YOLOv5 ve DAMO-YOLO#

Gerçek zamanlı computer vision dünyası, doğruluk, hız ve kullanılabilirlik arasında mükemmel dengeyi yakalamaya çalışan araştırmacılar ve mühendislerle birlikte sürekli gelişmektedir. Bu yolculuğa yön veren 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.

Model Geçmişleri#

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

Ultralytics YOLOv5#

Glenn Jocher ve Ultralytics ekibi tarafından geliştirilen YOLOv5, piyasaya çıktığı günden bu yana bir endüstri standardı haline gelmiştir. Yerel olarak PyTorch çerçevesi üzerinde inşa edilmiş olup, kullanıma hazır bir şekilde kolaylaştırılmış bir geliştirici deneyimine ve güçlü dağıtım yeteneklerine öncelik vermiştir.

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

YOLOv5 hakkında daha fazla bilgi edin

DAMO-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

Mimari Yenilikler#

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

YOLOv5: Kararlılık ve Çok Yönlülük#

YOLOv5, bir PANet (Path Aggregation Network) boyun yapısıyla eşleştirilmiş Modifiye Edilmiş bir CSP (Cross Stage Partial) omurga yapısı kullanır. Bu yapı son derece verimlidir ve hem eğitim hem de çıkarım sırasında CUDA bellek kullanımını en aza indirir.

YOLOv5'in en büyük güçlü yönlerinden biri, tasks genelindeki çok yönlülüğüdür. Sınırlayıcı kutu tahminlerinin ötesinde, image segmentation ve image classification için özel mimariler sunarak geliştiricilerin görüş boru hatlarını tek ve tutarlı bir çerçeve etrafında standartlaştırmasına olanak tanır.

DAMO-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, satellite imagery analysis alanında sıklıkla görülen karmaşık ölçek varyasyonları için son derece faydalı olan, gelişmiş özellik birleşimi için Efficient RepGFPN boyun özelliğine sahiptir. ZeroHead tasarımı, gecikmeyi azaltmak için son tahmin katmanlarını basitleştirir, ancak bu karmaşık yapısal üretim mimariyi katı hale getirebilir ve özel uygulamalar için değiştirmeyi zorlaştırabilir.

Performans 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 son derece rekabetçi mAP puanları elde ederken, YOLOv5 nano ve küçük konfigürasyonları için sürekli olarak olağanüstü TensorRT hızları ve inanılmaz derecede düşük parametre sayıları gösterir. Bu performans dengesi, YOLOv5'in çeşitli uç dağıtım senaryolarında verimli bir şekilde çalışmasını sağlar.

Eğitim Verimliliği ve Ekosistem#

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

Damıtmanın 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.

Ultralytics Avantajı: Kullanım Kolaylığı#

Buna karşılık, Ultralytics ecosystem sezgisel API'leri ve training efficiency özellikleri ile tüm dünyada ünlüdür. Aktif geliştirme ve devasa bir açık kaynak topluluğu tarafından desteklenen geliştiriciler, modelleri sorunsuz bir şekilde 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 experiment tracking için yerleşik destek sağlayarak sürtünmesiz bir iş akışı oluşturur.

Gerçek Dünya Kullanım Durumları#

• YOLOv5, hızlı tempolu üretim ortamlarında üstündür. Doğrudan dışarı aktarılabilirliği, onu smart retail analytics, 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.

Kullanım Durumları ve Öneriler#

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

YOLOv5 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.

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.

Bir 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 şunları içerir:

• 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: aerial drone imagery ve robotik için kritik olan küçük nesnelerin tanınmasını büyük ölçüde iyileştiren gelişmiş kayıp fonksiyonları.
• Göreve Özel İyileştirmeler: Oriented Bounding Boxes (OBB) için özel açı kaybından, doğru Pose estimation için Artık Log-Olabilirlik Tahminine (RLE) kadar YOLO26, karmaşık alanları kolaylıkla yönetir.

Sonuç#

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.

Görsel işleme boru hattınızın geleceğe dönük, hızlı ve son derece doğru olmasını sağlayarak YOLO26 gibi yeni nesil modelleri etiketlemek, eğitmek ve dağıtmak için Ultralytics Platform kullanmanızı şiddetle tavsiye ederiz.

Daha Fazla Okuma#

• Yüksek doğruluklu uygulamalar için transformer tabanlı RT-DETR modelini keşfedin.
• Önceki nesil YOLO11 modeli hakkında bilgi edinin.
• OpenVINO ile dağıtımları nasıl optimize edeceğinizi keşfedin.