Başla

YOLOv7 ve DAMO-YOLO

Araştırmacılar ve mühendisler hız ile doğruluk arasında en iyi dengeyi ararken gerçek zamanlı nesne algılama gelişmeye devam ediyor. Bu teknik karşılaştırmada 2022'de öne çıkan iki mimari inceleniyor: YOLOv7 ve DAMO-YOLO. Her iki model de model eğitimi, mimari tasarım ve dağıtım alanlarındaki farklı zorlukları ele alarak bilgisayarlı görü topluluğuna yeni kavramlar kazandırdı.

Modellerin Geçmişi ve Teknik Ayrıntılar#

Her iki model de önde gelen araştırma grupları tarafından geliştirildi ve gerçek zamanlı nesne algılamayı iyileştirmek için yeni yöntemler sundu.

YOLOv7 Ayrıntıları#

YOLO ailesinin devamı olarak geliştirilen YOLOv7, çıkarım maliyetini artırmadan doğruluğu önemli ölçüde iyileştirmek için eğitilebilir "bedava avantajlar paketi" kavramını ortaya koydu.

YOLOv7 hakkında daha fazla bilgi edin

DAMO-YOLO Ayrıntıları#

Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, çeşitli donanımlar için verimli modeller oluşturmak amacıyla Sinir Ağı Mimarisi Araması (NAS) ve bilgi damıtımına yoğun biçimde odaklandı.

DAMO-YOLO hakkında daha fazla bilgi edin

Mimari Yenilikler#

YOLOv7: Gradyan Yolu Analizi ve Yeniden Parametrelendirme#

YOLOv7, Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) yoğun biçimde odaklanır. Yazarlar E-ELAN'ı ağın gradyan yollarını analiz ederek tasarladı ve böylece özgün gradyan yolu bozulmadan ağın sürekli öğrenebilmesini sağladı. Ayrıca YOLOv7, çıkarım sırasında modelin yeniden parametrelendirilmesini kullanır; katmanları birleştirerek FLOP sayısını düşürür ve yürütme süresini hızlandırır. Bu özellik, modern GPU'larda gerçek zamanlı çıkarım için yüksek kapasite sağlar.

DAMO-YOLO: Sinir Mimarisi Araması ve RepGFPN#

DAMO-YOLO, gecikme kısıtları altında Sinir Mimarisi Aramasından (NAS) yoğun biçimde yararlanmasıyla farklılaşır. Mobil cihazlar veya belirli uç hızlandırıcılar gibi donanımlara özel en uygun omurgaları bulmak için MAE-NAS adlı bir çerçeve kullanır. Boyun kısmında verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar ve tahmin başlıklarındaki hesaplama yükünü en aza indirmek için ZeroHead tasarımını kullanır.

Damıtma Farkları

YOLOv7, mimarisindeki güçlü optimizasyonlara dayanırken DAMO-YOLO karmaşık, çok aşamalı bir bilgi damıtma sürecine büyük ölçüde bağlıdır. Bilgiyi daha küçük bir öğrenci modele damıtmak için büyük bir öğretmen modelin eğitilmesi gerekir; bu da eğitim aşamasında hesaplama açısından maliyetli olabilir.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken mAP (Ortalama Hassasiyet Ortalaması), çıkarım hızı ve model karmaşıklığını incelemek çok önemlidir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

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

Eğitim Verimliliği ve Bellek Gereksinimleri#

İki mimari arasındaki önemli farklardan biri eğitim yöntemlerinde yatar. DAMO-YOLO'nun damıtmaya dayanması, sıfırdan yeni bir model eğitmenin ya da özel bir bilgisayarlı görü veri kümesi üzerinde ince ayar yapmanın çoğu zaman çok daha fazla VRAM ve GPU hesaplama süresi gerektirdiği anlamına gelir.

Buna karşılık, Ultralytics ekosisteminde YOLOv8 ve sonraki sürümler gibi yerel olarak desteklenen modeller düşük eğitim belleği kullanımı için optimize edilmiştir. Geliştiriciler, bellek yetersizliği hatalarıyla karşılaşmadan tüketici donanımlarında daha büyük paket boyutları kullanabilir; bu da deney takibini ve yineleme sürecini basitleştirir.

Ultralytics Avantajı#

Hem YOLOv7 hem de DAMO-YOLO ilgi çekici özellikler sunsa da modelleri Ultralytics ekosisteminde dağıtmak geliştiricilere daha basit bir deneyim sağlar.

