YOLOv5 ve DAMO-YOLO
Gerçek zamanlı bilgisayarlı görü alanı sürekli gelişiyor; araştırmacılar ve mühendisler doğruluk, hız ve kullanılabilirlik arasında doğru dengeyi bulmaya çalışıyor. Bu gelişime yön veren iki öne çıkan model Ultralytics YOLOv5 ve Alibaba'nın DAMO-YOLO modelidir.
Bu kılavuz, bir sonraki dağıtımın için doğru modeli seçmene yardımcı olmak üzere mimarileri, performans ölçümleri ve eğitim yöntemleri hakkında derinlemesine bir teknik analiz sunar.
Modellerin Arka Planı#
Teknik ayrıntıları karşılaştırmadan önce bu etkili görüntü modellerinin kökenlerini ve temel tasarım yaklaşımlarını anlamak önemlidir.
Ultralytics YOLOv5#
Glenn Jocher ve Ultralytics ekibi tarafından geliştirilen YOLOv5, yayımlandığından bu yana sektör standardı hâline geldi. Yerel olarak PyTorch çerçevesi üzerinde geliştirilen model, kullanıma hazır hâlde akıcı bir geliştirici deneyimine ve güçlü dağıtım özelliklerine öncelik verdi.
- Yazar: Glenn Jocher
- Kuruluş: Ultralytics
- Tarih: 2020-06-26
- GitHub: ultralytics/yolov5
- Belgeler: Ultralytics YOLOv5 Belgeleri
DAMO-YOLO#
Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, Sinir Ağı Mimarisi Araması (NAS) ve bilgi damıtma tekniklerine büyük önem verir. Donanıma özgü performansı hedefler ve kapsamlı ayar gerektiren araştırma ve dağıtım ortamlarına yöneliktir.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
DAMO-YOLO hakkında daha fazla bilgi edin
Mimari Yenilikler#
Her iki model de gerçek zamanlı performans elde etmek için özgün yapısal kavramlardan yararlanır; ancak yaklaşımları önemli ölçüde farklıdır.
YOLOv5: Kararlılık ve Çok Yönlülük#
YOLOv5, PANet (Yol Toplama Ağı) boyun yapısıyla eşleştirilmiş, Değiştirilmiş CSP (Çapraz Aşama Kısmi) omurgası kullanır. Bu yapı verimlidir ve eğitim ile çıkarım sırasında CUDA bellek kullanımını düşük tutar.
YOLOv5'in en güçlü yönlerinden biri, görevler arasındaki çok yönlülüğüdür. Özgün YOLOv5 deposu, sınırlayıcı kutu tahminlerinin yanı sıra örnek bölümleme (v7.0) ve görüntü sınıflandırma (v6.2) için özel mimariler sunarak geliştiricilerin görüntü işleme süreçlerini tek ve tutarlı bir çerçevede standartlaştırmasını sağlar.
DAMO-YOLO: Otomatik Mimari Arama#
DAMO-YOLO'nun temel yeniliği MAE-NAS Omurgasıdır. Alibaba ekibi, maksimum entropi yönlendirmeli aramayı kullanarak belirli gecikme bütçeleri altında algılama doğruluğu ve çıkarım hızını dengeleyen omurgalar buldu.
Ayrıca, uydu görüntüsü analizinde sıkça görülen karmaşık ölçek farklılıkları için oldukça yararlı olan, özellik birleştirmeyi geliştiren Efficient RepGFPN boyun yapısını içerir. ZeroHead tasarımı, gecikmeyi azaltmak için son tahmin katmanlarını basitleştirir; ancak bu karmaşık yapısal üretim, mimariyi katılaştırabilir ve özel uygulamalar için değiştirilmesini zorlaştırabilir.
Transformer tabanlı mimariler çoğu zaman çok fazla GPU belleğine ihtiyaç duyar. Hem YOLOv5 hem de DAMO-YOLO bellek kullanımını düşük tutmak için verimli evrişimli tasarımlar kullanır. Ultralytics modelleri tüketici sınıfı GPU'larda eğitilecek şekilde tasarlanmıştır; bu da onları bağımsız araştırmacılar ve girişimler için erişilebilir kılar.
Performans ve Metrikler#
Gerçek zamanlı nesne algılayıcılarını değerlendirirken mAP (ortalama Ortalama Kesinlik), çıkarım hızı ve model boyutunu birlikte incelemek gerekir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
DAMO-YOLO, benzer parametre sayılarında YOLOv5'ten daha yüksek mAP değerine ulaşır; örneğin, DAMO-YOLOs 16,3M parametreyle 46,0 mAP değerine ulaşırken 21,2M parametreli YOLOv5m 45,4 mAP değerine ulaşır. YOLOv5, nano ve küçük yapılandırmalarında en yüksek TensorRT hızlarını ve en düşük parametre sayılarını sunar; bu da onu gecikmenin kritik olduğu uç cihaz dağıtımları için uygun kılar.
