YOLOv10: Gerçek Zamanlı Uçtan Uca Nesne Algılama#

Mayıs 2024'te yayımlanan YOLOv10, Tsinghua University araştırmacıları tarafından geliştirildi ve Ultralytics Python paketini temel aldı. Önceki YOLO sürümlerindeki son işleme ve model mimarisi eksikliklerini ele alarak gerçek zamanlı nesne algılamaya yeni bir yaklaşım getirdi. Maksimum olmayan bastırmayı (NMS) ortadan kaldırıp çeşitli model bileşenlerini optimize eden YOLOv10, yayımlandığı dönemde hesaplama ek yükünü önemli ölçüde azaltırken üstün performans sundu. NMS içermeyen uçtan uca tasarımı, YOLO26 ile daha da geliştirilen bir yaklaşımın öncüsü oldu.

Genel Bakış#

Gerçek zamanlı nesne algılama, görüntülerdeki nesne kategorilerini ve konumlarını düşük gecikmeyle doğru biçimde tahmin etmeyi amaçlar. Performans ve verimlilik arasındaki dengesi sayesinde YOLO serisi bu araştırmalara öncülük etmiştir. Ancak NMS'ye bağımlılık ve mimarideki verimsizlikler en iyi performansa ulaşmayı engellemiştir. YOLOv10, NMS içermeyen eğitim için tutarlı ikili atamaları ve verimlilik ile doğruluğu bütüncül biçimde gözeten bir model tasarım stratejisini uygulayarak bu sorunları ele alır.

Mimari#

YOLOv10 mimarisi, birkaç önemli yenilik sunarken önceki YOLO modellerinin güçlü yönlerini temel alır. Model mimarisi aşağıdaki bileşenlerden oluşur:

1. Omurga: Özellik çıkarımından sorumlu olan YOLOv10 omurgası, gradyan akışını iyileştirmek ve hesaplama tekrarlarını azaltmak için CSPNet'in (Çapraz Aşamalı Kısmi Ağ) gelişmiş bir sürümünü kullanır.
2. Boyun: Boyun, farklı ölçeklerdeki özellikleri bir araya getirip başlığa iletmek üzere tasarlanmıştır. Etkili çok ölçekli özellik füzyonu için PAN (Yol Toplama Ağı) katmanlarını içerir.
3. Bire Çok Başlık: Eğitim sırasında her nesne için birden fazla tahmin oluşturarak zengin gözetim sinyalleri sağlar ve öğrenme doğruluğunu artırır.
4. Bire Bir Başlık: Çıkarım sırasında her nesne için en iyi tahmini üretir; böylece NMS ihtiyacını ortadan kaldırır, gecikmeyi azaltır ve verimliliği artırır.

Temel Özellikler#

1. NMS'siz Eğitim: Tutarlı çiftli atamalar kullanarak NMS ihtiyacını ortadan kaldırır ve çıkarım gecikmesini azaltır.
2. Bütüncül Model Tasarımı: Hafif sınıflandırma başlıkları, uzamsal-kanal ayrıştırmalı alt örnekleme ve sıralama rehberli blok tasarımı dâhil olmak üzere çeşitli bileşenleri hem verimlilik hem de doğruluk açısından kapsamlı şekilde optimize eder.
3. Geliştirilmiş Model Yetenekleri: Önemli bir hesaplama maliyeti oluşturmadan performansı iyileştirmek için büyük çekirdekli evrişimler ve kısmi öz dikkat modülleri kullanır.

Model Varyantları#

YOLOv10, farklı uygulama ihtiyaçlarını karşılamak için çeşitli model ölçekleriyle sunulur:

• YOLOv10n: Kaynakların son derece kısıtlı olduğu ortamlar için nano sürüm.
• YOLOv10s: Hız ve doğruluk arasında denge kuran küçük sürüm.
• YOLOv10m: Genel amaçlı kullanım için orta boy sürüm.
• YOLOv10b: Daha yüksek doğruluk için genişliği artırılmış dengeli sürüm.
• YOLOv10l: Daha fazla hesaplama kaynağı gerektirme pahasına daha yüksek doğruluk sunan büyük sürüm.
• YOLOv10x: En yüksek doğruluk ve performans için ekstra büyük sürüm.

Performans#

YOLOv10, doğruluk ve verimlilik açısından önceki YOLO sürümlerinden ve diğer son teknoloji modellerden daha iyi performans gösterir. Örneğin, YOLOv10s, COCO veri kümesinde benzer AP değerine sahipken RT-DETR-R18 modelinden 1.8 kat daha hızlıdır; YOLOv10b ise aynı performansı sunarken YOLOv9-C modeline göre %46 daha düşük gecikmeye ve %25 daha az parametreye sahiptir.

Metodoloji#

NMS'siz Eğitim için Tutarlı Çiftli Atamalar#

YOLOv10, zengin denetim ve verimli uçtan uca dağıtım sağlamak için eğitim sırasında bire çok ve bire bir stratejileri birleştiren çift etiket atamaları kullanır. Ultralytics tahmini ve doğrulaması varsayılan olarak NMS içeren bire çok başlığı kullanır; NMS'siz başlığı seçmek için nms=False değerini ayarla. Tutarlı eşleştirme metriği, iki strateji arasındaki denetimi uyumlu hâle getirerek çıkarım sırasında tahminlerin kalitesini artırır.

