YOLOv9 ile DAMO-YOLO karşılaştırması#

Bilgisayarlı görüdeki hızlı gelişim, farklı dağıtım kısıtlamalarına ve doğruluk gereksinimlerine göre uyarlanmış bir dizi güçlü mimariyi ortaya çıkardı. Bu alandaki iki önemli giriş, bilgi darboğazlarını sağlam bir şekilde ele almasıyla övülen YOLOv9 ve yoğun bir şekilde Sinirsel Mimari Arama (NAS) ile verimli özellik piramitlerine odaklanan DAMO-YOLO'dur.

Bu kılavuz, YOLOv9 ve DAMO-YOLO'nun mimari farklılıklarını, eğitim metodolojilerini ve ideal dağıtım senaryolarını vurgulayan derinlemesine ve teknik bir karşılaştırmasını sunar. Ayrıca Ultralytics ecosystem özelliğinin geliştirmeden üretime kusursuz bir yol sunduğunu ve YOLO26 gibi modern modellerin neden yeni projeler için önerilen standart haline geldiğini inceleyeceğiz.

Mimari Derinlemesine İnceleme#

Her bir modele güç veren temel mekanizmaları anlamak, bunların çeşitli metrikler genelinde neden farklı performans gösterdiklerini ortaya koyar.

YOLOv9: Programlanabilir Gradyan Bilgisi#

YOLOv9, derin sinir ağlarında veriler ilerledikçe oluşan bilgi kaybını doğrudan ele almak için tasarlandı.

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

YOLOv9 hakkında daha fazla bilgi edin

YOLOv9, Programmable Gradient Information (PGI) ve Generalized Efficient Layer Aggregation Network (GELAN) özelliklerini tanıtır. PGI, ileri besleme sürecinde kritik mekansal ve anlamsal bilgilerin korunmasını sağlayarak ağırlık güncellemeleri için kullanılan gradyanların bozulmasını önler. GELAN, parametre verimliliğini en üst düzeye çıkararak modeli tamamlar ve modelin birçok geleneksel CNN'e kıyasla daha az FLOP ile en son teknoloji ürünü mean Average Precision (mAP) elde etmesini sağlar.

DAMO-YOLO: NAS Destekli Verimlilik#

Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk arasındaki optimum dengeyi bulmak için otomatik mimari aramasından 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 edinin

DAMO-YOLO, verimli ağ yapılarını otomatik olarak oluşturmak için bir MAE-NAS (Sinirsel Mimari Arama için Maskelenmiş Otomatik Kodlayıcılar) omurgasına dayanır. Sağlam özellik füzyonu için bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) ve algılama başlığının hesaplama yükünü en aza indirmek için "ZeroHead" tasarımı kullanır. Ayrıca, etiket ataması için AlignedOTA'yı ve daha küçük varyantlarının performansını artırmak için bilgi damıtmayı bünyesinde barındırır.

Performans ve Metrik Karşılaştırması#

Bir object detection modeli seçerken doğruluk, hız ve hesaplama ayak izini dengelemek çok önemlidir.

Analiz#

• Doğruluk ve Parametreler: YOLOv9 genel olarak üstün bir parametre-doğruluk oranı sergiler. Örneğin, YOLOv9c 25.3M parametre ile %53.0 mAP elde ederken, DAMO-YOLOl %50.8 mAP elde eder ancak önemli ölçüde daha fazla parametre (42.1M) gerektirir.
• Çıkarım Hızı: DAMO-YOLO'nun mimarisi, T4 GPU'larda rekabetçi TensorRT çıkarım hızları sunarak orta kademelerde YOLOv9'u biraz geride bırakır. Bununla birlikte, YOLOv9'un FLOP'lardaki ve parametre sayısındaki verimliliği, olağanüstü bir GPU memory efficiency anlamına gelir.
• Bellek Gereksinimleri: YOLOv9 dahil Ultralytics YOLO modelleri, karmaşık NAS üretimi modellere veya ağır Transformer mimarilerine kıyasla eğitim ve çıkarım sırasında genellikle daha düşük bellek kullanımı sergiler, bu da onları kısıtlı uç donanımlarda dağıtım için oldukça erişilebilir kılar.

Ultralytics Ekosistemi Avantajı#

Teorik metrikler önemli olsa da, pratik uygulama bir projenin başarısını büyük ölçüde belirler. Ultralytics Platform ve kapsamlı yazılım ekosisteminin DAMO-YOLO gibi bağımsız depoları geride bıraktığı nokta tam olarak burasıdır.