Eğitim Verimliliği ve Ekosistem#
Bir modelin kuramsal doğruluğu, ancak pratikte uygulanabildiği ölçüde değerlidir. Modellerin önemli ölçüde ayrıştığı nokta da budur.
Damıtmanın Karmaşıklığı#
DAMO-YOLO büyük ölçüde çok aşamalı bir eğitim yöntemine dayanır. AlignedOTA etiket atamasını, öğretmen-öğrenci bilgi damıtma tekniğiyle eşleştirir. Bu yaklaşım öğrenci modelden en yüksek performansı elde etse de önce büyük bir öğretmen modelin eğitilmesini gerektirir. Bu da hesaplama süresini, enerji maliyetlerini ve gereken donanımı artırarak küçük ML ekiplerini yavaşlatabilir.
Ultralytics'in Avantajı: Kullanım Kolaylığı#
Buna karşılık Ultralytics ekosistemi, sezgisel API'leri ve eğitim verimliliğiyle bilinir. Etkin geliştirme ve geniş açık kaynak topluluğu sayesinde geliştiriciler modelleri minimum kurulumla eğitebilir, doğrulayabilir ve dağıtabilir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLOv5 modelini yükle
model = YOLO("yolov5su.pt") # YOLOv5u: ultralytics paketi için anchorsız YOLOv5 ağırlıkları
# COCO8 örnek veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")Ultralytics ayrıca Weights & Biases ve Comet gibi entegrasyonlarla yerleşik deney takibi sunar.
Gerçek Dünya Kullanım Senaryoları#
- YOLOv5, hızlı tempolu üretim ortamları için uygundur. Kolay dışa aktarımı, onu akıllı perakende analitiği, yüksek hızlı üretimde kusur algılama ve CoreML aracılığıyla mobil uygulamalar için yaygın bir seçenek hâline getirir.
- DAMO-YOLO, akademik kıyaslamalar ve belirli, sabit donanımlarda ek mAP elde etmeyi hedefleyen uzun damıtma eğitim süreçleri için yeterli hesaplama kaynağı bulunan senaryolara uygundur.
Kullanım Alanları ve Öneriler#
YOLOv5 ile DAMO-YOLO arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv5'i Ne Zaman Seçmeli?#
YOLOv5 şu durumlar için güçlü bir seçenektir:
- Üretimde Başarısını Kanıtlamış Sistemler: YOLOv5'in uzun istikrar geçmişine, kapsamlı belgelerine ve geniş topluluğuna değer verilen mevcut dağıtımlar.
- Kaynakları Kısıtlı Eğitim: YOLOv5'in verimli eğitim işlem hattının ve daha düşük bellek gereksinimlerinin avantaj sağladığı, GPU kaynaklarının sınırlı olduğu ortamlar.
- Kapsamlı Dışa Aktarma Biçimi Desteği: ONNX, TensorRT, CoreML ve LiteRT dâhil birçok biçimde dağıtım gerektiren projeler.
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 YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Bir Sonraki Evrim: YOLO26#
Yeni bir projeye başlıyorsan YOLOv5'in temelini mimari ve eğitim alanındaki çeşitli ilerlemelerle geliştiren Ultralytics YOLO26 modelini değerlendirebilirsin.
YOLO26, Uçtan Uca NMS'siz Tasarım sunar: isteğe bağlı bire bir başlığı (nms=False), daha hızlı ve basit dağıtım için Maksimum Olmayan Bastırma son işlemesini atlar.
YOLO26'daki başlıca yenilikler:
- MuSGD Optimize Edici: LLM eğitimi yeniliklerinden esinlenen bu SGD ve Muon melezi, kararlı eğitim ve hızlı yakınsama sağlar.
- %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da özel GPU'ları olmayan uç bilişim ve IoT cihazları için uygundur.
- ProgLoss + STAL: Aşamalı kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, hava aracı görüntüleri ve robotik için kritik olan küçük nesnelerin tanınmasını iyileştirir.
- Göreve Özel İyileştirmeler: Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel açı kaybından doğru poz tahmini için Artık Log-Olabilirlik Tahmini'ne (RLE) kadar YOLO26, desteklenen her görev için iyileştirmeler içerir.
Sonuç#
Hem YOLOv5 hem de DAMO-YOLO nesne algılama tarihinde kendilerine yer edindi. DAMO-YOLO, Sinir Ağı Mimarisi Araması ve damıtma açısından ilgi çekici bir çalışma olmaya devam ediyor. Bakımı iyi yapılan bir ekosisteme, kullanım kolaylığına ve üretime hızlı geçişe öncelik veren kuruluşlar için Ultralytics modelleri daha güçlü bir seçenektir.
Hızlı, doğru ve bakımı kolay bir bilgisayarlı görü süreci için YOLO26 gibi daha yeni modelleri etiketlemek, eğitmek ve dağıtmak üzere Ultralytics Platformu kullan.
Ek Okumalar#
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.