Başla

YOLOv8 ve DAMO-YOLO

Bilgisayarlı görü alanı, yeni mimarilerin uç cihazlarda ve büyük bulut kümelerinde mümkün olanları geliştirmesiyle sürekli değişiyor. Bu teknik karşılaştırma, gerçek zamanlı nesne algılamada öne çıkan iki modeli, YOLOv8 ve DAMO-YOLO'yu ele alıyor. ML mühendisleri mimarilerini, performans ölçütlerini ve eğitim yöntemlerini inceleyerek dağıtım hatları için bilinçli kararlar verebilir.

Modellerin Geçmişi ve Kökenleri#

Her iki model de yaklaşık aynı dönemde tanıtıldı ancak farklı tasarım felsefelerinden ve araştırma hedeflerinden doğdu.

YOLOv8 Ayrıntıları#

DAMO-YOLO Ayrıntıları#

DAMO-YOLO hakkında daha fazla bilgi edin

Mimari Yenilikler#

YOLOv8: Çok Yönlü, Bağlantı Noktası İçermeyen Tasarım#

Ultralytics YOLOv8, önceki sürümlerine kıyasla önemli iyileştirmeler getirdi ve yaygın biçimde benimsenmiş, güvenilir bir model hâline geldi. Kutu tahmini sayısını azaltıp çıkarımı hızlandıran bir anchor-free algılama başlığı kullanır. Mimari, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrıştırılmış bir başlığa sahiptir; bu da daha doğru sınırlayıcı kutu tahminleri sağlar.

Ayrıca YOLOv8, özellikle daha küçük veya örtülü hedeflerde nesne sınırlarını hassas biçimde konumlandırma becerisini artırmak için CIoU kaybının yanı sıra Distribution Focal Loss (DFL) uygular. Yalın backbone'u hem GPU hem de CPU yürütmesi için optimize edilmiştir.

DAMO-YOLO, backbone'unu otomatik olarak tasarlamak için büyük ölçüde Sinir Ağı Mimarisi Araması (NAS) yöntemine dayanarak farklı bir yaklaşım benimser. Alibaba ekibi, özellikle TensorRT hızlandırması altında en uygun gecikme-doğruluk dengesini sunan yapıları bulmak için "MAE-NAS" yöntemini tanıttı.

Model, verimli öznitelik birleştirme için RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Öznitelik Piramit Ağı) kullanır ve algılama başlığının hesaplama yükünü en aza indirmek için "ZeroHead" tasarımından yararlanır. Eğitim sırasında etiket ataması için AlignedOTA kullanır ve hedef öğrenci modeli denetlemek üzere daha büyük bir öğretmen modeli gerektiren karmaşık bilgi damıtma sürecine büyük ölçüde dayanır.

Eğitim Karmaşıklığı

DAMO-YOLO, NAS ve damıtma sayesinde güçlü gecikme ölçütlerine ulaşsa da damıtma, eğitim sırasında genellikle YOLOv8'in tek aşamalı eğitim hattına kıyasla daha fazla CUDA belleği ve işlem süresi gerektirir.

Performans ve Metrikler#

Bilgisayarlı görü modellerini üretime dağıtırken doğruluk (mAP) ile çıkarım hızı arasında denge kurmak kritik öneme sahiptir. Aşağıdaki tabloda her iki modelin farklı boyutlardaki performansı gösteriliyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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

Küçük modeller arasında DAMO-YOLOt ve DAMO-YOLOs, YOLOv8n ve YOLOv8s'den daha yüksek mAP değerlerine ulaşır ancak daha fazla parametre kullanır; orta boyut ve üzerindeyse doğrulukta YOLOv8 öne geçer. YOLOv8n (nano), DAMO-YOLOt'nin 8,5 milyon parametresine karşılık yalnızca 3,2 milyon parametre gerektirir; bu da onu mobil cihazlar veya katı bellek sınırları olan ortamlar için daha uygun kılar. YOLOv8 ayrıca bulut tabanlı iş yükleri için burada en doğru model olan YOLOv8x'e kadar ölçeklenen daha geniş bir boyut yelpazesi sunar.

Geliştirici Deneyimi ve Ekosistem#

Kullanım Kolaylığı ve Eğitim Verimliliği#

En belirgin farklardan biri kullanıcı deneyimidir. Ultralytics ekosistemi, geliştiricilerin hızlı ilerlemesini sağlayacak şekilde tasarlanmıştır. Özel bir YOLOv8 modelini eğitmek makul düzeyde bellek gerektirir ve birleşik Python API'si veya komut satırı arayüzü üzerinden yürütülür.

Buna karşılık DAMO-YOLO'nun damıtmayla güçlendirilmiş eğitimini yeniden üretmek, genellikle karmaşık yapılandırma dosyalarında gezinmeyi ve çok aşamalı öğretmen-öğrenci deney takibini yönetmeyi gerektirir.

