YOLOv9 ve DAMO-YOLO#

Bilgisayarlı görü alanındaki hızlı gelişim, farklı dağıtım kısıtlarına ve doğruluk gereksinimlerine göre uyarlanmış çok sayıda güçlü mimarinin ortaya çıkmasını sağladı. Bu alandaki iki dikkat çekici model, bilgi darboğazlarını sağlam biçimde ele almasıyla öne çıkan YOLOv9 ve Neural Architecture Search (NAS) ile verimli özellik piramitlerine büyük ölçüde odaklanan DAMO-YOLO'dur.

Bu kılavuzda YOLOv9 ve DAMO-YOLO'nun mimari farklılıklarını, eğitim yöntemlerini ve ideal dağıtım senaryolarını vurgulayarak ayrıntılı ve teknik bir karşılaştırmasını sunuyoruz. Ayrıca Ultralytics ekosisteminin geliştirmeden üretime kesintisiz bir geçiş nasıl sağladığını ve YOLO26 gibi modern modellerin yeni projeler için neden önerilen standart hâline geldiğini inceleyeceğiz.

Mimariye Derinlemesine Bakış#

Her modelin performansını farklı metriklerde neden farklı gösterdiğini anlamak için modelleri yönlendiren temel mekanizmaları incelemek gerekir.

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9, veriler derin sinir ağlarından geçerken oluşan bilgi kaybını doğrudan ele almak üzere tasarlandı.

• Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
• Kuruluş: Institute of Information Science, Academia Sinica, Taiwan
• Tarih: 21 Şubat 2024
• Bağlantılar: Arxiv, GitHub, Belgeler

YOLOv9 hakkında daha fazla bilgi edin

YOLOv9, Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) yapılarını sunar. PGI, ileri besleme süreci sırasında hayati uzamsal ve anlamsal bilgilerin korunmasını sağlayarak ağırlık güncellemelerinde kullanılan gradyanların bozulmasını önler. GELAN ise parametre verimliliğini en üst düzeye çıkararak modelin, birçok geleneksel CNN'den daha az FLOP ile en gelişmiş ortalama Kesinlik (mAP) değerine ulaşmasını sağlar.

DAMO-YOLO: NAS Odaklı Verimlilik#

Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk arasındaki en uygun dengeyi bulmak için otomatik mimari aramadan yararlanarak farklı bir yaklaşım benimser.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 23 Kasım 2022
• Bağlantılar: Arxiv, GitHub

DAMO-YOLO hakkında daha fazla bilgi edin

DAMO-YOLO, verimli ağ yapılarını otomatik olarak oluşturmak için MAE-NAS (Maksimum Entropi Nöral Mimari Arama) omurgasına güvenir. Sağlam özellik birleşimi için bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) ve algılama başlığının hesaplama yükünü en aza indirmek için bir "ZeroHead" tasarımı kullanır. Ayrıca, etiket ataması için AlignedOTA ve daha küçük varyantlarının performansını artırmak için bilgi damıtma özelliklerini içerir.

Performans ve Metrik Karşılaştırması#

Bir nesne algılama modeli seçerken doğruluk, hız ve hesaplama ayak izini dengelemek kritik önem taşır.

Analiz#

• Doğruluk ve Parametreler: YOLOv9 genel olarak parametre-doğruluk oranında daha üstün bir performans gösterir. Örneğin YOLOv9c, 25,3 milyon parametreyle %53,0 mAP elde ederken DAMO-YOLOl, %50,8 mAP elde eder ancak önemli ölçüde daha fazla parametre (42,1 milyon) gerektirir.
• Çıkarım Hızı: DAMO-YOLO'nun mimarisi, T4 GPU'larda rekabetçi TensorRT çıkarım hızları sunarak orta ölçeklerde YOLOv9'u az farkla geride bırakır. Bununla birlikte YOLOv9'un FLOP ve parametre sayısındaki verimliliği, olağanüstü GPU bellek verimliliği sağlar.
• Bellek Gereksinimleri: YOLOv9 da dâhil olmak üzere Ultralytics YOLO modelleri, karmaşık NAS ile oluşturulmuş modellere veya ağır Transformer mimarilerine kıyasla hem eğitim hem de çıkarım sırasında genellikle daha az bellek kullanır; bu da onları kısıtlı uç donanımlarda dağıtım için son derece erişilebilir hâle getirir.

