YOLOv7 ve DAMO-YOLO#

Gerçek zamanlı nesne tespiti alanı sürekli evrilmekte olup, araştırmacılar ve mühendisler hız ile doğruluk arasında en uygun dengeyi bulmak için çaba göstermektedir. Bu teknik karşılaştırmada, 2022'den iki önemli mimariyi derinlemesine inceleyeceğiz: YOLOv7 ve DAMO-YOLO. Her iki model de bilgisayarlı görü topluluğuna yeni kavramlar kazandırarak, model eğitimi, mimari tasarım ve dağıtım süreçlerindeki farklı zorluklara çözüm getirdi.

Model Geçmişleri ve Teknik Detaylar#

Mimarilerine dalmadan önce, bu iki modelin kökenlerini anlamak önemlidir. Her ikisi de önde gelen araştırma grupları tarafından geliştirilmiş ve gerçek zamanlı nesne tespitinin sınırlarını zorlamak için gelişmiş metodolojiler ortaya koymuştur.

YOLOv7 Detayları#

YOLO ailesinin bir devamı olarak geliştirilen YOLOv7, çıkarım maliyetini artırmadan doğruluğu önemli ölçüde artırmak için eğitilebilir "bag-of-freebies" kavramını tanıttı.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Organization: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Docs: https://docs.ultralytics.com/models/yolov7

YOLOv7 hakkında daha fazla bilgi edinin

DAMO-YOLO Detayları#

Alibaba Group araştırmacıları tarafından oluşturulan DAMO-YOLO, çeşitli donanımlar için yüksek verimli modeller oluşturmak amacıyla büyük ölçüde Sinirsel Mimari Arama (NAS) ve gelişmiş bilgi damıtma tekniklerine odaklandı.

• 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#

YOLOv7: Gradyan Yol Analizi ve Yeniden Parametrelendirme#

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN) üzerine yoğunlaşır. Yazarlar, ağın gradyan yollarını analiz ederek E-ELAN'ı tasarlamış ve orijinal gradyan yolunu bozmadan sürekli olarak öğrenmesini sağlamıştır. Ayrıca YOLOv7, çıkarım sırasında model yeniden parametreleştirmesini etkili bir şekilde kullanarak FLOPs değerini düşürmek ve yürütme sürelerini hızlandırmak için katmanları kusursuz bir şekilde birleştirir. Bu, modern GPU'larda gerçek zamanlı çıkarım için onu oldukça yetenekli kılar.

DAMO-YOLO: Sinirsel Mimari Arama ve RepGFPN#

DAMO-YOLO, gecikme kısıtlamaları altında Sinirsel Mimari Arama (NAS) yönteminden yoğun bir şekilde yararlanarak farklılaşır. Mobil cihazlar veya belirli uç donanım hızlandırıcıları gibi özel donanımlar için optimize edilmiş temel ağları (backbone) keşfetmek amacıyla MAE-NAS adlı bir çerçeve kullanır. Boyun (neck) kısmı için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) sunar ve tahmin kafalarındaki hesaplama yükünü en aza indirmek için ZeroHead tasarımını kullanır.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken mAP (Ortalama Duyarlılık), çıkarım hızı ve model karmaşıklığına bakmak çok önemlidir.

Yukarıdaki tablo, YOLOv7'nin yüksek doğruluk alanlarında (YOLOv7x) iyi ölçeklendiğini, DAMO-YOLO'nun ise kısıtlı ortamlar için yüksek derecede optimize edilmiş küçük modeller sunduğunu göstermektedir.

Eğitim Verimliliği ve Bellek Gereksinimleri#

İki mimari arasındaki büyük bir fark, eğitim metodolojilerinde yatar. DAMO-YOLO'nun damıtma işlemine dayanması, sıfırdan yeni bir model eğitmenin veya özel bilgisayarlı görü veri kümesi üzerinde ince ayar yapmanın genellikle çok daha fazla VRAM ve GPU hesaplama süresi gerektirdiği anlamına gelir.

Buna karşılık, YOLOv7 ve sonraki sürümler gibi Ultralytics ekosistemine entegre edilmiş modeller, bellek gereksinimleri açısından büyük ölçüde optimize edilmiştir. Bellek aşımı hatasıyla karşılaşmadan tüketici donanımında daha büyük yığın boyutları kullanmanıza olanak tanır, deney takibi ve yineleme sürecini basitleştirir.

