Link to this sectionDAMO-YOLO ve EfficientDet#

Bilgisayarlı görüdeki evrim, farklı gerçek dünya gereksinimlerine göre uyarlanmış bir dizi güçlü mimariyi ortaya çıkardı. Bazı çerçeveler devasa ölçeklenebilirliğe öncelik verirken, diğerleri gerçek zamanlı çıkarım hızına odaklanır. Bu teknik karşılaştırmada, nesne algılama problemine çözüm getirmede farklı yaklaşımlar sergileyen iki son derece etkili model olan DAMO-YOLO ve EfficientDet'i inceliyoruz. Mimarilerini analiz edecek, kıyaslama performanslarını karşılaştıracak ve nihayetinde yeni piyasaya sürülen Ultralytics YOLO26'nın neden modern üretim dağıtımları için en uygun seçenek olduğunu keşfedeceğiz.

Link to this sectionMimari Genel Bakış#

Her iki model de verimlilik-doğruluk dengesini ele almak için tasarlanmıştır, ancak hedeflerine ulaşmak için temelde farklı mekanizmalara dayanırlar.

Link to this sectionDAMO-YOLO: Sinirsel Mimari Arama ile Hız#

Gerçek zamanlı algılamanın sınırlarını zorlamak için geliştirilen DAMO-YOLO, düşük gecikmeli ortamlar için uyarlanmış son derece verimli ağlar oluşturmak amacıyla otomatik arama tekniklerinden yararlanır.

DAMO-YOLO Detayları:
Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
Kuruluş: Alibaba Group
Tarih: 23-11-2022
Arxiv: https://arxiv.org/abs/2211.15444v2
GitHub: https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO, hem hız hem de doğruluk için optimize edilmiş bir Sinirsel Mimari Arama (NAS) omurgası üzerine inşa edilmiştir. Yüksek çıkarım hızlarını korurken özellik birleşimini geliştiren RepGFPN'i (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) tanıtır. Ayrıca, ZeroHead tasarımı, algılama başlıklarıyla ilişkili hesaplama yükünü en aza indirir. Model ayrıca AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve damıtma iyileştirmesinden faydalanarak, en küçük varyantların bile daha büyük modellerden zengin temsiller öğrenmesini sağlar.

DAMO-YOLO hakkında daha fazla bilgi edin

Link to this sectionEfficientDet: Bileşik Ölçeklendirme ile Ölçeklenebilirlik#

Hız odaklı yaklaşımla kontrast oluşturan EfficientDet, çeşitli hesaplama bütçeleri genelinde sistematik ölçeklenebilirliğe odaklanır.

EfficientDet Detayları:
Yazarlar: Mingxing Tan, Ruoming Pang ve Quoc V. Le
Kuruluş: Google Brain
Tarih: 20-11-2019
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https://github.com/google/automl/tree/master/efficientdet

EfficientDet, kolay ve hızlı çok ölçekli özellik birleşimine olanak tanıyan BiFPN'i (Çift Yönlü Özellik Piramit Ağı) tanıtır. Mimarileri rastgele katmanlar veya kanallar ekleyerek ölçeklendiren geleneksel yöntemlerin aksine, EfficientDet; omurganın, özellik ağının ve kutu/sınıf tahmin ağlarının çözünürlüğünü, derinliğini ve genişliğini eş zamanlı olarak eşit şekilde ölçeklendiren bir bileşik ölçeklendirme yöntemi kullanır. Bu, yüksek uç donanımlarda en ileri düzey doğruluğa ulaşmasını sağlarken kısıtlı ortamlar için daha küçük varyantlar sunmasına olanak tanır.

EfficientDet hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri yan yana karşılaştırdığınızda, salt doğruluk ile çıkarım hızı arasındaki denge netleşir. Aşağıdaki tablo, DAMO-YOLO'nun çıkarım yeteneklerinin, EfficientDet model ailesiyle nasıl kıyaslandığını vurgulayarak temel performans metriklerini özetlemektedir.

Yukarıda görüldüğü gibi, EfficientDet-d7 en yüksek genel doğruluğa ulaşır, bu da onu zorlu bulut tabanlı uygulamalar için uygun hale getirir. Buna karşılık, DAMO-YOLO serisi GPU donanımında önemli ölçüde daha düşük gecikme ile son derece rekabetçi bir doğruluk sağlar ve bu da onu gerçek zamanlı uç cihaz dağıtımları için daha güçlü bir aday yapar.

