Link to this sectionDAMO-YOLO ve YOLO11: Kapsamlı Bir Teknik Karşılaştırma#

Bir sonraki bilgisayarlı görü projen için gerçek zamanlı bir nesne algılama mimarisi seçerken, önde gelen modeller arasındaki nüansları anlamak çok önemlidir. Bu kapsamlı kılavuz, DAMO-YOLO ve Ultralytics YOLO11'i karşılaştıran derinlemesine bir teknik analiz sunmakta; mimarilerini, performans metriklerini, eğitim metodolojilerini ve ideal gerçek dünya dağıtım senaryolarını incelemektedir.

DAMO-YOLO Detayları: Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun Organizasyon: Alibaba Group Tarih: 2022-11-23 Arxiv: 2211.15444v2 GitHub: tinyvision/DAMO-YOLO Dokümantasyon: DAMO-YOLO Dokümantasyonu

YOLO11 Detayları: Yazarlar: Glenn Jocher ve Jing Qiu Organizasyon: Ultralytics Tarih: 2024-09-27 GitHub: ultralytics/ultralytics Dokümantasyon: YOLO11 Dokümantasyonu

Link to this sectionMimari Tasarım Felsefesi#

Bir nesne algılama modelinin temel mimarisi, onun çıkarım hızını, doğruluğunu ve çeşitli donanım ortamlarındaki uyarlanabilirliğini belirler.

DAMO-YOLO, omurgasını otomatik olarak tasarlamak için büyük ölçüde Neural Architecture Search (NAS) yöntemine dayanan birkaç akademik yenilik getirmektedir. Özellik füzyonunu geliştirmek için verimli bir RepGFPN (Reparameterized Generalized Feature Pyramid Network) ve önceki mimarilerde sıklıkla bulunan ağır tahmin başlığını önemli ölçüde küçülten bir ZeroHead tasarımı kullanır. Bu NAS odaklı yaklaşım, DAMO-YOLO'nun seçilen GPU'larda belirli verimliliklere ulaşmasını sağlasa da, ortaya çıkan mimariler bazen farklı uç cihazlarda sorunsuz bir şekilde genelleme yapmak için gereken esneklikten yoksun olabilir.

Buna karşılık YOLO11, son derece optimize edilmiş, el yapımı bir mimari sunmak için yılların temel araştırmalarının üzerine inşa edilmiştir. Gereksiz hesaplamaları azaltan aerodinamik bir omurgaya ve oldukça verimli bir boyun yapısına odaklanır. YOLO11'in temel avantajlarından biri rafine edilmiş parametre verimliliğidir; RT-DETR gibi transformer tabanlı modellerin tipik ağır VRAM gereksinimleri olmadan yüksek özellik temsili elde eder. Bu, YOLO11'i son derece çok yönlü kılar ve tüketici sınıfı GPU'larda, mobil cihazlarda ve özelleşmiş uç hızlandırıcılarda sorunsuz çalışmasını sağlar.

Link to this sectionPerformans ve Metrikler#

Performansı değerlendirmek, en üst düzey doğruluğun ötesine geçerek hız, model boyutu ve hesaplama yükü (FLOPs) dengesini dikkate almayı gerektirir.

Tabloda görüldüğü gibi, YOLO11 oldukça avantajlı bir performans dengesi sağlar. Örneğin YOLO11s varyantı, çok daha küçük bir parametre kapladığı alanı korurken doğruluk açısından DAMO-YOLOs modelini geride bırakır. Bellek gereksinimlerindeki bu azalma, doğrudan daha düşük dağıtım maliyetlerine ve uç cihazlarda daha çevik bir performansa dönüşür.

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionEğitim Metodolojileri ve Kullanılabilirlik#

Eğitim hattı, geliştiricilerin zamanlarının çoğunu harcadığı yerdir, bu da eğitim verimliliğini en önemli endişe kaynağı haline getirir.

DAMO-YOLO, büyük ölçüde bilgi damıtma işlemine bağımlı, çok aşamalı bir eğitim süreci kullanır. Etiket ataması için AlignedOTA (Optimal Transport Assignment) kullanır ve genellikle daha küçük "öğrenci" modellere bilgi aktarmak için daha büyük bir "öğretmen" modelinin eğitilmesini gerektirir. Bu metodoloji, CUDA belleği ayak izini ve optimal yakınsamaya ulaşmak için gereken toplam hesaplama süresini önemli ölçüde artırır.

Buna karşılık Ultralytics ekosistemi, model eğitiminin karmaşıklığını ortadan kaldırır. YOLO11, mühendislerin tek bir komutla özel veri kümeleri üzerinde eğitimi başlatmasını sağlayan kolaylaştırılmış Python API ve kapsamlı CLI arayüzleri ile olağanüstü bir kullanım kolaylığı için tasarlanmıştır. Eğitim hattı doğası gereği kaynak tasarrufludur, bellek artışlarını en aza indirir, böylece daha büyük modeller bile standart donanım üzerinde eğitilebilir.

