YOLOv9 ve DAMO-YOLO Karşılaştırması
Bilgisayarlı görü alanındaki hızlı gelişim, farklı dağıtım kısıtlarına ve doğruluk gereksinimlerine göre uyarlanmış çok sayıda mimari ortaya çıkardı. Öne çıkan iki model, derin ağlardaki bilgi darboğazlarını ele almasıyla bilinen YOLOv9 ve Sinir Ağı Mimarisi Araması (NAS) ile verimli özellik piramitlerinden yararlanan DAMO-YOLO.
Bu kılavuz, YOLOv9 ile DAMO-YOLO'nun teknik karşılaştırmasını sunarak mimari farklılıklarını, eğitim yöntemlerini ve ideal dağıtım senaryolarını vurgular. Ayrıca Ultralytics ekosisteminin geliştirmeden üretime geçişi nasıl kolaylaştırdığını ve YOLO26 gibi daha yeni modellerin artık yeni projeler için neden önerildiğini ele alır.
Mimarinin Derinlemesine İncelenmesi#
Her modelin temel mekanizmalarını anlamak, çeşitli ölçütlerde neden farklı performans gösterdiklerini ortaya koyar.
YOLOv9: Programlanabilir Gradyan Bilgisi#
YOLOv9, veriler derin sinir ağlarından geçerken ortaya çıkan bilgi kaybını doğrudan ele almak için tasarlandı.
- Yazarlar: Chien-Yao Wang, Hong-Yuan Mark Liao
- Kuruluş: Academia Sinica, Tayvan, Bilgi Bilimleri Enstitüsü
- 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) özelliklerini sunar. PGI, ileri beslemeli işlem 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 FLOPs ile son teknoloji ortalama Ortalama Hassasiyet (mAP) elde etmesini sağlar.
DAMO-YOLO: NAS Odaklı Verimlilik#
Alibaba Group tarafından geliştirilen DAMO-YOLO, hız ve doğruluk arasında verimli bir denge bulmak için otomatik mimari araması kullanan 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 yapıları oluşturmak için MAE-NAS (Maksimum Entropili Sinir Ağı Mimarisi Araması) omurgasını kullanır. Sağlam özellik birleştirme için RepGFPN'den (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) ve algılama başlığının hesaplama yükünü en aza indirmek için “ZeroHead” tasarımından yararlanır. Ayrıca küçük sürümlerinin performansını artırmak için etiket atamada AlignedOTA'yı ve bilgi damıtmayı kullanır.
Sinir Ağı Mimarisi Araması (NAS), yapay sinir ağlarının tasarımını otomatikleştirir. DAMO-YOLO gibi son derece verimli modeller üretebilse de model tasarımına bir arama aşaması ekler (DAMO-YOLO, eğitim gerektirmeyen MAE-NAS aramasını kullanır); bu, YOLOv9'un elle tasarlanan mimarisinden farklıdır.
Performans ve Metrik Karşılaştırması#
Bir nesne algılama modeli seçerken doğruluk, hız ve hesaplama kaynakları arasındaki denge kritik önem taşır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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 |
Analiz#
- Doğruluk ve Parametreler: YOLOv9 genel olarak parametre-doğruluk oranı bakımından daha iyi sonuç verir. Örneğin YOLOv9c, 25.5M parametreyle %53.0 mAP elde ederken DAMO-YOLOl, %50.8 mAP elde etmek için önemli ölçüde daha fazla parametreye (42.1M) ihtiyaç duyar.
- Çıkarım Hızı: DAMO-YOLO'nun mimarisi, T4 GPU'larda TensorRT ile rekabetçi çıkarım hızları sunarak orta boyutlarda YOLOv9'u az farkla geride bırakır. Ancak YOLOv9'un çoğu boyutta daha düşük parametre sayısına sahip olması GPU bellek kullanımını azaltmaya yardımcı olur.
- Bellek Gereksinimleri: YOLOv9 dahil Ultralytics YOLO modelleri, eğitim ve çıkarım sırasında genellikle karmaşık NAS tarafından üretilen modellere veya ağır Transformer mimarilerine göre daha az bellek kullanır. Bu özellik, modelleri kısıtlı uç donanımlara dağıtım için pratik hâle getirir.
Ultralytics Ekosisteminin Avantajı#
Teorik ölçütler önemli olsa da bir projenin başarısını çoğu zaman pratik uygulama belirler. Ultralytics Platform ve daha geniş Ultralytics yazılım ekosistemi, DAMO-YOLO gibi bağımsız depolara kıyasla belirgin avantajlar sunar.
