YOLOv7 ve DAMO-YOLO#

Gerçek zamanlı nesne algılama alanı sürekli gelişiyor; araştırmacılar ve mühendisler hız ile doğruluk arasında en iyi dengeyi bulmaya çalışıyor. Bu teknik karşılaştırmada, 2022'de ortaya çıkan iki dikkat çekici mimariyi, YOLOv7 ve DAMO-YOLO'yu derinlemesine inceleyeceğiz. Her iki model de model eğitimi, mimari tasarım ve dağıtım alanlarındaki farklı zorlukları ele alarak bilgisayarlı görü topluluğuna yeni kavramlar kazandırdı.

Model Geçmişi ve Teknik Ayrıntılar#

Mimarilerine geçmeden önce bu iki modelin kökenlerini anlamak önemlidir. Her ikisi de önde gelen araştırma grupları tarafından geliştirildi ve gerçek zamanlı nesne algılamanın sınırlarını zorlamak için gelişmiş yöntemler ortaya koydu.

YOLOv7 Ayrıntıları#

YOLO ailesinin devamı olarak geliştirilen YOLOv7, çıkarım maliyetini artırmadan doğruluğu önemli ölçüde geliştirmek için eğitilebilir "bag-of-freebies" kavramını ortaya koydu.

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

YOLOv7 hakkında daha fazla bilgi edin

DAMO-YOLO Ayrıntıları#

Alibaba Group araştırmacıları tarafından oluşturulan DAMO-YOLO, çeşitli donanımlar için yüksek verimliliğe sahip modeller oluşturmak amacıyla Neural Architecture Search (NAS) ve gelişmiş bilgi damıtma yöntemlerine büyük ölçüde 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 Yolu Analizi ve Yeniden Parametrelendirme#

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağları (E-ELAN) üzerine yoğunlaşır. Yazarlar, ağın özgün gradyan yolunu bozmadan sürekli öğrenebilmesini sağlamak için E-ELAN'ı ağın gradyan yollarını analiz ederek tasarladı. Ayrıca YOLOv7, çıkarım sırasında modelin yeniden parametrelendirilmesinden etkili bir şekilde yararlanır; katmanları sorunsuzca birleştirerek FLOPs değerini azaltır ve yürütme sürelerini hızlandırır. Bu sayede modern GPU'larda gerçek zamanlı çıkarım için son derece yetenekli hale gelir.

DAMO-YOLO: Neural Architecture Search ve RepGFPN#

DAMO-YOLO, gecikme kısıtlamaları altında Ağ Mimarisi Arama (NAS) yönteminden yoğun bir şekilde yararlanarak farklı bir yol izler. Mobil cihazlar veya belirli uç hızlandırıcılar gibi özel donanımlara göre uyarlanmış en uygun omurgaları keşfetmek için MAE-NAS adlı bir çerçeve kullanır. Boyun kısmı için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar ve tahmin başlıklarındaki hesaplama yükünü en aza indirmek için bir Sıfır Başlık (ZeroHead) tasarımı kullanır.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken mAP (Ortalama Kesinlik Ortalaması), çıkarım hızına ve model karmaşıklığına bakmak çok önemlidir.

Yukarıdaki tablo, YOLOv7'nin yüksek doğruluk gerektiren alanlara (YOLOv7x) iyi ölçeklendiğini, DAMO-YOLO'nun ise kısıtlı ortamlar için yüksek düzeyde optimize edilmiş küçük modeller sunduğunu gösteriyor.

Eğitim Verimliliği ve Bellek Gereksinimleri#

İki mimari arasındaki önemli bir fark, eğitim yöntemlerinde yatar. DAMO-YOLO'nun damıtmaya bağımlı olması, sıfırdan yeni bir model eğitirken veya özel bir bilgisayarlı görü veri kümesi üzerinde ince ayar yaparken genellikle önemli ölçüde daha fazla VRAM ve GPU hesaplama süresi gerektirdiği anlamına gelir.

Buna karşılık, YOLOv7 ve sonraki sürümler gibi Ultralytics ekosistemine entegre edilen modeller bellek gereksinimleri açısından büyük ölçüde optimize edilmiştir. Geliştiricilerin tüketici donanımlarında bellek yetersizliği hatalarıyla karşılaşmadan daha büyük toplu iş boyutları kullanmasına olanak tanıyarak deney takibi ve yineleme sürecini basitleştirir.