Bütüncül Verimlilik-Doğruluk Odaklı Model Tasarımı#

Verimlilik İyileştirmeleri#

1. Hafif Sınıflandırma Başlığı: Derinlik bazında ayrılabilir evrişimler kullanarak sınıflandırma başlığının hesaplama yükünü azaltır.
2. Uzamsal-Kanal Ayrıştırmalı Alt Örnekleme: Bilgi kaybını ve hesaplama maliyetini en aza indirmek için uzamsal küçültmeyi kanal modülasyonundan ayırır.
3. Sıralama Rehberli Blok Tasarımı: Blok tasarımını aşamaların doğasında bulunan fazlalığa göre uyarlar ve parametrelerin en iyi şekilde kullanılmasını sağlar.

Doğruluk İyileştirmeleri#

1. Büyük Çekirdekli Evrişim: Özellik çıkarma kapasitesini artırmak için alıcı alanı genişletir.
2. Kısmi Öz Dikkat (PSA): Çok az ek yükle küresel temsil öğrenimini iyileştirmek için öz dikkat modülleri kullanır.

Deneyler ve Sonuçlar#

YOLOv10, COCO gibi standart kıyaslama veri kümelerinde kapsamlı biçimde test edilmiş ve üstün performans ile verimlilik sergilemiştir. Model, farklı varyantlarda son teknoloji sonuçlar elde ederek önceki sürümlere ve güncel diğer nesne algılayıcılara kıyasla gecikme ve doğrulukta önemli iyileşmeler sunar.

Karşılaştırmalar#

Diğer son teknoloji algılayıcılarla karşılaştırıldığında:

• YOLOv10s / x, benzer doğrulukla RT-DETR-R18 / R101 modellerinden 1.8× / 1.3× daha hızlıdır
• YOLOv10b, aynı doğrulukta YOLOv9-C'den %25 daha az parametreye ve %46 daha düşük gecikmeye sahiptir
• YOLOv10l / x, 1.8× / 2.3× daha az parametreyle YOLOv8l / x modellerinden 0.3 AP / 0.5 AP daha iyi performans gösterir

Parametre ve FLOPs değerleri, Conv ve BatchNorm katmanlarını birleştiren ve yardımcı bire çok algılama başlığını kaldıran model.fuse() işleminden sonraki birleştirilmiş modele aittir. Önceden eğitilmiş kontrol noktaları, eğitim mimarisinin tamamını korur ve daha yüksek değerler gösterebilir.

Kullanım Örnekleri#

Modeller ayrıca Ultralytics Platform üzerinden bulut GPU'larında eğitilebilir. YOLOv10 ile yeni görüntüler üzerinde tahmin yapmak için:

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv10n modelini yükle
model = YOLO("yolov10n.pt")

# Bir görüntüde nesne algılama yap
results = model("image.jpg")

# Sonuçları görüntüle
results[0].show()

YOLOv10'u özel bir veri kümesinde eğitmek için:

from ultralytics import YOLO

# YOLOv10n modelini sıfırdan yükle
model = YOLO("yolov10n.yaml")

# Modeli eğit
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Desteklenen Görevler ve Modlar#

YOLOv10 model serisi, yüksek performanslı Nesne Algılama için optimize edilmiş çeşitli modeller sunar. Bu modeller farklı hesaplama gereksinimlerine ve doğruluk beklentilerine hitap ederek çok çeşitli uygulamalarda kullanılabilir.

YOLOv10'u Dışa Aktarma#

YOLOv10 ile sunulan yeni işlemler nedeniyle Ultralytics tarafından sağlanan dışa aktarma biçimlerinin tümü şu anda desteklenmiyor. Aşağıdaki tabloda, YOLOv10 için Ultralytics kullanılarak başarıyla dönüştürülen biçimler listelenmiştir. YOLOv10 için ek biçimlerin dışa aktarım desteği eklemeye yönelik bir katkı değişikliği sunabiliyorsan çekinmeden bir pull request aç.

Sonuç#

YOLOv10, önceki YOLO sürümlerinin eksiklerini giderip yenilikçi tasarım stratejileri benimseyerek piyasaya çıktığında gerçek zamanlı nesne algılamada yeni bir standart belirledi. NMS'siz yaklaşımı, YOLO ailesinde uçtan uca nesne algılamanın öncüsü oldu. Performansı iyileştirilmiş ve NMS'siz çıkarım sunan en yeni Ultralytics modeli için YOLO26'ya göz at.

Atıflar ve Teşekkürler#

Kapsamlı araştırmaları ve Ultralytics çerçevesine yaptıkları önemli katkılar için Tsinghua Üniversitesi bünyesindeki YOLOv10 yazarlarına teşekkür ederiz:

@inproceedings{wang2024yolov10,
  title={YOLOv10: Real-Time End-to-End Object Detection},
  author={Wang, Ao and Chen, Hui and Liu, Lihao and Chen, Kai and Lin, Zijia and Han, Jungong and Ding, Guiguang},
  booktitle={Advances in Neural Information Processing Systems},
  doi = {10.52202/079017-3429},
  url = {https://proceedings.neurips.cc/paper_files/paper/2024/file/c34ddd05eb089991f06f3c5dc36836e0-Paper-Conference.pdf},
  volume={37},
  pages={107984--108011},
  year={2024}
}

Uygulama ayrıntıları, mimari yenilikler ve deneysel sonuçlar için Tsinghua Üniversitesi ekibinin YOLOv10 araştırma makalesine ve GitHub deposuna başvur.

Sık Sorulan Sorular#