DAMO-YOLO ile EfficientDet Karşılaştırması#
Bilgisayarlı görü alanındaki gelişmeler, farklı gerçek dünya gereksinimlerine göre tasarlanmış çok sayıda güçlü mimari ortaya çıkardı. Bazı çerçeveler büyük ölçeklenebilirliğe öncelik verirken diğerleri gerçek zamanlı çıkarım hızına yoğun biçimde odaklanıyor. Bu teknik karşılaştırmada, nesne tespiti sorununu çözmek için farklı yaklaşımlar sergileyen ve büyük etki yaratmış iki model olan DAMO-YOLO ile EfficientDet'i inceliyoruz. Mimarilerini ayrıntılı biçimde ele alacak, kıyaslama performanslarını karşılaştıracak ve son olarak yeni yayımlanan Ultralytics YOLO26'nın modern üretim dağıtımları için neden en uygun seçenek olduğunu keşfedeceğiz.
Mimariye Genel Bakış#
Her iki model de verimlilik-doğruluk ödünleşimini ele almak için tasarlandı, ancak hedeflerine ulaşmak için temelden farklı mekanizmalara dayanıyor.
DAMO-YOLO: Sinir Ağı Mimarisi Aramasıyla Hız#
Gerçek zamanlı algılamanın sınırlarını zorlamak için geliştirilen DAMO-YOLO, düşük gecikmeli ortamlara özel, yüksek verimli ağlar oluşturmak üzere otomatik arama tekniklerinden yararlanır.
DAMO-YOLO Ayrıntıları:
- Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
- Kuruluş: Alibaba Group
- Tarih: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
DAMO-YOLO, hem hız hem de doğruluk için optimizasyon yapan bir Sinir Ağı Mimarisi Araması (NAS) omurgası üzerine kuruludur. Yüksek çıkarım hızlarını korurken özellik birleştirmeyi iyileştiren RepGFPN'yi (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) sunar. Ayrıca ZeroHead tasarımı, algılama başlıklarıyla genellikle ilişkili hesaplama yükünü en aza indirir. Model, AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve damıtma iyileştirmesinden de yararlanarak en küçük varyantların bile daha büyük modellerden zengin temsiller öğrenmesini sağlar.
DAMO-YOLO hakkında daha fazla bilgi edin
EfficientDet: Bileşik Ölçeklendirmeyle Ölçeklenebilirlik#
Hıza öncelik veren yaklaşımın aksine EfficientDet, çeşitli hesaplama bütçelerinde sistematik ölçeklenebilirliğe odaklanır.
EfficientDet ayrıntıları:
- Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
- Kuruluş: Google Brain
- Tarih: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
EfficientDet, çok ölçekli özelliklerin kolay ve hızlı bir şekilde birleştirilmesini sağlayan BiFPN'yi (Çift Yönlü Özellik Piramit Ağı) sunar. Katman veya kanal sayısını gelişigüzel artırarak mimarileri ölçeklendiren geleneksel yöntemlerin aksine EfficientDet; omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Böylece kısıtlı ortamlar için daha küçük varyantlar sunarken üst düzey donanımlarda son teknoloji doğruluğa ulaşır.
EfficientDet hakkında daha fazla bilgi edin
Performans ve Metrik Karşılaştırması#
Bu modelleri yan yana karşılaştırdığımızda, salt doğruluk ile çıkarım hızı arasındaki ödünleşim netleşiyor. Aşağıdaki tabloda temel performans ölçütleri özetleniyor ve DAMO-YOLO'nun çıkarım yeteneklerinin EfficientDet model ailesiyle nasıl karşılaştırıldığı gösteriliyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
Yukarıda görüldüğü gibi EfficientDet-d7, genel doğrulukta en yüksek başarıya ulaşarak zorlu bulut tabanlı uygulamalar için uygun hale geliyor. Buna karşılık DAMO-YOLO serisi, GPU donanımında önemli ölçüde daha düşük gecikmeyle oldukça rekabetçi doğruluk sunuyor ve gerçek zamanlı uç dağıtımlar için daha güçlü bir aday oluyor.
Kullanım Alanları ve Öneriler#
DAMO-YOLO ile EfficientDet arasındaki seçim, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
DAMO-YOLO'yu Ne Zaman Seçmeli#
DAMO-YOLO şu durumlar için güçlü bir seçenektir:
- 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.