Ultralytics Avantajı#

YOLOv7 ve DAMO-YOLO'nun her ikisi de ilgi çekici özellikler sunarken, modelleri Ultralytics ekosistemi içinde dağıtmak benzersiz bir geliştirici deneyimi sağlar.

• Kullanım Kolaylığı: Ultralytics Python paketi birleştirilmiş, basit bir API sunar. Birkaç satır kodla model mimarileri arasında hızlıca geçiş yapabilir, eğitim döngüleri başlatabilir veya çıkarım çalıştırabilirsin.
• İyi Bakımı Yapılan Ekosistem: Ultralytics, en son PyTorch sürümleri ve CUDA sürücüleriyle yerel uyumluluk sağlayarak sık güncellemeler sunar. Ayrıca modellerin ONNX, TensorRT ve OpenVINO gibi formatlara aktarılmasını basitleştirir.
• Çok Yönlülük: Kesinlikle bir nesne dedektörü olan DAMO-YOLO'nun aksine, Ultralytics ekosistemi farklı görevleri yerel olarak destekler. Ultralytics ailesindeki modeller standart sınırlayıcı kutu tespiti, poz tahmini, örnek bölütleme ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) gerçekleştirebilir.

Kod Örneği: Hızlı Başlangıç#

Ultralytics modellerini kullanarak nasıl kolayca yükleme yapabileceğin, eğitim başlatabileceğin ve çıkarım çalıştırabileceğin aşağıdadır:

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

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

Yeni Nesil: YOLO26#

YOLOv7 güçlü bir eski mimari olarak kalmaya devam etse de, alan hızla ilerlemiştir. Yeni dağıtımlar için, neredeyse her ölçümde önceki nesillerden daha iyi performans gösteren (Ocak 2026'da yayınlanan) Ultralytics YOLO26 önerilen standarttır.

• Uçtan Uca NMS İçermeyen Tasarım: İlk olarak YOLOv10 ile öncülük edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işlem adımını yerel olarak ortadan kaldırır. Bu, robotik ve otonom sürüş teknolojileri için kritik olan belirleyici, ultra düşük gecikmeli çıkarım sağlar.
• MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'nın Kimi K2'si gibi) esinlenen bu hibrit optimize edici, kararlı eğitim ve veri setleri genelinde daha hızlı yakınsama sağlamak için SGD ve Muon'u harmanlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 uç bilgi işlem platformlarında ve CPU'larda performansı önemli ölçüde artırır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesnelerin tespitinde önemli iyileşmeler sağlayarak YOLO26'yı hava görüntüsü ve ayrıntılı gözetim için son derece uygun hale getirir.

YOLO26 hakkında daha fazla bilgi edin

İdeal Kullanım Senaryoları#

Ne Zaman DAMO-YOLO Seçilmeli#

• NAS'ta Akademik Araştırma: Kuruluşun Sinirsel Mimari Arama metodolojilerini incelemeye yoğun bir şekilde yatırım yaptıysa.
• Belirli Donanımlarda Hiper-Kısıtlı Gecikme: Özel bir yapay zeka hızlandırıcı çip için özel bir ana ağ bulmak amacıyla kapsamlı NAS aramaları yürütecek kaynaklara sahipsen.

Ne Zaman YOLOv7 Seçilmeli#

• Mevcut GPU İş Hatları: Üst düzey NVIDIA donanımında YOLOv7'nin belirli E-ELAN mimarisi etrafında derinden optimize edilmiş eski üretim iş hatlarını sürdüren ekipler için.

Neden Modern Ultralytics Modellerine (YOLO11 / YOLO26) Geçmelisin?#

perakende analitiği, akıllı üretim ve sağlık hizmetlerine kadar kurumsal uygulamaların büyük çoğunluğu için modern Ultralytics modelleri benzersizdir. Ultralytics Platform ile entegrasyon; kullanım kolaylığı, üstün dokümantasyon, güçlü topluluk desteği ve çoklu görev çok yönlülüğü sunarak eksiksiz bir ML işlem hattı sağlar. Raspberry Pi üzerinde envanter takibi yaparken veya bulutta ağır analitikler çalıştırırken YOLO26 gibi modeller, bilgisayarlı görünün geleceği için ideal performans dengesini sunar.