Ultralytics Ekosisteminin Avantajı#

Teorik metrikler önemli olsa da pratik uygulama bir projenin başarısını büyük ölçüde belirler. Ultralytics Platformu ve kapsamlı yazılım ekosistemi, DAMO-YOLO gibi bağımsız depolara kıyasla bu noktada öne çıkar.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Özel bir YOLOv9 modeli eğitmek için gereken başlangıç kodu oldukça azdır. Ultralytics Python API, veri artırma, dağıtık eğitim ve donanım optimizasyonu gibi karmaşık süreçleri soyutlar.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

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

# Validate model performance
metrics = model.val()

# Export for production deployment
model.export(format="onnx")

Buna karşılık DAMO-YOLO'yu kullanmak, çoğu zaman kendi benzersiz eğitim işlem hattına özgü katı yapılandırma dosyalarında ve karmaşık bağımlılık zincirlerinde gezinmeyi gerektirir; bu da daha dik bir öğrenme eğrisiyle sonuçlanır.

Görevler Arasında Çok Yönlülük#

Ultralytics modellerinin ayırt edici özelliklerinden biri, doğuştan gelen çok yönlülüğüdür. Ultralytics çatısı, standart sınırlayıcı kutu algılamanın yanı sıra Örnek Bölütleme, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama gibi görevleri de sorunsuz biçimde destekler. DAMO-YOLO yalnızca 2B nesne algılama için optimize edilmiştir ve diğer görsel paradigmalara uyarlanması için önemli ölçüde yeniden mühendislik gerektirir.

Kullanım Alanları ve Öneriler#

YOLOv9 ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOv9 Ne Zaman Seçilmeli?#

YOLOv9 şu durumlar için güçlü bir seçenektir:

• Bilgi Darboğazı Araştırması: Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğruluklu Algılama Karşılaştırmaları: YOLOv9'un güçlü COCO benchmark performansının mimari karşılaştırmalar için referans noktası olarak gerekli olduğu senaryolar.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için önerilir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek: YOLO26'ya Geçiş#

YOLOv9 ve DAMO-YOLO önemli tarihsel dönüm noktalarını temsil etse de modern bilgisayarlı görü, yerel uçtan uca mimarilere yöneldi. Yeni geliştirmeler için YOLO26 önerilen standarttır.

2026'da yayımlanan YOLO26, kendinden önceki modellerin başarılarını temel alarak hem doğrulukta hem de dağıtım kolaylığında büyük bir sıçrama sunar.

YOLO26'nın Temel Yenilikleri#

• Uçtan Uca NMS'siz Tasarım: YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını tamamen ortadan kaldırır. Bu, yerel olarak uçtan uca çalışan, sadeleştirilmiş bir dağıtım işlem hattı oluşturur; bu yaklaşım ilk olarak YOLOv10 ile öncülük edilen bir atılımdır.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp, daha basit aktarım ve uç/düşük güç tüketimli cihazlarla daha iyi uyumluluk için kaldırıldı.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Karmaşık son işleme adımlarını kaldırıp temel evrişimleri optimize eden YOLO26, özel GPU'lara sahip olmayan uç bilişim senaryoları için benzersiz biçimde uygundur.
• MuSGD Optimizasyon Algoritması: LLM eğitimindeki yeniliklerden ilham alan YOLO26, daha kararlı eğitim çalışmaları ve fark edilir ölçüde daha hızlı yakınsama süreleri sağlamak için SGD ile Muon'un hibritini (MuSGD) kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkat çekici iyileştirmeler sunarak YOLO26'yı yüksek irtifa hava görüntüleri ve IoT cihazları için ideal hâle getirir.

Bir sonraki projen için şu anda YOLO11 veya YOLOv8 üzerinde araştırma yapıyorsan, YOLO26'ya geçmek günümüzde mevcut olan en optimize ve son teknoloji görüntü yapay zekâ çerçevesini kullandığından emin olmanı sağlar.

Özet#

Doğru modeli seçmek, özel operasyonel kısıtlarına bağlıdır:

• DAMO-YOLO, NAS odaklı optimizasyona dair ilgi çekici bir bakış sunar ve RepGFPN mimarisinin öne çıktığı çok özel donanım profilleri için rekabetçi hızlar sağlar.
• YOLOv9, derin ağlarda bilgi kaybını önlemek için PGI mimarisinden yararlanarak ince ayrıntıların korunmasına odaklanan araştırmacılar için mükemmel bir seçenektir.
• Ultralytics YOLO26, modern kurumsal ve araştırma uygulamaları için kesin tercihtir. Benzersiz kullanım kolaylığı, NMS'siz mimarisi ve son teknoloji MuSGD eğitim optimizasyonları, onu bilgisayarlı görü dünyasındaki en güvenilir, doğru ve kolay dağıtılabilir model hâline getirir.