DAMO-YOLO ve EfficientDet#

Bilgisayarlı görü alanındaki gelişmeler, çeşitli gerçek dünya gereksinimlerine göre uyarlanmış çok sayıda güçlü mimari ortaya çıkardı. Bazı framework'ler büyük ölçeklenebilirliğe öncelik verirken diğerleri gerçek zamanlı çıkarım hızına yoğunlaşır. Bu teknik karşılaştırmada, nesne algılama problemine farklı yaklaşımlar sunan iki etkili model olan DAMO-YOLO ve EfficientDet'i inceliyoruz. Mimarilerini ayrıntılı olarak ele alacak, kıyaslama performanslarını karşılaştıracak ve nihayetinde yeni yayımlanan Ultralytics YOLO26'nın modern üretim dağıtımları için neden en iyi seçenek olduğunu inceleyeceğiz.

Mimariye Genel Bakış#

Her iki model de verimlilik-doğruluk ödünleşimini ele almak üzere tasarlandı, ancak hedeflerine ulaşmak için temelde farklı mekanizmalara dayanıyor.

DAMO-YOLO: Nöral Mimari Aramayla Hız#

Gerçek zamanlı algılamanın sınırlarını zorlamak üzere geliştirilen DAMO-YOLO, düşük gecikmeli ortamlar için uyarlanmış son derece verimli ağlar oluşturmak amacıyla 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 optimize edilen bir Nöral Mimari Arama (NAS) omurgası etrafında oluşturulmuştur. Yüksek çıkarım hızını korurken özellik birleştirmeyi geliştiren RepGFPN'yi (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar. Ayrıca ZeroHead tasarımı, genellikle algılama başlıklarıyla ilişkilendirilen hesaplama yükünü en aza indirir. Model, AlignedOTA'dan (Hizalanmış Optimal Taşıma Ataması) ve damıtma geliştirmesinden de yararlanarak en küçük varyantların bile büyük modellerden zengin temsiller öğrenmesini sağlar.

DAMO-YOLO hakkında daha fazla bilgi edin

EfficientDet: Bileşik Ölçeklemeyle Ölçeklenebilirlik#

Hız öncelikli yaklaşımın aksine EfficientDet, çeşitli hesaplama bütçeleri genelinde 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 özellik birleştirmenin kolay ve hızlı olmasını sağlayan BiFPN'yi (Çift Yönlü Özellik Piramidi Ağı) sunar. Mimarileri katmanları veya kanalları rastgele ekleyerek ölçeklendiren geleneksel yöntemlerin aksine EfficientDet, omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve düzenli biçimde ölçeklendiren bileşik ölçekleme yöntemini kullanır. Böylece üst düzey donanımlarda son teknoloji doğruluğa ulaşırken kısıtlı ortamlar için daha küçük varyantlar sunabilir.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu modeller yan yana karşılaştırıldığında, salt doğruluk ile çıkarım hızı arasındaki ödünleşim netleşir. Aşağıdaki tablo, DAMO-YOLO'nun çıkarım yeteneklerinin EfficientDet model ailesiyle nasıl karşılaştırıldığını vurgulayarak temel performans ölçütlerini özetler.

Yukarıda görüldüğü gibi EfficientDet-d7, genel olarak en yüksek doğruluğa ulaşır ve bu da onu zorlu bulut tabanlı uygulamalar için uygun kılar. Buna karşılık DAMO-YOLO serisi, GPU donanımında önemli ölçüde daha düşük gecikmeyle son derece rekabetçi doğruluk sunar ve bu nedenle gerçek zamanlı uç dağıtımları için daha güçlü bir adaydır.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile EfficientDet arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için güçlü bir seçenektir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

EfficientDet Ne Zaman Seçilmeli?#

EfficientDet şu durumlarda önerilir:

• Google Cloud ve TPU İş Akışları: EfficientDet'in yerel optimizasyona sahip olduğu, Google Cloud Vision API'leriyle veya TPU altyapısıyla derinlemesine entegre sistemler.
• Bileşik Ölçekleme Araştırması: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemesinin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazları için özel olarak TensorFlow Lite dışa aktarması gerektiren projeler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

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

Modern Alternatif: Ultralytics YOLO26#

Her iki model de önemli akademik dönüm noktalarını temsil etse de gerçek dünyadaki dağıtımlar genellikle daha dengeli, özellik açısından zengin ve geliştirici dostu bir yaklaşım gerektirir. Ultralytics YOLO26 tam da bu noktada yeni bir sektör standardı belirler.

Ocak 2026'da yayımlanan YOLO26, Ultralytics YOLO11 ve YOLOv8 dahil olmak üzere önceki modellerinin mirası üzerine inşa edilmiştir ve nesne algılamaya yaklaşımımızda paradigma değişikliği sunar.

Eşsiz Performans ve Çok Yönlülük#

YOLO26 yalnızca hızı geliştirmekle kalmaz; eğitim kararlılığını ve doğruluğu yeniden tanımlar. LLM eğitimindeki yeniliklerden ilham alan SGD ve Muon hibriti olan MuSGD Optimizer'ı sunarak çok daha hızlı yakınsama oranları ve üstün eğitim verimliliği sağlar. RT-DETR gibi ağır Transformer tabanlı alternatiflerin aksine YOLO26, son derece düşük bellek gereksinimlerini korur ve tüketici sınıfı donanımlarda eğitilebilmesini sağlar.

Ayrıca YOLO26, drone hava görüntüleri ve robotik gibi kullanım alanları için hayati önem taşıyan küçük nesne tanımayı büyük ölçüde iyileştiren ProgLoss + STAL'ı içerir. Düşük güç tüketimli cihazlar için optimizasyon yapmak amacıyla YOLO26, Dağılımsal Odak Kayıp (DFL) bileşenini kaldırır ve önceki nesillere kıyasla CPU çıkarımını %43'e kadar hızlandırır.

Ekosistem ve Kullanım Kolaylığı#

EfficientDet gibi modellerdeki en büyük engellerden biri karmaşık entegrasyon sürecidir. Buna karşılık Ultralytics Platformu, bakımı düzenli yapılan uçtan uca bir ekosistem sunar. Birleşik API sayesinde kullanıcılar algılama, örnek bölütleme, poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutular (OBB) arasında kolayca geçiş yapabilir.

Ultralytics Python paketiyle YOLO26'yı eğitmek ve çıkarım çalıştırmak işte bu kadar basittir:

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run ultra-fast NMS-free inference
predictions = model.predict("image.jpg")

Sonuç#

DAMO-YOLO ve EfficientDet'i incelemek, Nöral Mimari Arama ile bileşik ölçekleme arasındaki ödünleşimler hakkında önemli bilgiler sağlasa da modern geliştiriciler akademik araştırma ile üretim gerçekliği arasındaki boşluğu kapatan araçlara ihtiyaç duyar.

Kullanım kolaylığına, aktif bir açık kaynak topluluğuna ve hız ile doğruluk arasında ödün vermeyen 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 iyi framework haline getirir.