Başla

DAMO-YOLO ile EfficientDet Karşılaştırması

Bilgisayarlı görü araştırmaları, farklı gerçek dünya gereksinimlerine göre uyarlanmış birçok mimari ortaya çıkardı. Bazı çerçeveler ölçeklenebilirliğe öncelik verirken diğerleri gerçek zamanlı çıkarım hızına odaklanır. Bu karşılaştırma, nesne tespitine farklı yaklaşımlar getiren iki etkili model olan DAMO-YOLO ve EfficientDet'i ele alıyor. Mimarilerini inceliyor, kıyaslama performanslarını karşılaştırıyor ve Ultralytics YOLO26'nın modern üretim dağıtımları için neden güçlü bir seçenek olduğunu açıklıyor.

Mimariye Genel Bakış#

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

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:

DAMO-YOLO, hem hızı hem doğruluğu optimize eden bir Sinir Ağı Mimarisi Arama (NAS) omurgası üzerine kuruludur. Yüksek çıkarım hızlarını korurken özellik birleştirmeyi iyileştiren RepGFPN'yi (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar. Ayrıca ZeroHead tasarımı, tespit başlıklarıyla genellikle ilişkilendirilen hesaplama yükünü en aza indirir. Model, AlignedOTA (Hizalanmış Optimal Taşıma Ataması) etiket atamasını ve bilgi damıtmayı da kullanır; böylece en küçük varyantlar bile büyük modellerden zengin temsiller öğrenir.

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:

EfficientDet, hızlı çok ölçekli özellik birleştirmeyi sağlayan BiFPN'yi (Çift Yönlü Özellik Piramidi Ağı) sunar. Katmanları veya kanalları gelişigüzel ekleyerek mimarileri ölçeklendiren geleneksel yöntemlerin aksine EfficientDet, omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini aynı anda ve tutarlı biçimde ölçeklendiren bileşik bir ölçeklendirme yöntemi kullanır. Böylece piyasaya çıktığı dönemde üst düzey donanımlarda en gelişmiş doğruluğa ulaşırken kaynakları kısıtlı ortamlar için daha küçük varyantlar da sunmuştur.

EfficientDet hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Yan yana incelendiğinde doğruluk ile çıkarım hızı arasındaki ödünleşim netleşiyor. Aşağıdaki tablo, DAMO-YOLO'nun çıkarım yeteneklerinin EfficientDet model ailesiyle karşılaştırmalı durumunu gösteren temel performans ölçütlerini özetliyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7 en yüksek genel doğruluğa ulaşır ve bu nedenle zorlu bulut tabanlı uygulamalara uygundur. DAMO-YOLO serisi ise GPU donanımında çok daha düşük gecikmeyle rekabetçi doğruluk sunarak gerçek zamanlı uç dağıtımları için daha güçlü bir aday hâline gelir.

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 referans uygulamasının TPU eğitimini desteklediği Google Cloud TPU altyapısındaki TensorFlow tabanlı 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:

  • 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 YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj sağlar.
  • 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 dönüm noktaları olsa da gerçek dünya dağıtımları çoğu zaman daha dengeli, zengin özellikli ve geliştirici dostu bir yaklaşım gerektirir. Ultralytics YOLO26 tam da bu amaçla tasarlanmıştır.

Ocak 2026'da yayımlanan YOLO26, Ultralytics YOLO11 ve YOLOv8 dâhil önceki modellerinin mirasını temel alır ve nesne tespiti modellerinin eğitimini ve dağıtımını kolaylaştırır.

Uçtan Uca Basitlik

YOLO26, yerel bir uçtan uca, NMS içermeyen tasarıma (nms=False) sahiptir. Nesne algılayıcıları için uzun süredir devam eden bir dağıtım darboğazı olan maksimum olmayan bastırmayı (NMS) son işlemden kaldıran YOLO26, özellikle uç donanımlarda daha basit ve hızlı bir dağıtım işlem hattı sunar.

Performans ve Çok Yönlülük#

YOLO26, hızın yanı sıra eğitim kararlılığını ve doğruluğunu da iyileştirir. Daha hızlı yakınsama ve daha verimli eğitim için LLM eğitiminden ilham alan, SGD ile Muon'un hibriti MuSGD İyileştiricisini sunar. RT-DETR gibi daha ağır Transformer tabanlı alternatiflerin aksine YOLO26 düşük bellek gereksinimlerini korur ve tüketici sınıfı donanımlarda eğitilebilir.

YOLO26, drone hava görüntüleri ve robotik gibi kullanım alanlarında küçük nesnelerin tanınmasını iyileştiren ProgLoss + STAL bileşenlerini de içerir. Düşük güçlü cihazlar için optimizasyon amacıyla Distribution Focal Loss'u (DFL) kaldıran YOLO26, YOLO26n için YOLO11n'e kıyasla CPU'da %43'e kadar daha hızlı çıkarım sağlar.

Ekosistem ve Kullanım Kolaylığı#

EfficientDet gibi modellerdeki en büyük engellerden biri karmaşık entegrasyon sürecidir. Bunun yerine Ultralytics Platform, bakımı sürdürülen uçtan uca bir ekosistem sunar. Birleşik API ile kullanıcılar tespit, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutuları (OBB) arasında kolayca geçiş yapabilir.

YOLO26 ile eğitim ve çıkarım çalıştırmak, Ultralytics Python paketiyle yalnızca birkaç satır kod gerektirir:

from ultralytics import YOLO

# 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 karşılaştırması, Sinir Ağı Mimarisi Arama ve bileşik ölçeklendirme arasındaki ödünleşimleri ortaya koyar; ancak üretim çalışmaları, akademik araştırma ile dağıtım arasındaki boşluğu kapatan araçları da gerektirir.

Kullanım kolaylığına, etkin bir açık kaynak topluluğuna ve hız ile doğruluk arasında güçlü bir dengeye öncelik veren geliştiriciler için Ultralytics YOLO26 önerilir. NMS içermeyen mimarisi, düşük eğitim yükü ve Ultralytics ekosistemiyle entegrasyonu, onu bir sonraki bilgisayarlı görü projen için pratik bir temel hâline getirir.

Katkıda Bulunanlar

Yorumlar2

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

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(düzenlendi)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.