DAMO-YOLO ve YOLO11
Bir sonraki bilgisayarlı görü projen için gerçek zamanlı nesne algılama mimarisi seçerken önde gelen modellerin nasıl farklılaştığını anlamak işine yarar. Bu kılavuzda DAMO-YOLO ile Ultralytics YOLO11'in mimarileri, performans ölçütleri, eğitim yöntemleri ve en uygun dağıtım senaryoları teknik açıdan karşılaştırılıyor.
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: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- Belgeler: DAMO-YOLO Belgeleri
YOLO11 Ayrıntıları:
- Yazarlar: Glenn Jocher ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2024-09-27
- GitHub: ultralytics/ultralytics
- Belgeler: YOLO11 Belgeleri
Mimari Tasarım Felsefesi#
Bir nesne algılama modelinin temel mimarisi; çıkarım hızını, doğruluğunu ve farklı donanım ortamlarına uyarlanabilirliğini belirler.
DAMO-YOLO, omurgasını otomatik olarak tasarlamak için büyük ölçüde Sinir Ağı Mimarisi Araması (NAS) kullanan çeşitli akademik yenilikler sunar. Özellik füzyonunu geliştirmek için verimli bir RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanır ve önceki mimarilerdeki ağır tahmin başlığını önemli ölçüde küçülten ZeroHead tasarımından yararlanır. NAS odaklı bu yaklaşım, DAMO-YOLO'nun belirli GPU'larda verimlilik elde etmesini sağlasa da ortaya çıkan mimariler, farklı uç cihazlara genellenmek için gereken esneklikten yoksun olabilir.
Buna karşılık YOLO11, optimize edilmiş ve elle tasarlanmış bir mimari sunmak için yıllarca süren temel araştırmaları esas alır. Gereksiz hesaplamaları azaltan yalın bir omurga ve verimli bir boyun yapısına odaklanır. YOLO11'in başlıca avantajlarından biri, iyileştirilmiş parametre verimliliğidir; RT-DETR gibi Transformer tabanlı modellerde tipik olan yüksek VRAM gereksinimleri olmadan güçlü özellik temsili elde eder. Böylece YOLO11; tüketici sınıfı GPU'larda, mobil cihazlarda ve özel uç hızlandırıcılarda sorunsuz çalışabilen çok yönlü bir model olur.
Performans ve Metrikler#
Performansı değerlendirirken hız, model boyutu ve hesaplama yükü (FLOPs) arasındaki dengeyi göz önünde bulundurmak ve yalnızca en yüksek doğruluk değerine odaklanmamak gerekir.
| Model | boyut (piksel) | mAPval50-95 | 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Tabloda görüldüğü gibi YOLO11, dengeli bir performans sunar. Örneğin YOLO11s varyantı, çok daha az parametre kullanırken doğrulukta DAMO-YOLOs varyantını geride bırakır. Bellek gereksinimlerindeki bu azalma, doğrudan daha düşük dağıtım maliyetleri ve uç cihazlarda daha çevik performans sağlar.
Eğitim Yöntemleri ve Kullanılabilirlik#
Geliştiriciler zamanlarının büyük bölümünü eğitim sürecinde geçirir; bu nedenle eğitim verimliliği önemli bir konudur.
DAMO-YOLO, büyük ölçüde bilgi damıtmaya dayanan çok aşamalı bir eğitim süreci kullanır. Etiket ataması için AlignedOTA (Optimal Taşıma Ataması) yönteminden yararlanır ve bilgiyi daha küçük "öğrenci" modellere aktarmak üzere çoğu zaman daha büyük bir "öğretmen" modelinin eğitilmesini gerektirir. Bu yöntem, gereken CUDA belleği miktarını ve yakınsama için gereken toplam hesaplama süresini önemli ölçüde artırır.
Buna karşılık Ultralytics ekosistemi, model eğitiminin karmaşıklığını ortadan kaldırır. YOLO11 kullanım kolaylığı için tasarlanmıştır; yalın bir Python API'si ve mühendislerin özel veri kümelerinde tek bir komutla eğitime başlamasını sağlayan kapsamlı bir CLI sunar. Eğitim süreci kaynakları verimli kullanır ve bellek kullanımındaki ani artışları en aza indirerek daha büyük modellerin bile standart donanımlarda eğitilmesini sağlar.
Ultralytics modeli eğitmek için kalıp kod yazman gerekmez. Yerleşik veri yükleme, artırma ve kayıp hesaplama süreçleri doğrudan çalışır.
Ultralytics modeli eğitme ve dışa aktarma için kısa bir örnek:
from ultralytics import YOLO
# Önceden eğitilmiş YOLO11 small modelini yükle
model = YOLO("yolo11s.pt")
# Modeli özel bir veri kümesiyle eğit
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Eğitilmiş modeli dağıtım için ONNX'e aktar
model.export(format="onnx")YOLO11 hakkında daha fazla bilgi edin
Gerçek Dünya Uygulamaları ve Çok Yönlülük#
Bu mimariler arasındaki seçim çoğu zaman dağıtım ortamının gerektirdiği görevlerin kapsamına bağlıdır.
