DAMO-YOLO ve YOLO11#

Bir sonraki bilgisayarlı görü projen için gerçek zamanlı bir nesne algılama mimarisi seçerken, önde gelen modeller arasındaki incelikleri anlamak kritik önem taşır. Bu kapsamlı kılavuz, DAMO-YOLO ile Ultralytics YOLO11'i karşılaştıran, mimarilerini, performans metriklerini, eğitim yöntemlerini ve ideal gerçek dünya dağıtım senaryolarını inceleyen derinlemesine bir teknik analiz sunar.

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 çeşitli donanım ortamlarına uyarlanabilirliğini belirler.

DAMO-YOLO, çeşitli akademik yenilikler sunar ve omurgasını otomatik olarak tasarlamak için büyük ölçüde Nöral Mimari Aramasına (NAS) dayanır. Özellik birleştirmeyi geliştirmek için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) ve önceki mimarilerde sıklıkla görülen ağır tahmin başlığını önemli ölçüde küçülten bir ZeroHead tasarımı kullanır. NAS odaklı bu yaklaşım, DAMO-YOLO'nun belirli GPU'larda özgül verimlilikler elde etmesini sağlasa da ortaya çıkan mimariler, farklı uç cihazlara sorunsuz biçimde genellenmek için gereken esneklikten bazen yoksun kalabilir.

Buna karşılık YOLO11, yüksek düzeyde optimize edilmiş, elle tasarlanmış bir mimari sunmak için yıllarca süren temel araştırmaların üzerine kuruludur. Gereksiz hesaplamaları azaltan sadeleştirilmiş bir omurgaya ve son derece verimli bir boyuna odaklanır. YOLO11'in başlıca avantajlarından biri, parametre verimliliğinin geliştirilmiş olmasıdır; RT-DETR gibi Transformer tabanlı modellerde tipik olarak gereken yüksek VRAM miktarına ihtiyaç duymadan yüksek özellik temsili elde eder. Bu sayede YOLO11 son derece çok yönlüdür; tüketici sınıfı GPU'larda, mobil cihazlarda ve özel uç hızlandırıcılarda sorunsuz çalışabilir.

Performans ve Metrikler#

Performansı değerlendirmek, hız, model boyutu ve hesaplama yükü (FLOPs) arasındaki dengeyi dikkate almak için yalnızca genel doğruluğa bakmanın ötesine geçmeyi gerektirir.

Tablonun gösterdiği gibi YOLO11, son derece elverişli bir performans dengesi sunar. Örneğin YOLO11s varyantı, önemli ölçüde daha küçük bir parametre ayak izini korurken doğruluk açısından DAMO-YOLOs değerini aşar. Bellek gereksinimlerindeki bu azalma, doğrudan daha düşük dağıtım maliyetlerine ve uç cihazlarda daha çevik performansa dönüşür.

Eğitim Yöntemleri ve Kullanılabilirlik#

Geliştiriciler zamanlarının çoğunu eğitim işlem hattında geçirir; bu nedenle eğitim verimliliği en önemli konulardan biridir.

DAMO-YOLO, büyük ölçüde bilgi damıtımına dayanan çok aşamalı bir eğitim süreci kullanır. Etiket ataması için AlignedOTA (Optimal Taşıma Ataması) kullanır ve bilgiyi daha küçük "öğrenci" modellere damıtmak için genellikle daha büyük bir "öğretmen" modelinin eğitilmesini gerektirir. Bu yöntem, optimum yakınsamayı elde etmek için gereken CUDA belleği ayak izini ve toplam hesaplama süresini büyük ölçüde artırır.

Buna karşılık Ultralytics ekosistemi, model eğitiminin karmaşıklığını soyutlar. YOLO11, sadeleştirilmiş bir Python API'si ve mühendislerin özel veri kümelerinde tek bir komutla eğitimi başlatmasını sağlayan kapsamlı CLI arayüzleri ile olağanüstü kullanım kolaylığı sunacak şekilde tasarlanmıştır. Eğitim işlem hattı doğası gereği kaynak açısından verimlidir ve bellek sıçramalarını en aza indirerek daha büyük modellerin bile standart donanım üzerinde eğitilebilmesini sağlar.