EfficientDet Ne Zaman Seçilmeli#
EfficientDet şu durumlarda önerilir:
- Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla sıkı biçimde bütünleşik sistemler.
- Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlüğü ölçeklemenin etkilerini incelemeye odaklanan akademik karşılaştırmalar.
- LiteRT ile Mobil Dağıtım: Android veya gömülü Linux cihazlarına dağıtım için özellikle LiteRT (eski adıyla TensorFlow Lite) biçimine dışa aktarma gerektiren projeler.
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.
Modern Alternatif: Ultralytics YOLO26#
DAMO-YOLO ve EfficientDet önemli akademik kilometre taşları olsa da gerçek dünyadaki dağıtımlar genellikle daha dengeli, zengin özellikli ve geliştirici dostu bir yaklaşım gerektirir. Ultralytics YOLO26, sektörde yeni bir standart belirleyerek tam da bu ihtiyaca yanıt verir.
Ocak 2026'da yayımlanan YOLO26, Ultralytics YOLO11 ve YOLOv8 dahil olmak üzere önceki modellerinin mirasını ileri taşıyor ve nesne algılamaya yaklaşımımızda köklü bir değişim sunuyor.
YOLO26, yerel bir Uçtan Uca NMS'siz Tasarıma (nms=False) sahiptir. Nesne algılayıcıları yıllardır zorlayan bir darboğaz olan işlem sonrası Aşımsız Bastırma'yı (NMS) ortadan kaldıran YOLO26, özellikle uç donanımlarda daha basit ve çok daha hızlı bir dağıtım hattı sunar.
Eşsiz Performans ve Çok Yönlülük#
YOLO26 yalnızca hızı artırmakla kalmaz; eğitim kararlılığını ve doğruluğu yeniden tanımlar. Büyük Dil Modeli (LLM) eğitimindeki yeniliklerden esinlenen, SGD ile Muon'un birleşimi olan MuSGD Optimize Ediciyi sunar; böylece yakınsama oranları önemli ölçüde hızlanır ve eğitim verimliliği artar. RT-DETR gibi ağır Transformer tabanlı alternatiflerin aksine YOLO26, bellek gereksinimlerini son derece düşük tutarak tüketici sınıfı donanımlarda eğitilebilmesini sağlar.
Ayrıca YOLO26, küçük nesnelerin tanınmasını önemli ölçüde iyileştiren ProgLoss + STAL bileşenlerini içerir; bu iyileştirme drone hava görüntüleri ve robotik gibi kullanım alanları için hayati önem taşır. Düşük güçlü cihazlara yönelik optimizasyon amacıyla YOLO26, Dağılım Odaklı Kaybı (DFL) kaldırarak önceki nesillere kıyasla CPU'da %43'e kadar daha hızlı çıkarım sağlar.
Ekosistem ve Kullanım Kolaylığı#
EfficientDet gibi modellerde karşılaşılan en büyük zorluklardan biri karmaşık entegrasyon sürecidir. Buna karşılık Ultralytics Platform, bakımı düzenli yapılan uçtan uca bir ekosistem sunar. Birleşik API sayesinde kullanıcılar algılama, örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutular (OBB) arasında kolayca geçiş yapabilir.
Ultralytics Python paketiyle YOLO26'yı eğitmek ve çıkarım çalıştırmak işte bu kadar kolay:
from ultralytics import YOLO
# Son teknoloji YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# Modeli, bellek kullanımını en aza indirerek kendi veri kümenle eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Ultra hızlı, NMS'siz çıkarım çalıştır
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Sonuç#
DAMO-YOLO ile EfficientDet'i incelemek, Sinir Ağı Mimarisi Araması ile bileşik ölçeklendirme arasındaki ödünleşimler hakkında değerli bilgiler sunar; ancak günümüz geliştiricileri akademik araştırma ile üretim ortamındaki gerçekler arasındaki boşluğu kapatan araçlara ihtiyaç duyar.
Kullanım kolaylığına, aktif bir açık kaynak topluluğuna ve hız ile doğruluk arasında ödünsüz bir dengeye öncelik veren geliştiriciler için Ultralytics YOLO26 kesin tercihtir. NMS'siz mimarisi, düşük eğitim yükü ve kapsamlı Ultralytics ekosistemiyle sorunsuz entegrasyonu, onu bir sonraki bilgisayarlı görü projen için en uygun çerçeve haline getirir.