Başla

YOLOX ve DAMO-YOLO

Gerçek zamanlı nesne algılamanın gelişimi; çapa tabanlı mimarilerden çapasız mimarilere, elle tasarlanmış omurgalardan otomatik sinir ağı mimarisi aramasına (NAS) kadar birçok değişimden geçti. Bu teknik karşılaştırma, yolculuktaki iki önemli dönüm noktası olan YOLOX ve DAMO-YOLO'nun mimari yeniliklerini, eğitim yöntemlerini ve performans ödünleşimlerini inceliyor ve yeni projeler için neden Ultralytics YOLO26'nın önerilen alternatif olduğunu açıklıyor.

YOLOX: Çapasız Yaklaşımın Öncüsü#

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii'de geliştirilen YOLOX, 18 Temmuz 2021'de yayımlanarak çapasız tasarımı YOLO ailesine entegre etmesiyle bir dönüm noktası oldu. Ayrıntılı arXiv teknik raporlarında açıklandığı üzere YOLOX, akademik araştırma ile endüstriyel dağıtım arasındaki boşluğu kapatmayı amaçladı.

Temel Mimari Yenilikler#

YOLOX, önceki modellerini geliştiren birkaç temel yapısal değişiklik getirdi:

  • Çapasız Mekanizma: YOLOX, nesnenin merkezini ve sınırlayıcı kutu boyutlarını doğrudan tahmin ederek tasarım sezgilerinin sayısını azalttı ve karmaşık çapa kümeleme süreçlerini basitleştirdi. Bu, modeli çeşitli bilgisayarlı görü senaryolarına uyarlanabilir kılar.
  • Ayrık Başlık: Geleneksel YOLO modelleri, sınıflandırma ve regresyon için tek bir ortak başlık kullanıyordu. YOLOX, sınıflandırma ve konum belirlemeyi ayrı ayrı işleyen ayrık bir başlık uyguladı; böylece daha hızlı yakınsar ve doğruluğu artırır.
  • SimOTA Etiket Ataması: Pozitif örnekleri dinamik olarak atamak için Optimal Taşıma Ataması'nın (OTA) basitleştirilmiş bir sürümü kullanıldı; böylece eğitim süresi kısaldı ve merkez noktası atamalarındaki belirsizlikler giderildi.
YOLOX'in Mirası

YOLOX'in ayrık başlık tasarımı, sonraki nesil nesne algılayıcılarını büyük ölçüde etkileyerek birçok modern modelde standart bir özellik hâline geldi.

YOLOX hakkında daha fazla bilgi edin

DAMO-YOLO: Ölçekli Otomatik Mimari Araması#

Alibaba Group'tan Xianzhe Xu ve bir araştırmacı ekibi tarafından geliştirilen DAMO-YOLO, 23 Kasım 2022'de tanıtıldı. arXiv yayınlarında ayrıntılandırıldığı üzere model, hız ve doğruluk arasındaki dengeyi iyileştirmek için büyük ölçüde Sinir Ağı Mimarisi Araması'na (NAS) dayanıyordu.

Temel Mimari Yenilikler#

DAMO-YOLO'nun stratejisi, verimli yapıların tasarımını otomatikleştirme üzerine kuruluydu:

  • MAE-NAS Omurgaları: DAMO-YOLO, maksimum entropi yönlendirmeli aramayı kullanarak özellikle TensorRT gibi çerçevelere dışa aktarıldığında belirli gecikme bütçelerine göre özelleştirilmiş, yüksek verimli omurgalar keşfetti.
  • Verimli RepGFPN: Farklı uzamsal çözünürlüklerde özellik birleştirmeyi iyileştiren ağır bir boyun tasarımıdır; hava görüntülerinin analizine ve farklı ölçeklerdeki nesneleri algılamaya katkı sağlar.
  • ZeroHead: Modelin genel Ortalama Hassasiyetinden (mAP) ödün vermeden hesaplama fazlalığını azaltan basitleştirilmiş bir tahmin başlığıdır.
  • AlignedOTA ve Damıtma: Daha küçük öğrenci modellerin performansını artırmak için gelişmiş etiket ataması ve öğretmen-öğrenci bilgi damıtması kullanır.

DAMO-YOLO hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu iki modeli karşılaştırırken parametre sayılarına, gereken FLOP miktarına ve gecikme profillerine bakmak önemlidir. Aşağıda YOLOX ile DAMO-YOLO'nun farklı ölçeklerdeki kıyaslama verileri yer alıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

DAMO-YOLO, karşılaştırılabilir gecikmede YOLOX'ten daha doğrudur; örneğin DAMO-YOLOt 2,32 ms'de 42,0 mAP elde ederken YOLOXs 2,56 ms'de 40,5 mAP elde eder. Ancak her iki modelin de bazı dezavantajları vardır: YOLOX'in tasarımı birçok yeni eğitim tekniğinden önceye dayanırken DAMO-YOLO'nun damıtmaya bağlı olması, özel veri kümelerinde yeniden eğitimi daha fazla kaynak gerektirir ve GPU belleği gereksinimlerini artırır.