İşte bir Ultralytics modelini eğitmenin ve dağıtmanın ne kadar basit olduğuna dair hızlı bir örnek:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the trained model to ONNX for seamless deployment
model.export(format="onnx")

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionGerçek Dünya Uygulamaları ve Çok Yönlülük#

Bu mimariler arasındaki seçim genellikle dağıtım ortamınızın gerektirdiği görevlerin kapsamına bağlıdır.

Link to this sectionDAMO-YOLO Nerede Uygundur#

DAMO-YOLO kesinlikle bir nesne algılama çerçevesidir. Ekiplerin yeniden parametreleştirmeyi keşfettikleri veya belirli Neural Architecture Search deneylerini tekrarladıkları akademik araştırma ortamlarında mükemmeldir. Ayrıca, çok özel bir GPU hızlandırıcının NAS tarafından oluşturulan omurga ile mükemmel bir şekilde eşleştiği, sıkı kısıtlamalara sahip endüstriyel ortamlarda da dağıtılabilir.

Link to this sectionUltralytics Avantajı#

YOLO11 dahil olmak üzere Ultralytics modelleri, benzersiz çok yönlülükleri ve iyi korunmuş ekosistemleri sayesinde gerçek dünya ticari uygulamalarında öne çıkar. DAMO-YOLO'nun aksine, Ultralytics çerçevesi çok modlu görevleri yerel olarak destekler. Tıbbi görüntülemede Örnek Segmentasyonu yönteminden, sporda biyomekanik analiz için Poz Tahminine kadar her şeyi tek bir birleşik kod tabanı yönetir.

YOLO11'den yararlanan endüstriler şunları içerir:

• Akıllı Tarım: Mahsul sağlığını izlemek ve hasat makinelerini otomatikleştirmek için nesne algılamadan yararlanma.
• Perakende Analitiği: Müşteri trafiğini analiz etmek ve envanter yönetimini otomatikleştirmek için akıllı gözetim uygulaması.
• Lojistik ve Tedarik Zinciri: Hızlı hareket eden konveyör bantlarında Yönelimli Sınırlayıcı Kutular (OBB) kullanarak yüksek hızlı barkod ve paket algılama.

Link to this sectionKullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLO11 arasındaki seçim, 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 sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

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 sectionGelecek Nesil: YOLO26 ile Tanışın#

YOLO11 güçlü ve güvenilir bir seçenek olmaya devam etse de, bilgisayarlı görü dünyası hızla ilerlemektedir. Yeni projeler başlatan geliştiriciler için en son YOLO26 modeli, yeni en gelişmiş teknolojiyi temsil etmektedir.

Ocak 2026'da piyasaya sürülen YOLO26, birkaç çığır açan ilerleme getiriyor:

• Uçtan Uca NMS'siz Tasarım: Non-Maximum Suppression (NMS) sonrası işlemeyi ortadan kaldırarak, YOLO26 daha hızlı, deterministik çıkarım süreleri sağlar ve dağıtım hatlarını büyük ölçüde basitleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırılması sayesinde model, özel GPU'lardan yoksun uç ve düşük güçlü cihazlar için son derece uygundur.
• MuSGD Optimize Edici: LLM eğitim yeniliklerini (Moonshot AI'dan esinlenerek) entegre eden bu hibrit optimize edici, eğitim sırasında istikrarlı ve hızlı bir yakınsama sağlar.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL kullanarak, YOLO26 hava görüntüleri ve robotik için hayati önem taşıyan küçük nesne tanımada dikkat çekici gelişmeler sergiler.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionSonuç#

Hem DAMO-YOLO hem de YOLO11, hızlı ve doğru bilgisayarlı görü ilerlemesine önemli katkılarda bulunmuştur. DAMO-YOLO, mimari arama ve damıtma konusunda ilginç akademik içgörüler sunarken, Ultralytics YOLO11 (ve çığır açan YOLO26) üstün bir geliştirici deneyimi sağlar.

Daha düşük bellek gereksinimleri, kapsamlı dokümantasyon, çok görevli yetenekler ve güçlü Ultralytics Platform ile entegrasyon sayesinde, Ultralytics modelleri sağlam, ölçeklenebilir yapay zeka çözümleri oluşturmak isteyen araştırmacılar ve kurumsal mühendisler için en iyi öneri olmaya devam etmektedir. Diğer gelişmiş mimarileri keşfedenler için, YOLO26 vs RT-DETR karşılaştırması transformer tabanlı alternatifler hakkında ek içgörüler sunar.