YOLOv8 ve DAMO-YOLO Karşılaştırması#

Bilgisayarlı görü alanı sürekli gelişiyor ve yeni mimariler, uç cihazlarda ve devasa bulut kümelerinde nelerin mümkün olduğunun sınırlarını zorluyor. Bu teknik derinlemesine incelemede, iki önemli gerçek zamanlı nesne algılama modelini karşılaştırıyoruz: YOLOv8 ve DAMO-YOLO. Mimarilerini, performans metriklerini ve eğitim metodolojilerini inceleyerek, ML mühendisleri dağıtım hatları için bilinçli kararlar verebilirler.

Model Geçmişleri ve Kökenleri#

Her iki model de yaklaşık aynı zamanlarda tanıtıldı ancak farklı tasarım felsefelerinden ve araştırma hedeflerinden kaynaklanıyorlar.

YOLOv8 Detayları#

• Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2023-01-10
• GitHub: Ultralytics GitHub Repository
• Belgeler: YOLOv8 Official Documentation

YOLOv8 hakkında daha fazla bilgi edinin

DAMO-YOLO Detayları#

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 23-11-2022
• Arxiv: DAMO-YOLO Research Paper
• GitHub: DAMO-YOLO GitHub Repository

DAMO-YOLO hakkında daha fazla bilgi edinin

Mimari Yenilikler#

YOLOv8: Çok Yönlü Çapasız (Anchor-Free) Tasarım#

Ultralytics YOLOv8, önceki sürümlerine göre önemli iyileştirmeler sunarak son derece güvenilir, son teknoloji bir model statüsünü pekiştirmiştir. Kutu tahminlerinin sayısını azaltan ve çıkarımı hızlandıran çapasız (anchor-free) bir algılama kafasına sahiptir. Mimari, nesnelliği, sınıflandırmayı ve regresyon görevlerini ayıran ayrıştırılmış bir kafa kullanarak daha doğru sınırlayıcı kutu tahminleri sağlar.

Ayrıca YOLOv8, CIoU kaybıyla birlikte Distribution Focal Loss (DFL) uygulayarak modelin özellikle daha küçük veya kısmen kapanmış hedefler için nesne sınırlarını hassas bir şekilde yerelleştirme yeteneğini geliştirir. Sadeleştirilmiş omurgası, hem GPU hem de CPU çalıştırması için son derece optimize edilmiştir.

DAMO-YOLO: Mimari Arama (NAS) Odaklı#

DAMO-YOLO farklı bir yaklaşım benimser ve omurgasını otomatik olarak tasarlamak için büyük ölçüde Nöral Mimari Arama'ya (NAS) güvenir. Alibaba ekibi, özellikle TensorRT hızlandırması altında optimum gecikme-doğruluk dengesi sunan yapıları bulmak için "MAE-NAS"ı tanıttı.

Model, verimli özellik birleştirme için bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve algılama başlığının hesaplama yükünü en aza indirmek için bir "ZeroHead" tasarımı içerir. Eğitim sırasında, etiket ataması için AlignedOTA'dan yararlanır ve hedef öğrenci modelini denetlemek için daha büyük bir öğretmen modeli gerektiren karmaşık bir bilgi damıtma sürecine büyük ölçüde güvenir.

Performans ve Metrikler#

Bilgisayarlı görü modellerini üretime alırken, doğruluğu (mAP) çıkarım hızıyla dengelemek kritiktir. Aşağıdaki tablo, her iki modelin çeşitli boyutlardaki performansını göstermektedir.

YOLOv8 olağanüstü bir performans dengesi sergiler. YOLOv8n (nano) modeli, DAMO-YOLOt'un 8,5 milyon parametresine kıyasla yalnızca 3,2 milyon parametre gerektirir, bu da onu mobil cihazlar veya katı bellek gereksinimleri olan ortamlar için çok daha üstün kılar. Dahası YOLOv8, bulut tabanlı iş yükleri için yüksek doğruluklu YOLOv8x modeline kadar ölçeklenen daha geniş bir boyut yelpazesi sunar.

Geliştirici Deneyimi ve Ekosistem#

Kullanım Kolaylığı ve Eğitim Verimliliği#

En büyük ayırt edici faktörlerden biri kullanıcı deneyimidir. Ultralytics ekosistemi, geliştirici hızı için tasarlanmıştır. Özel bir YOLOv8 modeli eğitmek çok düşük bellek kullanımı gerektirir ve birleşik bir Python API veya komut satırı arayüzü aracılığıyla yürütülebilir.

Buna karşılık DAMO-YOLO'nun damıtma odaklı eğitimini yeniden üretmek genellikle karmaşık yapılandırma dosyalarında gezinmeyi ve çok aşamalı öğretmen-öğrenci experiment tracking işlemlerini yönetmeyi gerektirir.