Kullanım Kolaylığı ve Eğitim Verimliliği#

Özel bir YOLOv9 modeli eğitmek minimum düzeyde ortak kod (boilerplate) gerektirir. Ultralytics Python API, data augmentation, 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 kullanmak genellikle kendi benzersiz eğitim hattına özgü katı yapılandırma dosyaları ve karmaşık bağımlılık zincirleri arasında gezinmeyi gerektirir, bu da daha dik bir öğrenme eğrisiyle sonuçlanır.

Görevler Arasında Çok Yönlülük#

Ultralytics modellerinin ayırt edici özellikleri, doğuştan gelen çok yönlülükleridir. Standart sınırlayıcı kutu tespitinin ötesinde, Ultralytics çerçevesi Instance Segmentation, Pose Estimation, Image Classification ve Oriented Bounding Box (OBB) tespiti gibi görevleri sorunsuz bir şekilde destekler. DAMO-YOLO kesinlikle 2D nesne tespiti için optimize edilmiştir ve diğer görsel paradigmalarına uyum sağlamak için önemli ölçüde yeniden mühendislik gerektirir.

Kullanım Durumları ve Öneriler#

YOLOv9 ile DAMO-YOLO arasında seçim yapmak; projenin özel gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne Zaman YOLOv9 Seçilmeli#

YOLOv9 şunlar için güçlü bir seçimdir:

• Bilgi Darboğazı Araştırması: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Birleştirme Ağı (GELAN) mimarilerini inceleyen akademik projeler.
• Gradyan Akışı Optimizasyonu Çalışmaları: Eğitim sırasında derin ağ katmanlarındaki bilgi kaybını anlamaya ve azaltmaya odaklanan araştırmalar.
• Yüksek Doğrulukta Algılama Kıyaslaması: YOLOv9'un güçlü COCO karşılaştırma performansının mimari karşılaştırmalar için referans noktası olarak gerektiği senaryolar.

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.

Gelecek: YOLO26'ya Geçiş#

YOLOv9 ve DAMO-YOLO güçlü tarihi kilometre taşlarını temsil etse de, modern bilgisayarla görü doğal olarak uçtan uca mimarilere yönelmiştir. Herhangi bir yeni geliştirme için önerilen standart YOLO26'dır.

2026'da piyasaya sürülen YOLO26, seleflerinin başarılarının üzerine inşa edilerek hem doğruluk hem de dağıtım basitliğinde bir sıçrama sunuyor.

Temel YOLO26 Yenilikleri#

• Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Non-Maximum Suppression (NMS) son işlemini tamamen ortadan kaldırır. Bu, ilk olarak YOLOv10 ile öncülük edilen bir çığır açıcı olan, doğal olarak uçtan uca akıcı bir dağıtım boru hattı oluşturur.
• DFL Kaldırma: Basitleştirilmiş dışa aktarma ve daha iyi uç/düşük güçlü cihaz uyumluluğu için Dağılım Odaklı Kayıp (Distribution Focal Loss) kaldırıldı.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Karmaşık son işlemlerin kaldırılarak temel evrişimlerin optimize edilmesiyle, YOLO26 özel GPU'lardan yoksun uç bilişim senaryoları için benzersiz bir şekilde uygundur.
• MuSGD Optimize Edici: LLM eğitim yeniliklerinden ilham alan YOLO26, daha istikrarlı eğitim süreçleri ve belirgin şekilde daha hızlı yakınsama süreleri garanti etmek için SGD ve Muon'un (MuSGD) bir hibritini kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlayarak YOLO26'yı yüksek irtifa hava görüntüleri ve IoT cihazları için ideal kılar.

Bir sonraki projeniz için şu anda YOLO11 veya YOLOv8 araştırması yapıyorsanız, YOLO26'ya yükseltme yapmak bugün mevcut olan en optimize edilmiş, son teknoloji ürünü görü AI çerçevesini kullandığınızdan emin olmanızı sağlar.

Özet#

Doğru modeli seçmek, özel operasyonel kısıtlamalarına bağlıdır:

• DAMO-YOLO, RepGFPN mimarisinin parladığı çok özel donanım profilleri için rekabetçi hızlar sağlayarak, NAS destekli optimizasyona büyüleyici bir bakış sunar.
• YOLOv9, derin ağlardaki bilgi kaybını önlemek için PGI mimarisinden yararlanarak ince taneli görsel detayları korumaya odaklanan araştırmacılar için mükemmel bir seçimdir.
• Ultralytics YOLO26, modern kurumsal ve araştırma uygulamaları için kesin seçim olarak duruyor. Benzersiz kullanım kolaylığı, NMS'siz mimarisi ve en ileri MuSGD eğitim optimizasyonları, onu bilgisayarlı görü ortamındaki en güvenilir, doğru ve kolayca dağıtılabilir model haline getiriyor.