DAMO-YOLO'nun Uygun Olduğu Alanlar#
DAMO-YOLO, yalnızca nesne algılamaya yönelik bir çerçevedir. Yeniden parametreleştirmeyi araştıran veya belirli Sinir Ağı Mimarisi Araması deneylerini yeniden uygulayan ekiplerin akademik araştırmaları için uygundur. NAS tarafından oluşturulan omurgayla belirli bir GPU hızlandırıcısının eşleştiği, sıkı biçimde kısıtlanmış endüstriyel ortamlarda da kullanılabilir.
Ultralytics Avantajı#
YOLO11 dahil Ultralytics modelleri, çok yönlülükleri ve bakımı iyi yapılan ekosistemleri sayesinde ticari uygulamalarda yaygın biçimde kullanılır. DAMO-YOLO'dan farklı olarak Ultralytics çerçevesi birden fazla görevi yerel olarak destekler. Tıbbi görüntülemede örnek segmentasyonundan sporda biyomekanik analiz için poz tahminine kadar her şeyi tek ve birleşik bir kod tabanı yönetir.
YOLO11'den yararlanan sektörler:
- Akıllı Tarım: Ürün sağlığını izlemek ve hasat makinelerini otomatikleştirmek için nesne algılamadan yararlanma.
- Perakende Analitiği: Müşteri trafiğini analiz etmek ve envanter yönetimini otomatikleştirmek için akıllı gözetim uygulama.
- Lojistik ve Tedarik Zinciri: Hızlı hareket eden konveyör bantlarında Yönlendirilmiş Sınırlayıcı Kutular (OBB) kullanarak yüksek hızlı barkod ve paket algılama.
Kullanım Alanları ve Öneriler#
DAMO-YOLO ile YOLO11 arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlamalarına 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.
YOLO11'i Ne Zaman Seçmeli#
YOLO11 şu durumlar için önerilir:
- Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
- Çoklu Görevli Görüntü Uygulamaları: Algılama, segmentasyon, poz tahmini ve OBB işlemlerini tek bir birleşik çerçevede gerçekleştirmesi gereken projeler.
- Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.
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, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük 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.
Yeni Nesil: YOLO26 ile Tanış#
YOLO11 güçlü ve güvenilir bir seçenek olmaya devam etse de bilgisayarlı görü alanı hızla gelişiyor. Yeni projelere başlayan geliştiriciler için en yeni YOLO26 modeli önerilen başlangıç noktasıdır.
Ocak 2026'da yayımlanan YOLO26, çeşitli yenilikler sunar:
- Uçtan Uca NMS'siz Tasarım: İsteğe bağlı bire bir başlığı (
nms=False) sayesinde YOLO26, Maksimum Olmayanların Bastırılması son işlemesini atlar; böylece daha hızlı ve öngörülebilir çıkarım süreleri ile daha basit dağıtım süreçleri sunar. - CPU'da %43'e Varan Hızlanma: Dağılımsal Odak Kaybı (DFL) kaldırıldığında YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır ve özel GPU'su olmayan uç ve düşük güç tüketimli cihazlara uygun hâle gelir.
- MuSGD Optimize Edicisi: Moonshot AI'dan esinlenen LLM eğitim tekniklerini görüntü işlemeye taşıyan bu hibrit optimize edici, eğitim sırasında kararlı ve hızlı yakınsama sağlar.
- Gelişmiş Eğitim Teknikleri: ProgLoss + STAL ile YOLO26, hava görüntüleri ve robotik için kritik olan küçük nesne tanımayı iyileştirir.
Sonuç#
Hem DAMO-YOLO hem de YOLO11, hızlı ve doğru bilgisayarlı görünün gelişimine önemli katkılar sağlamıştır. DAMO-YOLO, mimari arama ve damıtma konusunda ilgi çekici akademik bilgiler sunarken Ultralytics YOLO11 (ve daha yeni YOLO26) geliştiricilere daha akıcı bir deneyim sağlar.
Daha düşük bellek gereksinimleri, kapsamlı belgeleri, çoklu görev yetenekleri ve Ultralytics Platform ile bütünleşmesi sayesinde Ultralytics modelleri, sağlam ve ölçeklenebilir yapay zekâ çözümleri geliştirmek isteyen araştırmacılar ve kurumsal mühendisler için en iyi öneri olmaya devam ediyor. Diğer gelişmiş mimarileri inceleyenler için YOLO26 ve RT-DETR karşılaştırması, Transformer tabanlı alternatifler hakkında ek bilgiler sunar.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.