YOLOv8 - DAMO-YOLO Karşılaştırması: Kapsamlı Bir Teknik Karşılaştırma
Hızla gelişen bilgisayar görme alanında, doğru nesne algılama mimarisini seçmek, doğruluk, hız ve dağıtım verimliliği arasında denge sağlamak için çok önemlidir. Bu kılavuz, iki önemli modelin derinlemesine teknik analizini sunar: Ultralytics YOLOv8, sağlam ekosistemi ve kullanım kolaylığıyla tanınan YOLO ve Neural Architecture Search (NAS) teknolojisini kullanan araştırma odaklı bir mimari.
Yönetici Özeti
YOLO , 2022 yılında NAS omurgaları ve yeniden parametreleştirme gibi yenilikçi kavramlarıYOLO olsa da, YOLOv8 (2023'te piyasaya sürüldü) ve daha yeni olan YOLO26 (2026'da piyasaya sürüldü) daha olgun, üretime hazır bir ekosistem sunuyor. Ultralytics , çeşitli donanımlarda eğitim, doğrulama ve dağıtım için entegre destek ile sorunsuz bir "sıfırdan kahramana" deneyimi sunarken,YOLO daha karmaşık bir eğitim süreciyleYOLO akademik araştırmaları hedefliyor.
Performans Metrikleri
Aşağıdaki tablo, COCO veriYOLO YOLOv8 YOLO performansını karşılaştırmaktadır. YOLOv8 , özellikle gerçek dünya çıkarım senaryolarında üstün çok yönlülük ve hız YOLOv8 .
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Ultralytics YOLOv8'e Genel Bakış
YOLOv8 , Ultralytics tarafından çok çeşitli görevler için en kullanışlı ve en doğru son teknoloji model Ultralytics tasarlanan YOLO önemli bir ilerlemeyi temsil ediyor.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 10 Ocak 2023
- Belgeler:YOLOv8 Belgeleri
- GitHub:ultralytics/ultralytics
YOLOv8'in Temel Özellikleri
YOLOv8 , nesne algılama, örnek segmentasyonu, poz tahmini, sınıflandırma ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekleyen birleşik bir çerçeve ile önceki başarıların üzerine YOLOv8 . Ankrajsız algılama başlığı ve yeni kayıp fonksiyonları, öğrenme sürecini kolaylaştırarak daha yüksek doğruluk ve daha hızlı yakınsama sağlar.
Entegre Ekosistem
Yalnızca araştırma amaçlı depolardan farklı olarak, YOLOv8 kapsamlı Ultralytics tarafından YOLOv8 . Bu Ultralytics , kod gerektirmeyen eğitim ve veri kümesi yönetimi için Ultralytics yanı sıra aşağıdaki araçlarla sorunsuz entegrasyonları da içermektedir Weights & Biases ve Ultralytics gibi araçlarla sorunsuz entegrasyonlar içerir.
YOLOv8 hakkında daha fazla bilgi edinin.
DAMO-YOLO'ya Genel Bakış
YOLO, Alibaba DAMO Academy tarafından geliştirilen bir nesne algılama çerçevesidir. Nöral Mimari Arama (NAS) ve diğer gelişmiş tekniklerden yararlanarak düşük gecikme süresi ve yüksek doğruluğu ön plana çıkarır.
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 23 Kasım 2022
- Arxiv:DAMO-YOLO: Gerçek Zamanlı Nesne Algılama Tasarımı Üzerine Bir Rapor
- GitHub:tinyvision/DAMO-YOLO
Mimari ve Metodoloji
YOLO , farklı gecikme kısıtlamaları için en uygun omurgaları bulmak üzere Çok Ölçekli Mimari Arama (MAE-NAS) teknolojisiniYOLO . Verimli özellik birleştirme için RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) teknolojisini kullanır ve öğrenme modeli performansını artırmak için eğitim sırasında yoğun bir damıtma süreci uygular.
Ayrıntılı Mimari Karşılaştırma
Bu iki modelin mimari felsefeleri önemli ölçüde farklılık gösterir ve bu da kullanılabilirlik ve esnekliklerini etkiler.
Backbone ve Özellik Birleşimi
YOLOv8 , zengin gradyan akışı ve donanım verimliliği için optimize edilmiş C2f modülleri backbone değiştirilmiş bir CSPDarknet backbone kullanır. Bu "bag-of-freebies" yaklaşımı, karmaşık arama aşamalarına gerek kalmadan yüksek performans sağlar.
Buna karşılık, YOLO, MobileOne veya belirli donanımlara özel CSP tabanlı varyantlar gibi omurgaları keşfetmek için NAS'a dayanır. Bu, teorik olarak verimlilik artışı sağlayabilir, ancak genellikle eğitim sürecini karmaşıklaştırır ve ortalama bir geliştirici için yeni görevler için mimariyi özelleştirmeyi zorlaştırır.
