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 öne çıkan iki 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.
Modellerin Geçmişi ve Teknik Ayrıntılar#
Mimarilerini incelemeden önce bu iki modelin kökenini anlamak önemlidir. Her ikisi de önde gelen araştırma gruplarınca geliştirildi ve gerçek zamanlı nesne algılamanın sınırlarını zorlamak üzere gelişmiş 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.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Kurum: 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 donanımlarda son derece verimli modeller geliştirmek için Sinir Mimarisi Araması (NAS) ve gelişmiş bilgi damıtma yöntemlerine 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 Toplama Ağlarına (E-ELAN) yoğun biçimde odaklanır. Yazarlar, ağın özgün gradyan yolunu bozmadan sürekli öğrenebilmesini sağlamak için ağın gradyan yollarını analiz ederek E-ELAN'ı tasarladı. Ayrıca YOLOv7, çıkarım sırasında modelin yeniden parametrelendirilmesinden etkili biçimde yararlanır ve katmanları sorunsuzca birleştirerek FLOP sayısını azaltıp yürütme süresini hızlandırır. Bu sayede modern GPU'larda gerçek zamanlı çıkarım için yüksek kapasite sunar.
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.
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.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
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, YOLOv8 ve sonraki sürümler gibi Ultralytics ekosisteminin yerel olarak desteklediği modeller, bellek gereksinimleri açısından yoğun biçimde optimize edilmiştir. Geliştiriciler bu modellerle, bellek yetersizliği hatalarıyla karşılaşmadan tüketici donanımlarında daha büyük toplu iş boyutları kullanabilir; böylece deney takibi ve yineleme süreci basitleşir.
Ultralytics Avantajı#
Hem YOLOv7 hem de DAMO-YOLO etkileyici özellikler sunsa da modelleri Ultralytics ekosistemi içinde dağıtmak benzersiz bir geliştirici deneyimi 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 nesne dedektörü olan DAMO-YOLO'nun aksine Ultralytics ekosistemi çeşitli görevler için yerel destek sunar. Ultralytics ailesinin modelleri standart sınırlayıcı kutu algılamanın yanı sıra poz tahmini, örnek segmentasyonu ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) gerçekleştirebilir.
Kod Örneği: Hızlı Başlangıç#
Ultralytics modellerini yüklemek, eğitmek ve çıkarım çalıştırmak işte bu kadar kolay:
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")Ultralytics ile eğitilmiş ağırlıklarını TensorRT veya CoreML gibi donanım hızlandırmalı çeşitli biçimlere aktarmak için dışa aktarma komutunda tek bir bağımsız değişken kullanman yeterlidir. Böylece karmaşık betik yapılandırmalarıyla saatler harcamazsın.
Yeni Nesil: YOLO26#
YOLOv7 güçlü ve köklü bir mimari olmayı sürdürse de alan hızla gelişti. Yeni dağıtımlar için Ultralytics YOLO26 (Ocak 2026'da yayımlandı) önerilen standarttır ve neredeyse tüm ölçütlerde önceki nesillerden daha iyi performans gösterir.
- Uçtan Uca, NMS Gerektirmeyen Tasarım: İlk kez YOLOv10 ile öncülüğü yapılan YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), Son İşlem Olarak Maksimum Olmayanların Bastırılması (NMS) adımını ortadan kaldırır. Bu, robotik ve otonom sürüş teknolojileri için kritik olan belirleyici ve ultra düşük gecikmeli çıkarım sağlar. - MuSGD Optimizer: Moonshot AI'ın Kimi K2'si gibi gelişmiş büyük dil modeli eğitim tekniklerinden esinlenen bu hibrit optimizer, SGD ile Muon'u birleştirerek veri kümelerinde son derece kararlı eğitim ve daha hızlı yakınsama sağlar.
- CPU Çıkarımında %43'e Varan Hız Artışı: Dağılım Odaklı Kaybı (DFL) stratejik biçimde kaldıran YOLO26, uç bilişim platformlarında ve CPU'larda performansı önemli ölçüde artırır.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesnelerin algılanmasını önemli ölçüde iyileştirir. Böylece YOLO26, hava görüntüleri ve ayrıntılı gözetim uygulamaları için son derece uygun hale gelir.
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 analitiği ve akıllı üretim uygulamalarından sağlık hizmetlerine kadar kurumsal uygulamaların büyük çoğunluğunda modern Ultralytics modellerinin eşi benzeri yoktur. Ultralytics Platform entegrasyonu; kullanım kolaylığı, üstün belgeler, güçlü topluluk desteği ve çoklu görevlerde çok yönlülük sunan eksiksiz bir makine öğrenimi işlem hattı sağlar. İster Raspberry Pi üzerinde envanter takibi yap ister bulutta yoğun analitik çalıştır, YOLO26 gibi modeller bilgisayarlı görünün geleceği için ideal performans dengesini sunar.