasyon için birincil seçenek haline getirir.
• DAMO-YOLO, sıkı akademik kıyaslamalar ve belirli, sabit donanım hedefleri için küçük mAP iyileştirmeleri elde etmeyi amaçlayan uzun, damıtılmış eğitim süreçlerini yürütmek için geniş hesaplama kaynaklarının mevcut olduğu senaryolar için oldukça uygundur.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv5 ile DAMO-YOLO arasında seçim yapmak; belirli proje gereksinimlerinize, dağıtım kısıtlamalarınıza ve ekosistem tercihlerinize bağlıdır.

Link to this sectionYOLOv5 Ne Zaman Seçilmeli#

YOLOv5 şunlar için güçlü bir tercihtir:

• Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
• Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
• Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Link to this sectionNe 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.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionBir Sonraki Evrim: YOLO26#

Yeni bir projeye başlıyorsan, geleceğe bakman şiddetle tavsiye edilir. Ultralytics YOLO26, YOLOv5'in inanılmaz temelini inşa ederken, vizyon AI'sında son teknolojiyi yeniden tanımlayan devrim niteliğinde ilerlemeler içerir.

YOLO26 içindeki temel yenilikler şunlardır:

• MuSGD Optimize Edici: LLM eğitim yeniliklerinden ilham alan bu SGD ve Muon melezi, son derece kararlı bir eğitim ve hızlı yakınsama sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim için yoğun bir şekilde optimize edilmiştir, bu da onu özel GPU'lar olmadan çalışan IoT cihazları için mükemmel kılar.
• ProgLoss + STAL: Hava drone görüntüleri ve robotik için kritik olan küçük nesnelerin tanınmasını önemli ölçüde artıran gelişmiş kayıp fonksiyonları.
• Göreve Özel İyileştirmeler: Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybından, doğru Poz tahmini için Artık Günlük Olabilirlik Tahminine (RLE) kadar, YOLO26 karmaşık alanları kolaylıkla yönetir.

Link to this sectionSonuç#

Hem YOLOv5 hem de DAMO-YOLO, nesne tespit tarihindeki yerlerini sağlamlaştırmıştır. DAMO-YOLO, Sinirsel Mimari Arama ve damıtma üzerine büyüleyici bir çalışma olmaya devam ediyor. Ancak, iyi bakılan bir ekosisteme, kullanım kolaylığına ve üretime hızlı bir yola öncelik veren kuruluşlar için Ultralytics modelleri eşsiz kalmaya devam ediyor.

Bilgisayarlı görü hattınızın geleceğe hazır, hızlı ve dikkat çekici derecede doğru olmasını sağlamak için YOLO26 gibi yeni nesil modelleri etiketlemek, eğitmek ve dağıtmak amacıyla Ultralytics Platformunu kullanmanızı şiddetle tavsiye ederiz.

Link to this sectionDaha Fazla Okuma#

• Yüksek doğruluklu uygulamalar için transformer tabanlı RT-DETR modelini keşfet.
• Önceki nesil YOLO11 modeli hakkında bilgi edin.
• OpenVINO ile dağıtımları nasıl optimize edeceğini keşfet.