YOLOv9 ve DAMO-YOLO Karşılaştırması#

Bilgisayarlı görü alanındaki hızlı gelişim, farklı dağıtım kısıtlamalarına ve doğruluk gereksinimlerine göre uyarlanmış güçlü mimariler ortaya çıkardı. Bu alandaki dikkat çekici modellerden ikisi, bilgi darboğazlarını sağlam biçimde ele almasıyla öne çıkan YOLOv9 ve Sinir Ağı Mimarisi Araması (NAS) ile verimli özellik piramitlerine yoğunlaşan DAMO-YOLO'dur.

Bu kılavuzda YOLOv9 ve DAMO-YOLO'nun mimari farklılıkları, eğitim yöntemleri ve ideal dağıtım senaryoları öne çıkarılarak ayrıntılı ve teknik bir karşılaştırma sunuluyor. Ayrıca Ultralytics ekosisteminin geliştirmeden üretime sorunsuz geçişi nasıl sağladığını ve YOLO26 gibi modern modellerin yeni projeler için neden önerilen standart hâline geldiğini de ele alacağız.

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 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 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.

Performans ve Metrik Karşılaştırması#

Bir nesne algılama modeli seçerken doğruluk, hız ve hesaplama kaynakları arasındaki denge kritik önem taşır.

Analiz#

• Doğruluk ve Parametreler: YOLOv9 genellikle parametre-doğruluk oranı açısından daha iyi performans gösterir. Örneğin YOLOv9c, 25.5M parametreyle %53.0 mAP elde ederken DAMO-YOLOl, %50.8 mAP değerine ulaşmak için çok daha fazla parametre (42.1M) gerektirir.
• Çıkarım Hızı: DAMO-YOLO'nun mimarisi T4 GPU'larda rekabetçi TensorRT çıkarım hızları sunarak orta ölçeklerde YOLOv9'u az farkla geride bırakır. Ancak YOLOv9'un FLOPs ve parametre sayısı bakımından verimli olması, olağanüstü GPU bellek verimliliği sağlar.
• YOLOv9 dahil Ultralytics YOLO modelleri, genellikle hem eğitim hem de çıkarım sırasında karmaşık NAS ile oluşturulan modellere veya büyük Transformer mimarilerine kıyasla daha az bellek kullanır; bu da onları kısıtlı uç donanımlara dağıtım için son derece erişilebilir hâle getirir.

Ultralytics Ekosisteminin Avantajı#

Teorik ölçütler önemli olsa da bir projenin başarısını büyük ölçüde uygulamanın pratikliği 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 modelini eğitmek için çok az tekrar eden kod gerekir. Ultralytics Python API, veri artırımı, dağıtık eğitim ve donanım optimizasyonu gibi karmaşık süreçleri soyutlar.

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, genellikle kendine özgü eğitim işlem hattına özel katı yapılandırma dosyalarında ve karmaşık bağımlılık zincirlerinde gezinmeyi gerektirir; bu da öğrenme sürecini zorlaştırır.

Görevler Arasında Çok Yönlülük#

Ultralytics modellerinin ayırt edici özelliklerinden biri, doğaları gereği çok yönlü olmalarıdır. Ultralytics çerçevesi, standart sınırlayıcı kutu algılamanın yanı sıra Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılama gibi görevleri de sorunsuz şekilde destekler. DAMO-YOLO yalnızca 2B nesne algılama için optimize edilmiştir; diğer görsel paradigmalara uyarlanması önemli ölçüde yeniden mühendislik gerektirir.

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 çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

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

Gelecek: YOLO26'ya Geçiş#

YOLOv9 ve DAMO-YOLO önemli tarihsel dönüm noktaları olsa da modern bilgisayarlı görü, yerel olarak uçtan uca çalışan mimarilere yöneldi. Yeni geliştireceğin her çalışma için önerilen standart YOLO26 modelidir.

2026'da yayımlanan YOLO26, önceki modellerinin başarılarını temel alarak hem doğrulukta hem de dağıtım kolaylığında büyük bir ilerleme sunar.

YOLO26'nın Temel Yenilikleri#

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlem adımını tamamen ortadan kaldırır. Böylece yerel olarak uçtan uca çalışan, yalın bir dağıtım işlem hattı oluşturur; bu çığır açan yaklaşımın öncülüğünü YOLOv10 yapmıştır.
• DFL'nin Kaldırılması: Dağılım Odaklı Kayıp (DFL), dışa aktarma işlemini basitleştirmek ve uç cihazlarla düşük güç tüketimli cihazlardaki uyumluluğu artırmak için kaldırılmıştır.
• CPU Çıkarımında %43'e Varan Hız Artışı: DFL'yi kaldırıp temel evrişimleri optimize eden YOLO26, özel GPU'lara sahip olmayan uç bilişim senaryolarına özellikle uygundur.
• MuSGD Optimize Edici: LLM eğitimindeki yeniliklerden ilham alan YOLO26, daha kararlı eğitim süreçleri ve belirgin biçimde daha hızlı yakınsama süreleri sağlamak için SGD ile Muon'un hibritini (MuSGD) kullanır.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, küçük nesnelerin tanınmasını önemli ölçüde iyileştirerek YOLO26'yı yüksek irtifadan çekilmiş hava görüntüleri ve IoT cihazları için ideal hâle getirir.

Bir sonraki projen için şu anda YOLO11 veya YOLOv8 üzerinde araştırma yapıyorsan YOLO26'ya geçmek, bugün kullanabileceğin en optimize ve en gelişmiş görsel yapay zekâ çerçevesinden yararlanmanı sağlar.

Özet#

Doğru modeli seçmek, özel operasyonel kısıtlamalarına bağlıdır:

• DAMO-YOLO, NAS odaklı optimizasyona ilgi çekici bir bakış 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.
• Ultralytics YOLO26, modern kurumsal ve araştırma uygulamaları için kesin tercih olarak öne çıkar. Rakipsiz kullanım kolaylığı, NMS'siz mimarisi ve en yeni MuSGD eğitim optimizasyonları, onu bilgisayarlı görü alanında en güvenilir, doğru ve kolay dağıtılabilir model hâline getirir.