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 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 kesinlikle bir nesne tespiti çerçevesidir. Ekiplerin yeniden parametrelendirmeyi araştırdığı veya belirli Nöral Mimari Arama deneylerini yeniden ürettiği akademik araştırma ortamlarında üstündür. Ayrıca, çok spesifik bir GPU hızlandırıcının NAS tarafından oluşturulan ana omurgayla mükemmel bir şekilde eşleştiği, sıkı bir şekilde kısıtlanmış endüstriyel ortamlarda da dağıtılabilir.

Ultralytics Avantajı#

YOLO11 dahil Ultralytics modelleri, benzersiz çok yönlülükleri ve iyi bakımı yapılan ekosistemleri sayesinde gerçek dünyadaki ticari uygulamalarda parlar. DAMO-YOLO'nun aksine, Ultralytics çerçevesi birden fazla görevi yerel olarak destekler. Tıbbi görüntülemede Instance Segmentation (Örnek Bölütleme) uygulamasından sporda biyomekanik analiz için Pose Estimation (Poz Tahmini) uygulamasına kadar her şeyi tek ve birleştirilmiş bir kod tabanı yönetir.

YOLO11'den yararlanan sektörler arasında şunlar yer alır:

• 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 taşıma bantlarında Yönlendirilmiş Sınırlayıcı Kutular (OBB) kullanarak yüksek hızlı barkod ve paket algılama.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLO11 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına 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.

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlarda önerilir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

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.

Yeni Nesil: YOLO26'yı Tanıtıyoruz#

YOLO11 güçlü ve güvenilir bir seçenek olmaya devam etse de bilgisayarlı görü alanı hızla ilerliyor. Yeni projelere başlayan geliştiriciler için en yeni YOLO26 modeli, alanındaki yeni son teknoloji standardını temsil ediyor.

Ocak 2026'da yayımlanan YOLO26, çığır açan çeşitli gelişmeler sunar:

• Uçtan Uca NMS'siz Tasarım: Maksimum Olmayan Bastırma son işlemesini ortadan kaldıran YOLO26, daha hızlı, deterministik çıkarım süreleri sağlar ve dağıtım işlem hatlarını önemli ölçüde sadeleştirir.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılımsal Odak Kayıp (DFL) işlevinin kaldırılması sayesinde model, özel GPU'ları bulunmayan uç ve düşük güç tüketimli cihazlar için son derece uygundur.
• MuSGD Optimize Edicisi: LLM eğitimi yeniliklerini (Moonshot AI'dan esinlenerek) bir araya getiren bu hibrit optimize edici, eğitim sırasında kararlı ve hızlı yakınsama sağlar.
• Gelişmiş Kayıp İşlevleri: ProgLoss + STAL kullanan YOLO26, hava görüntüleri ve robotik için kritik olan küçük nesne tanımada dikkate değer iyileşmeler sergiler.

Sonuç#

Hem DAMO-YOLO hem de YOLO11, hızlı ve doğru bilgisayarlı görünün ilerlemesine önemli katkılarda bulunmuştur. DAMO-YOLO, mimari arama ve damıtma konusunda ilgi çekici akademik içgörüler sunarken, Ultralytics YOLO11 (ve çığır açan YOLO26) geliştiricilere daha üstün bir deneyim sağlar.

Daha düşük bellek gereksinimleri, kapsamlı belgeleri, çok görevli yetenekleri ve güçlü Ultralytics Platformu ile entegrasyonu sayesinde Ultralytics modelleri, sağlam ve ölçeklenebilir yapay zeka çözümleri geliştirmek isteyen araştırmacılar ve kurumsal mühendisler için en çok önerilen seçenek olmaya devam eder. Diğer gelişmiş mimarileri inceleyenler için YOLO26 ve RT-DETR karşılaştırması, Transformer tabanlı alternatifler hakkında ek içgörüler sunar.