Link to this sectionKullanım Durumları ve Öneriler#

DAMO-YOLO ile EfficientDet arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman DAMO-YOLO Seçilmeli#

DAMO-YOLO şunlar için güçlü bir seçimdir:

• Yüksek Verimli Video Analitiği: Toplu-1 (batch-1) veriminin birincil metrik olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite kontrol gibi, özel donanımlarda katı GPU gecikme kısıtlamaları olan senaryolar.
• Neural Architecture Search Araştırması: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametreleştirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Link to this sectionNe Zaman EfficientDet Seçilmeli#

EfficientDet şunlar için önerilir:

• Google Cloud ve TPU İşlem Hatları: EfficientDet'in yerel optimizasyona sahip olduğu Google Cloud Vision API'leri veya TPU altyapısıyla derinlemesine entegre edilmiş sistemler.
• Bileşik Ölçekleme Araştırmaları: Dengeli ağ derinliği, genişliği ve çözünürlük ölçeklemenin etkilerini incelemeye odaklanan akademik kıyaslamalar.
• TFLite ile Mobil Dağıtım: Android veya gömülü Linux cihazlar için özel olarak TensorFlow Lite dışa aktarma gerektiren projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionModern 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. İşte Ultralytics YOLO26 bu noktada yeni bir endüstri standardı belirliyor.

Ocak 2026'da piyasaya sürülen YOLO26, Ultralytics YOLO11 ve YOLOv8 dahil olmak üzere seleflerinin mirasını üzerine inşa ederek nesne algılama yaklaşımımızda bir paradigma değişimi yaratıyor.

Link to this sectionEşsiz Performans ve Çok Yönlülük#

YOLO26 sadece hızı artırmakla kalmıyor; eğitim kararlılığını ve doğruluğunu da yeniden tanımlıyor. LLM eğitim yeniliklerinden esinlenen SGD ve Muon'un bir melezi olan MuSGD Optimize Ediciyi tanıtarak önemli ölçüde daha hızlı yakınsama oranları ve üstün eğitim verimliliği sağlıyor. RT-DETR gibi ağır transformer tabanlı alternatiflerin aksine, YOLO26 inanılmaz derecede düşük bellek gereksinimlerini koruyarak tüketici sınıfı donanımlarda eğitilebilmesini sağlar.

Ayrıca YOLO26, drone hava görüntüleri ve robotik gibi kullanım durumları için hayati önem taşıyan küçük nesne tanımayı büyük ölçüde iyileştiren ProgLoss + STAL'ı içerir. Düşük güç tüketen cihazlar için optimize etmek amacıyla YOLO26, DFL'yi (Distribution Focal Loss) kaldırmış ve önceki nesillere kıyasla %43'e kadar daha hızlı CPU çıkarımı sağlamıştır.

Link to this sectionEkosistem ve Kullanım Kolaylığı#

EfficientDet gibi modellerdeki en büyük engellerden biri karmaşık entegrasyon sürecidir. Buna karşılık, Ultralytics Platform, iyi yönetilen, uçtan uca bir ekosistem sunar. Birleşik bir API ile kullanıcılar algılama, örnek bölümleme, poz tahmini, görüntü sınıflandırma ve yönlendirilmiş sınırlayıcı kutular (OBB) arasında kolayca geçiş yapabilirler.

Ultralytics Python paketini kullanarak YOLO26 ile eğitim yapmanın ve çıkarım çalıştırmanın ne kadar basit olduğunu aşağıda görebilirsin:

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")

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionSonuç#

DAMO-YOLO ve EfficientDet karşılaştırması, Sinirsel Mimari Arama ile bileşik ölçeklendirme arasındaki ödünleşimler hakkında mükemmel içgörüler sunsa da, modern geliştiricilerin akademik araştırmalar ile üretim gerçekliği arasındaki boşluğu dolduran araçlara ihtiyacı vardır.

Kullanım kolaylığına, aktif bir açık kaynak topluluğuna ve tavizsiz bir hız ve doğruluk dengesine öncelik veren geliştiriciler için Ultralytics YOLO26 kesin seçimdir. NMS'siz mimarisi, düşük eğitim yükü ve kapsamlı Ultralytics ekosistemi ile sorunsuz entegrasyonu, onu bir sonraki bilgisayarlı görü projen için en iyi çerçeve haline getirir.