Eğitim Metodolojisi
YOLO eğitimi karmaşık, çok aşamalı birYOLO . Bu süreç, "ZeroHead" stratejisi ve büyük bir öğretmen modelinin öğrenciyi yönlendirdiği yoğun bir damıtma boru hattını içerir. Bu, önemli miktarda hesaplama kaynağı ve karmaşık yapılandırma gerektirir.
Ultralytics Eğitim Verimliliğine öncelik verir. YOLOv8 ve daha yeni olan YOLO26) sıfırdan eğitilebilir veya tek bir komutla özel veriler üzerinde ince ayar yapılabilir. Önceden eğitilmiş ağırlıkların kullanılması, yakınsama için gereken zamanı ve CUDA önemli ölçüde azaltır.
# Simplicity of Ultralytics Training
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640
Çok Yönlülük ve Görev Desteği
Ultralytics önemli bir avantajı, doğasında bulunan çok yönlülüğüdür.YOLO öncelikle bir nesneYOLO , YOLOv8 çok sayıda bilgisayar görme görevini YOLOv8 . Geliştiriciler, yazılım yığınlarını değiştirmeden araç algılamadan tümör segmentasyonuna veya insan pozlarının tahminine geçebilirler.
Ultralytics : Neden YOLOv8 YOLO26'yı Seçmelisiniz?
Geliştiriciler ve işletmeler için model seçimi genellikle ham mAP ötesine geçerek AI ürününün tüm yaşam döngüsünü mAP
1. Kullanım ve Belgeleme Kolaylığı
Ultralytics sektör lideri dokümantasyonu ve basit Python ile Ultralytics . YOLOv8 bir YOLOv8 entegre etmek sadece birkaç satır kod gerektirirken,YOLO sınırlı dış destekle karmaşık araştırma kod tabanlarında gezinmeyi gerektirir.
2. Dağıtım ve İhracat
Gerçek dünya uygulamaları esneklik gerektirir. Ultralytics , tek tıklamayla aşağıdaki formatlara aktarım desteği sunar ONNX, TensorRT, CoreMLve TFLite. Bu, modelinizin bulut sunucularından Raspberry Pi veya NVIDIA gibi uç cihazlara kadar her şeyde çalışabilmesini sağlar.
3. Performans Dengesi
YOLOv8 , hız ve doğruluk arasında olağanüstü bir denge YOLOv8 . Daha da yüksek verimlilik isteyen kullanıcılar için, yeni piyasaya sürülen YOLO26, uçtan uca NMS tasarım ile bu mirası daha da geliştirmiştir. Bu, Non-Maximum Suppression (NMS) son işlemlerini ortadan kaldırarak daha hızlı çıkarım ve daha basit dağıtım mantığı sağlar.
Gelecek NMS'siz
YOLO26, yerel uçtan uca mimarinin öncüsüdür. NMS ihtiyacını ortadan kaldırarak NMS yeni MuSGD Optimizer'ı (LLM eğitiminden esinlenerek) kullanarak, YOLO26 önceki nesillere kıyasla %43'e kadar daha hızlı CPU sunar ve bu da onu uç bilgi işlem için üstün bir seçim haline getirir.
YOLO26 hakkında daha fazla bilgi edinin
İdeal Kullanım Senaryoları
- YOLO seçin,YOLO : Sinir Mimarisi Arama (NAS) tekniklerini özel olarak araştıran bir araştırmacıysanız veya genel bir backbone yetersiz backbone için son derece özel bir donanım kısıtlamanız varsa ve karmaşık damıtma boru hatlarını yönetmek için gerekli kaynaklara sahipseniz.
- Aşağıdaki durumlarda Ultralytics YOLOv8 tercih edin: Perakende analitiği, otonom araçlar, tıbbi görüntüleme veya akıllı şehir uygulamaları için üretime hazır bir çözüme ihtiyacınız varsa. Güçlü dışa aktarma seçenekleri, daha düşük bellek gereksinimleri ve aktif topluluk desteği, onu güvenilir ticari dağıtım için standart haline getirir.
Sonuç
YOLO , mimari araştırmada ilginç akademik yeniliklerYOLO , Ultralytics YOLOv8 ve son teknoloji ürünü YOLO26 pratik uygulamalar için tercih edilen seçenekler olmaya devam ediyor. Kullanım kolaylığı, iyi bakımlı ekosistem ve dengeli performansın birleşimi, geliştiricilerin model uygulama ayrıntılarıyla uğraşmak yerine gerçek dünyadaki sorunları çözmeye odaklanabilmelerini sağlıyor.
Bilgisayar görme yolculuğuna başlamaya hazır olanlar için, Hızlı Başlangıç Kılavuzu 'nu inceleyin veya Ultralytics 'nun yeteneklerini bugün keşfedin.
Daha Fazla Okuma
- YOLOv8 EfficientDet'i karşılaştırın
- YOLO26 ile RT-DETR karşılaştırın
- Öğrenin YOLO11