Kullanım Kolaylığı ve Eğitim Verimliliği#
Özel bir YOLOv9 modelini eğitmek için çok az yinelenen kod gerekir. Ultralytics Python API, veri artırma, dağıtık eğitim ve donanım optimizasyonu gibi karmaşık süreçleri yönetir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLOv9 modeli yükle
model = YOLO("yolov9c.pt")
# Modeli özel veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Model performansını doğrula
metrics = model.val()
# Üretim ortamında dağıtım için dışa aktar
model.export(format="onnx")Buna karşılık DAMO-YOLO'yu kullanmak çoğu zaman kendine özgü eğitim işlem hattına ait katı yapılandırma dosyaları ve karmaşık bağımlılık zincirleriyle uğraşmayı gerektirir; bu da öğrenme sürecini zorlaştırır.
Görevler Arasında Çok Yönlülük#
Ultralytics modellerinin ayırt edici özelliklerinden biri çok yönlülükleridir. Standart sınırlayıcı kutu algılamanın yanı sıra Ultralytics çerçevesi Örnek Segmentasyonu, Görüntü Sınıflandırmasını, Poz Tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı destekler. DAMO-YOLO yalnızca 2B nesne algılama için optimize edilmiştir ve diğer görsel görev türlerine uyarlanması önemli ölçüde yeniden mühendislik gerektirir.
Ultralytics, TensorRT, OpenVINO ve CoreML gibi biçimlere tek komutla model dışa aktarma olanağı sunarak dağıtım işlem hattını basitleştirir ve hedef donanımındaki performansı optimize etmene yardımcı olur.
Kullanım Alanları ve Öneriler#
YOLOv9 ile DAMO-YOLO arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
YOLOv9'u Ne Zaman Seçmeli?#
YOLOv9 şu durumlarda güçlü bir seçenektir:
- Bilgi Darboğazı Araştırmaları: Programlanabilir Gradyan Bilgisi (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağı (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 karşılaştırma testi performansının mimari karşılaştırmalarda referans noktası olarak gerektiği senaryolar.
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 çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini 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 YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı 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.
Gelecek: YOLO26'ya Geçiş#
YOLOv9 ve DAMO-YOLO önemli kilometre taşları olsa da modern bilgisayarlı görü, yerel uçtan uca mimarilere yöneldi. Yeni geliştirme çalışmaları için önerilen model YOLO26.
Ocak 2026'da yayımlanan YOLO26, önceki modellerinin temelini geliştirerek hem doğruluğu hem de dağıtım kolaylığını artırır.
YOLO26'nın Temel Yenilikleri#
- Uçtan Uca NMS Gerektirmeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (
nms=False), maksimum olmayanların bastırılması (NMS) son işlemesini ortadan kaldırır tamamen. Bu, yalın ve doğası gereği uçtan uca bir dağıtım işlem hattı oluşturur; bu yaklaşımı YOLO modellerine YOLOv10 kazandırmıştır. - DFL'nin Kaldırılması: Dağılım Odaklı Kayıp (DFL), dışa aktarma işlemini basitleştirmek ve uç cihazlarla düşük güç tüketimli cihazlardaki uyumluluğu artırmak için kaldırılmıştır.
- CPU'da %43'e Kadar Daha Hızlı Çıkarım: DFL ve NMS kaldırıldığında YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da özel GPU bulunmayan uç bilişim senaryolarına uygundur.
- MuSGD Optimize Edici: Büyük dil modeli eğitimindeki yeniliklerden esinlenen YOLO26, daha kararlı eğitim ve daha hızlı yakınsama için SGD ile Muon'un bir birleşimini (MuSGD) kullanır.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), küçük nesnelerin algılanmasını iyileştirerek YOLO26'yı yüksek irtifadaki hava görüntüleri ve IoT cihazları için uygun hâle getirir.
Sonraki projen için YOLO11 veya YOLOv8 araştırıyorsan bunun yerine şu anda önerilen Ultralytics modeli YOLO26'yı değerlendirebilirsin.
Özet#
Doğru modeli seçmek, özel operasyonel kısıtlamalarına bağlıdır:
- DAMO-YOLO, NAS odaklı optimizasyon konusunda yararlı bilgiler sunar ve RepGFPN mimarisinin öne çıktığı çok özel donanım profillerinde rekabetçi hızlar sağlar.
- YOLOv9, ince ayrıntıları korumaya odaklanan araştırmacılar için mükemmel bir seçenektir; PGI mimarisiyle derin ağlardaki bilgi kaybını önler.
- Yeni kurumsal ve araştırma uygulamaları için önerilen seçenek Ultralytics YOLO26'dır. Kullanım kolaylığı, NMS'siz mimarisi ve MuSGD eğitim optimizasyonları, modeli güvenilir, doğru ve dağıtımı kolay hâle getirir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.