İşte Python kullanarak YOLOv8'i eğitmenin, doğrulamanın ve dışa aktarmanın ne kadar kolay olduğuna dair bir örnek:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# Export the trained model to ONNX format
path = model.export(format="onnx")

Görü Görevlerinde Çok Yönlülük#

DAMO-YOLO kesinlikle sınırlayıcı kutu nesne algılama için oluşturulmuştur. Buna karşın YOLOv8 mimarisi yerel olarak birden fazla görevi destekler. Geliştiriciler yalnızca model ağırlıklarını değiştirerek alttaki dağıtım kod tabanını değiştirmeden Instance Segmentation, Image Classification ve Pose Estimation gerçekleştirebilir. Bu çok yönlülük, Ultralytics modellerini karmaşık uygulamalar için çok daha pratik hale getirir.

Gerçek Dünya Kullanım Durumları#

Ne zaman YOLOv8 kullanılır#

YOLOv8'in hız, doğruluk ve dağıtım kolaylığı kombinasyonu onu şunlar için ideal kılar:

• Akıllı Perakende Analitiği: Müşteri davranışını izlemek veya envanter kontrollerini otomatikleştirmek için object tracking gerçekleştirmek.
• Tarımsal Robotik: Ekinleri veya zararlıları gerçek zamanlı olarak tanımlamak için farklı donanımlardaki güçlü performansından yararlanma.
• Sağlık Tanılama: Tıbbi görüntülerdeki anomalileri hızlı ve doğru bir şekilde haritalamak için örnek segmentasyonunu kullanma.
• Kenar Dağıtımları (Edge Deployments): OpenVINO ve CoreML gibi dışa aktarma formatlarıyla sorunsuz entegrasyon, YOLOv8'in kısıtlı cihazlarda parlamasını sağlar.

Ne zaman DAMO-YOLO kullanmalı#

DAMO-YOLO özellikle şu niş senaryolarda faydalı olabilir:

• Akademik NAS Araştırması: Yeniden parametrelendirme veya otomatik mimari tasarım metodolojileri üzerinde çalışan ekipler için.
• Sadece GPU Destekli Hatlar: NAS yapılarının TensorRT yürütme sınırları için yoğun bir şekilde optimize edildiği belirli NVIDIA donanımlarında özel olarak çalışan uygulamalar.

Kullanım Durumları ve Öneriler#

YOLOv8 ve DAMO-YOLO arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv8 Ne Zaman Seçilmeli#

YOLOv8 şunlar için güçlü bir tercihtir:

• Çok Yönlü Çoklu Görev Dağıtımı: Ultralytics ekosistemi içinde detection, segmentation, classification ve pose estimation için kanıtlanmış bir model gerektiren projeler.
• Yerleşik Üretim Sistemleri: Halihazırda YOLOv8 mimarisi üzerine kurulu, istikrarlı ve iyi test edilmiş dağıtım hatlarına sahip mevcut üretim ortamları.
• Geniş Topluluk ve Ekosistem Desteği: YOLOv8'in kapsamlı eğitimlerinden, üçüncü taraf entegrasyonlarından ve aktif topluluk kaynaklarından yararlanan uygulamalar.

Ne Zaman DAMO-YOLO Seçilmeli#

DAMO-YOLO şunlar için önerilir:

• Yüksek Verimli Video Analitiği: Toplu-1 (batch-1) veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite kontrol gibi, özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
• Neural Architecture Search Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametreleştirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: Daha Yeni Ultralytics Modelleri#

YOLOv8 oldukça güvenilir bir iş gücü olmaya devam etse de, bilgisayarlı görü alanı hızla ilerlemektedir. Kullanıcılar daha yeni nesilleri keşfetmeyi de düşünmelidir:

YOLO26: En son nesil olan Ultralytics YOLO26, paradigma değişimini temsil eder. Doğrudan Uçtan Uca NMS-Free Tasarım sunarak Non-Maximum Suppression son işleme ile ilişkili gecikme darboğazlarını tamamen ortadan kaldırır. Yeni MuSGD Optimizer (SGD ve Muon melezi) ve özel ProgLoss + STAL kayıp fonksiyonlarıyla desteklenen YOLO26, son derece kararlı bir eğitim ve büyük ölçüde iyileştirilmiş küçük nesne tanıma elde eder. Basitleştirilmiş dışa aktarma ve daha iyi kenar/düşük güçlü cihaz uyumluluğu için kaldırılan DFL Removal (Distribution Focal Loss kaldırıldı) ile mimari ince ayarlar, önceki nesillere kıyasla %43'e varan Daha Hızlı CPU Çıkarımı sağlayarak modern kenar bilişim için kesin seçim olmasını sağlar.

YOLO11: Bir diğer mükemmel alternatif olan Ultralytics YOLO11, YOLOv8 üzerine kademeli mimari iyileştirmeler sunar ve toplulukta güçlü, yoğun olarak benimsenen bir model olmaya devam eder.

Sonuç olarak, DAMO-YOLO mimari arama konusunda ilginç akademik içgörüler sunsa da, Ultralytics modelleri önemli ölçüde daha olgun, çok yönlü ve geliştirici dostu bir ekosistem sağlar. İster YOLOv8'in kanıtlanmış kararlılığıyla devam et, ister YOLO26'nın ışık hızındaki, NMS'siz mimarisine yükselt; Ultralytics paketi gerçek zamanlı görü yapay zekası için bir numaralı tercih olmaya devam ediyor.