Aşağıdaki örnekte Python kullanılarak YOLOv8 eğitiliyor ve dışa aktarılıyor:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv8 nano modelini yükle
model = YOLO("yolov8n.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# Eğitilmiş modeli ONNX biçimine aktar
path = model.export(format="onnx")

Görü Görevlerinde Çok Yönlülük#

DAMO-YOLO yalnızca sınırlayıcı kutu tabanlı nesne algılama için geliştirilmiştir. Buna karşılık YOLOv8 mimarisi yerel olarak birden fazla görevi destekler. Geliştiriciler model ağırlıklarını değiştirerek temel dağıtım kod tabanını değiştirmeden örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini yapabilir; bu da Ultralytics modellerini çok görevli uygulamalar için daha pratik kılar.

Gerçek Dünya Kullanım Senaryoları#

YOLOv8 Ne Zaman Kullanılmalı#

YOLOv8'in hız, doğruluk ve dağıtım kolaylığı bileşimi, onu şu alanlar için ideal kılar:

  • Akıllı Perakende Analitiği: Müşteri davranışlarını izlemek veya envanter kontrollerini otomatikleştirmek için nesne takibi gerçekleştirme.
  • Tarımsal Robotik: Çeşitli donanımlardaki güçlü performansından yararlanarak ekinleri veya zararlıları gerçek zamanlı belirleme.
  • Sağlık Tanısı: Tıbbi görüntülerdeki anormallikleri hızlı ve doğru biçimde haritalamak için örnek bölütleme kullanma.
  • Uç Dağıtımlar: OpenVINO ve CoreML gibi biçimlere yerleşik dışa aktarma, YOLOv8'i kaynakları kısıtlı cihazlara uygun kılar.

DAMO-YOLO Ne Zaman Kullanılmalı#

DAMO-YOLO, özellikle şu durumlarda fayda sağlayabilir:

  • Akademik NAS Araştırmaları: Yeniden parametreleştirme veya otomatik mimari tasarımı yöntemlerini inceleyen ekipler için.
  • Yalnızca GPU'ya Bağlı İş Akışları: NAS için tasarlanmış yapılarının TensorRT yürütmesi için optimize edildiği belirli NVIDIA donanımlarında özel olarak çalışan uygulamalar.

Kullanım Alanları ve Öneriler#

YOLOv8 ile DAMO-YOLO arasında seçim yapmak; projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8'i Ne Zaman Seçmeli?#

YOLOv8 şu durumlarda iyi bir seçenektir:

  • Çok Görevli Esnek Dağıtım: Ultralytics ekosisteminde algılama, segmentasyon, sınıflandırma ve poz tahmini için kendini kanıtlamış bir model gerektiren projeler.
  • Yerleşik Üretim Sistemleri: YOLOv8 mimarisi üzerine kurulmuş, kararlı ve iyi test edilmiş dağıtım işlem hatlarına sahip mevcut üretim ortamları.
  • Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitim içeriklerinden, üçüncü taraf entegrasyonlarından ve etkin topluluk kaynaklarından yararlanan uygulamalar.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlarda önerilir:

  • Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
  • Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
  • Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.

İleriye Bakış: Daha Yeni Ultralytics Modelleri#

YOLOv8 güvenilir bir iş gücü olmaya devam ediyor, ancak bilgisayarlı görü alanı hızla ilerliyor; bu nedenle kullanıcılar daha yeni nesilleri de değerlendirmeli:

YOLO26: En yeni nesil Ultralytics YOLO26, NMS son işlemenin gecikmesini ortadan kaldıran yerel bir Uçtan Uca, NMS Gerektirmeyen Tasarım (nms=False) sunar. MuSGD Optimizer (SGD ve Muon'un melezi) eğitimi kararlı hâle getirirken ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Ataması) küçük nesne algılamayı iyileştirir. DFL'nin Kaldırılması (daha basit dışa aktarma ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için Distribution Focal Loss'un kaldırılması) sayesinde YOLO26n, YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sunarak uç bilişim için güçlü bir seçenek hâline gelir.

YOLO11: Ultralytics YOLO11, YOLOv8 mimarisini geliştirir ve toplulukta yaygın biçimde kullanılmaya devam eder.

İş Akışını Kolaylaştır

Modelleri prototip aşamasından üretime taşımak için Ultralytics Platform kullanarak veri kümelerine otomatik açıklama ekleyebilir, deneyleri takip edebilir ve modelleri buluta veya uç cihazlara dağıtabilirsin.

Sonuç olarak DAMO-YOLO, mimari arama konusunda faydalı araştırma içgörüleri sunsa da Ultralytics modelleri daha olgun, çok yönlü ve geliştirici dostu bir ekosistem sağlar. İster YOLOv8'i kullanmaya devam et ister NMS gerektirmeyen YOLO26 mimarisine geç, Ultralytics gerçek zamanlı görüntü yapay zekâsı için eksiksiz bir araç seti sunar.

Katkıda Bulunanlar

Yorumlar1

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

  1. exilebuild5423GitHub(düzenlendi)

    Great technical comparison! DAMO-YOLO stands out with its advanced decoupled head and innovative data augmentation techniques, pushing accuracy further in specific detection tasks. However, this YOLOv8 comparison highlights how v8 offers a more balanced architecture with better ease of use, strong community support, and flexibility for multitask learning. Both models are strong contenders — the choice really depends on deployment needs and optimization priorities.