Kullanım Alanları ve Öneriler#

YOLOX ile DAMO-YOLO arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihine bağlıdır.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda iyi bir tercihtir:

  • Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
  • Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
  • SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

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.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOX ve DAMO-YOLO tarihsel açıdan önemli dönüm noktaları olsa da günümüz geliştiricileri yüksek doğruluğu kullanım kolaylığıyla birleştiren bir çözüme ihtiyaç duyuyor. Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLOv10 gibi NMS'siz modelleri temel alarak hız, doğruluk ve geliştirici deneyimi arasında güçlü bir denge sunuyor.

Neden YOLO26'yı Seçmelisin?#

Ayrı akademik depolarla karşılaştırıldığında, tümleşik Ultralytics ekosistemi şunları sunar:

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), çıkarım sırasında NMS'yi ortadan kaldırır. Bu, uç dağıtımlar ve otonom araçlar için kritik olan hızlı ve öngörülebilir gecikme sağlar.
  • DFL'nin Kaldırılması: Distribution Focal Loss'u kaldıran YOLO26, uç cihazlara dışa aktarımı basitleştirir ve düşük güçlü donanımlarla uyumluluğu artırır.
  • MuSGD Optimizer: YOLO26, istikrarlı eğitim ve hızlı yakınsama için LLM eğitim yeniliklerinden yararlanarak SGD ile Muon optimizer'ını birleştirir.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: DFL ve NMS kaldırıldığında YOLO26n, pahalı GPU donanımına ihtiyaç duymadan CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması (STAL), küçük nesnelerin algılanmasını iyileştirerek YOLO26'yı drone denetimleri ve IoT izleme gibi görevler için uygun hâle getirir.
  • Çok Yönlülük: Yalnızca algılama yapan DAMO-YOLO'nun aksine YOLO26; Örnek Segmentasyonu, Anlamsal Segmentasyon, Derinlik Tahmini, Görüntü Sınıflandırması, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini tek ve birleşik bir çerçevede yerel olarak destekler.
Hemen Geliştirmeye Başla

Ultralytics Python API ile modelini dağıtmak için karmaşık damıtma işlem hatlarını elle yapılandırmana veya yüzlerce satır C++ kodu yazmana gerek yok.

from ultralytics import YOLO

# YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli özel bir veri kümesiyle eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Son derece hızlı, NMS içermeyen çıkarımı çalıştır
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Tek bir komutla ONNX'e veya OpenVINO'ya aktar
model.export(format="openvino")

Değerlendirilebilecek Diğer Modeller#

Bilgisayarlı görü ekosistemi çok geniş. Özel kısıtlarına bağlı olarak, Ultralytics ekosistemi tarafından tümüyle desteklenen diğer mimarileri de incelemek isteyebilirsin:

  • YOLO11: YOLO26'nın öncülü olan bu model, perakende analizlerinde ve üretimde kalite kontrolünde sağlamlığıyla bilinir.
  • YOLOv8: Uç dağıtımının yaygınlaşmasına yardımcı olmuş, geniş çapta benimsenen ve kararlı bir çapasız model.
  • RT-DETR: Baidu tarafından geliştirilen Gerçek Zamanlı Algılama Transformer'ı; eğitimde daha fazla bellek gerektirmesine karşın, küresel dikkat mekanizmalarından büyük ölçüde yararlanan görevler için güçlü bir alternatif sunar.

Sonuç#

YOLOX ve DAMO-YOLO, derin öğrenmenin gelişimine önemli kavramlar kazandırdı: YOLOX ayrık ve çapasız yaklaşımın geçerliliğini kanıtlarken DAMO-YOLO otomatik mimari aramanın gücünü gösterdi. Ancak gerçek dünyada üretim için özgün araştırma kod tabanlarının karmaşıklığı, çevik ekipleri yavaşlatabilir.

Ultralytics Platform sayesinde geliştiriciler bu engelleri aşabilir. YOLO26'nın uçtan uca tasarımı, daha yüksek CPU hızları ve kapsamlı belgeleri, hassas görsel yapay zekâyı daha erişilebilir kılar. İster akıllı şehir altyapısı, ister sağlık tanı sistemleri, ister gelişmiş robotik sistemler geliştiriyor ol, Ultralytics ham veriden gerçek dünyada dağıtıma doğrudan bir yol sunar.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.