DAMO-YOLO ile YOLO11 karşılaştırması#

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 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
Dokümanlar: DAMO-YOLO Documentation

YOLO11 Ayrıntıları:
Yazarlar: Glenn Jocher ve Jing Qiu
Kuruluş: Ultralytics
Tarih: 2024-09-27
GitHub: ultralytics/ultralytics
Dokümanlar: YOLO11 Documentation

Mimari 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, elle tasarlanmış bir mimari sunmak için yıllar süren temel araştırmaların üzerine inşa edilir. Gereksiz hesaplamaları azaltan akıcı bir ana omurgaya ve son derece verimli bir boyun yapısına odaklanır. YOLO11'in temel avantajlarından biri, gelişmiş parametre verimliliğidir; RT-DETR gibi tabanlı transformer modellerinin tipik olarak gerektirdiği yüksek VRAM ihtiyaçları olmaksızın yüksek özellik temsili elde eder. Bu, YOLO11'i son derece çok yönlü kılarak tüketici sınıfı GPU'larda, mobil cihazlarda ve özel uç hızlandırıcılarda sorunsuz bir şekilde çalışmasını sağlar.

Performans ve Metrikler#

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

Tablonun da gösterdiği gibi, YOLO11 son derece elverişli bir performans dengesi elde eder. Örneğin YOLO11s varyantı, önemli ölçüde daha küçük bir parametre ayak izini 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

Eğitim Metodolojileri ve Kullanılabilirlik#

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

DAMO-YOLO, bilgi damıtımına büyük ölçüde bağımlı olan çok aşamalı bir eğitim süreci kullanır. Etiket ataması için AlignedOTA (Optimal Transport Assignment) kullanır ve bilgiyi daha küçük "öğrenci" modellerine damıtmak için genellikle daha büyük bir "öğretmen" modelinin eğitilmesini gerektirir. Bu metodoloji, CUDA memory ayak izini ve optimum yakınsamaya ulaşmak için gereken genel işlem süresini büyük ölçüde artırır.

Buna karşılık Ultralytics ekosistemi, model eğitiminin karmaşıklığını soyutlar. YOLO11; mühendislerin tek bir komutla özel veri kümelerinde eğitimi başlatmasına olanak tanıyan, akıcı bir Python API ve kapsamlı CLI interfaces içeren olağanüstü bir kullanım kolaylığı için tasarlanmıştır. Eğitim boru hattı, daha büyük modellerin bile standart donanımda eğitilebilmesi için bellek sıçramalarını en aza indirerek doğası gereği kaynak verimlidir.

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

Gerçek Dünya Uygulamaları ve Çok Yönlülük#

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

DAMO-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.

Ultralytics Avantajı#

YOLO11 dahil olmak üzere Ultralytics modelleri, benzersiz çok yönlülükleri ve iyi korunan ekosistemleri sayesinde gerçek dünyadaki ticari uygulamalarda parlar. DAMO-YOLO'nun aksine Ultralytics çerçevesi, çok modlu görevleri yerel olarak destekler. Tıbbi görüntülemedeki Instance Segmentation işleminden spordaki biyomekanik analiz için Pose Estimation işlemlerine kadar tek ve birleştirilmiş bir kod tabanı hepsini 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 smart surveillance uygulaması.
• Lojistik ve Tedarik Zinciri: Hızlı hareket eden konveyör bantları üzerinde Oriented Bounding Boxes (OBB) kullanarak yüksek hızlı barkod ve paket algılama.

Kullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLO11 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne 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.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için önerilir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Gelecek Nesil: YOLO26 ile Tanışın#

YOLO11 güçlü ve güvenilir bir seçenek olmaya devam ederken, bilgisayarlı görü alanı hızlı bir şekilde ilerlemektedir. Yeni projeler başlatan geliştiriciler için en son YOLO26 modeli yeni son teknoloji standardını temsil eder.

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

Sonuç#

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

Daha düşük bellek gereksinimleri, kapsamlı belgeleri, çoklu görev yetenekleri ve güçlü Ultralytics Platform ile entegrasyonu sayesinde Ultralytics modelleri, sağlam ve 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.