  • Kullanım Kolaylığı: Ultralytics Python paketi, birleşik ve basit bir API sunar. Birkaç satır kodla model mimarileri arasında hızla geçiş yapabilir, eğitim döngülerini başlatabilir veya çıkarım çalıştırabilirsin.
  • Bakımı İyi Yapılan Ekosistem: Ultralytics sık güncellemeler sunarak en yeni PyTorch sürümleri ve CUDA sürücüleriyle yerel uyumluluk sağlar. Ayrıca modelleri ONNX, TensorRT ve OpenVINO gibi biçimlere aktarmayı kolaylaştırır.
  • Çok yönlülük: Yalnızca bir nesne algılayıcı olan DAMO-YOLO'nun aksine Ultralytics ekosistemi çeşitli görevleri yerel olarak destekler. Ultralytics ailesindeki modeller standart sınırlayıcı kutu algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) görevlerini gerçekleştirebilir; YOLO26 ise anlamsal segmentasyon ve derinlik tahminini de ekler.

Kod Örneği: Hızlı Başlangıç#

Ultralytics modellerini şu şekilde yükleyebilir, eğitebilir ve çıkarım için çalıştırabilirsin:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26 modeli yükle (yerel YOLOv7 ağırlıkları Ultralytics tarafından desteklenmez)
model = YOLO("yolo26n.pt")

# Modeli otomatik hiperparametre yönetimiyle COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Bir görüntü üzerinde çıkarım yap
predictions = model("https://ultralytics.com/images/bus.jpg")

# Dağıtım için ONNX biçimine aktar
model.export(format="onnx")
Modelleri Dışa Aktarma

Ultralytics ile eğitilmiş ağırlıkları TensorRT veya CoreML gibi donanım hızlandırmalı çeşitli biçimlere aktarmak için dışa aktarma komutunda tek bir bağımsız değişken kullanılır; ayrı dönüştürme betiklerine gerek yoktur.

Yeni Nesil: YOLO26#

YOLOv7, geçmişten gelen güçlü bir mimari olmayı sürdürse de alan hızla ilerledi. Yeni dağıtımlar için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen seçenektir; önceki nesillere kıyasla hem doğruluğu hem de CPU hızını artırır.

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlar. Bu, gecikme değişkenliğini azaltır ve robotik ile otonom sürüş sistemlerinde dağıtımı basitleştirir.
  • MuSGD Optimizasyon Algoritması: Gelişmiş büyük dil modeli eğitim tekniklerinden (Moonshot AI'nin Kimi K2'si gibi) ilham alan bu hibrit optimizasyon algoritması, daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'u birleştirir.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Dağılımsal Odak Kayıp (DFL) kaldırılarak YOLO26'nın dışa aktarımı basitleştirilir ve uç cihazlarda ve CPU'larda çıkarım hızlanır. YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket atama stratejisi, küçük nesne algılamayı iyileştirerek YOLO26'yı hava görüntüleri ve ayrıntılı gözetim için çok uygun hâle getirir.

İdeal Kullanım Alanları#

DAMO-YOLO'yu Ne Zaman Seçmeli#

  • NAS Üzerine Akademik Araştırma: Kurumun Sinir Mimarisi Araması yöntemlerini incelemeye yoğun biçimde yatırım yapıyorsa.
  • Belirli Donanımlarda Son Derece Katı Gecikme Kısıtları: Özel bir yapay zekâ hızlandırıcı çip için uyarlanmış bir omurga bulmak üzere kapsamlı NAS aramaları yapacak kaynaklara sahipsen.

YOLOv7 Ne Zaman Seçilmeli#

  • Mevcut GPU İşlem Hatları: Üst düzey NVIDIA donanımında YOLOv7'nin özel E-ELAN mimarisi için yoğun biçimde optimize edilmiş eski üretim işlem hatlarını sürdüren ekipler için.

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

Perakende analitiğinden ve akıllı üretimden sağlık hizmetlerine kadar kurumsal uygulamaların büyük çoğunluğunda modern Ultralytics modelleri pratik bir varsayılan seçenektir. Ultralytics Platform entegrasyonu; basit bir API, kapsamlı belgeler, etkin bir topluluk ve çoklu görev desteğiyle eksiksiz bir makine öğrenmesi işlem hattı sunar. İster Raspberry Pi üzerinde envanter takibi yap ister bulutta yoğun analitik çalıştır; YOLO26 gibi modeller hız ve doğruluk arasında güçlü bir denge sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.