Ultralytics Avantajı#

Hem YOLOv7 hem de DAMO-YOLO ilgi çekici özellikler sunsa da modelleri Ultralytics ekosistemi içinde dağıtmak benzersiz bir geliştirici deneyimi sağlar.

• Kullanım Kolaylığı: Ultralytics Python paketi birleşik ve basit bir API sunar. Model mimarileri arasında hızlıca geçiş yapabilir, birkaç satır kodla eğitim döngülerini başlatabilir veya çıkarım çalıştırabilirsin.
• İyi Bakımı Yapılan Ekosistem: Ultralytics, en yeni PyTorch sürümleri ve CUDA sürücüleriyle yerel uyumluluğu güvence altına alan sık güncellemeler sunar. Ayrıca modellerin ONNX, TensorRT ve OpenVINO gibi biçimlere aktarılmasını kolaylaştırır.
• Çok Yönlülük: Kesinlikle yalnızca bir nesne algılayıcı olan DAMO-YOLO'nun aksine Ultralytics ekosistemi, çeşitli görevleri yerel olarak destekler. Ultralytics ailesindeki modeller standart sınırlayıcı kutu algılama, poz tahmini, örnek bölütleme ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) gerçekleştirebilir.

Kod Örneği: Hızlı Başlangıç#

Ultralytics modellerini yüklemenin, eğitmenin ve çıkarım çalıştırmanın ne kadar kolay olduğunu aşağıda görebilirsin:

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 nesil mimari olmaya devam etse de alan hızla ilerledi. Yeni dağıtımlar için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen standarttır ve neredeyse her ölçütte önceki nesillerden daha iyi performans gösterir.

• Uçtan Uca NMS'siz Tasarım: İlk olarak YOLOv10 ile öncülük edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırır. Bu, robotik ve otonom sürüş teknolojileri için kritik olan deterministik, son derece düşük gecikmeli çıkarımı güvence altına alır.
• MuSGD Optimize Edicisi: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'ın Kimi K2'si gibi) esinlenen bu hibrit optimize edici, veri kümeleri genelinde son derece kararlı eğitim ve daha hızlı yakınsama sağlamak için SGD ile Muon'u birleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, Distribution Focal Loss (DFL) yöntemini stratejik olarak kaldırarak uç bilişim platformlarında ve CPU'larda performansı önemli ölçüde artırır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesneleri algılamada önemli iyileştirmeler sağlayarak YOLO26'yı hava görüntüleri ve ayrıntılı gözetim için son derece uygun hale getirir.

İdeal Kullanım Alanları#

DAMO-YOLO Ne Zaman Seçilmeli?#

• NAS Alanında Akademik Araştırma: Kuruluşun Neural Architecture Search yöntemlerini incelemeye yoğun biçimde yatırım yapıyorsa.
• Belirli Donanımlarda Aşırı Kısıtlı Gecikme: Özel bir AI hızlandırıcı yongası için uyarlanmış bir omurga bulmak üzere kapsamlı NAS aramalarını çalıştıracak kaynaklara sahipsen.

YOLOv7 Ne Zaman Seçilmeli#

• Mevcut GPU İş Akışları: Üst düzey NVIDIA donanımlarında YOLOv7'nin belirli E-ELAN mimarisi etrafında derinlemesine optimize edilmiş eski üretim iş akışlarını sürdüren ekipler için.

Modern Ultralytics Modellerine (YOLO11 / YOLO26) Neden Geçiş Yapmalısın?#

Perakende analitiği ve akıllı üretimden sağlık hizmetlerine kadar kurumsal uygulamaların büyük çoğunluğu için modern Ultralytics modelleri rakipsizdir. Ultralytics Platformu ile entegrasyon, kullanım kolaylığı, üstün dokümantasyon, güçlü topluluk desteği ve çok görevli esneklik sunan eksiksiz bir ML işlem hattı sağlar. İster bir Raspberry Pi üzerinde envanter takibi yap ister bulutta yoğun analitik çalıştır, YOLO26 gibi modeller bilgisayarlı görünün geleceği için ideal performans dengesini sunar.