DAMO-YOLO ve YOLO11#

Bir sonraki bilgisayarlı görü projen için gerçek zamanlı nesne algılama mimarisi seçerken önde gelen modeller arasındaki nüansları anlamak kritik önem taşır. Bu kapsamlı kılavuz, DAMO-YOLO ve Ultralytics YOLO11 modellerini mimarileri, performans ölçütleri, eğitim yöntemleri ve gerçek dünyadaki ideal dağıtım senaryoları açısından karşılaştıran 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 farklı donanım ortamlarına uyarlanabilirliğini belirler.

DAMO-YOLO, omurgasını otomatik olarak tasarlamak için büyük ölçüde Sinir Ağı Mimarisi Araması'na (NAS) dayanan çeşitli akademik yenilikler sunar. Özellik birleştirmeyi iyileştirmek için verimli bir RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) kullanır ve önceki mimarilerde sıklıkla görülen ağır tahmin başlığını önemli ölçüde küçülten bir ZeroHead tasarımına sahiptir. NAS odaklı bu yaklaşım, DAMO-YOLO'nun belirli GPU'larda özel verimlilikler elde etmesini sağlasa da ortaya çıkan mimariler bazen farklı uç cihazlara sorunsuzca genellenmek için gereken esneklikten yoksun kalabilir.

Buna karşılık YOLO11, son derece optimize edilmiş, elle tasarlanmış bir mimari sunmak için yıllara dayanan temel araştırmalardan yararlanır. Sadeleştirilmiş bir omurgaya ve gereksiz hesaplamaları azaltan son derece verimli bir boyuna odaklanır. YOLO11'in başlıca avantajlarından biri, iyileştirilmiş parametre verimliliğidir; RT-DETR gibi Transformer tabanlı modellerde tipik olan yüksek VRAM gereksinimleri olmadan güçlü bir özellik temsili sağlar. Bu da YOLO11'i olağanüstü çok yönlü hâle getirerek tüketici sınıfı GPU'larda, mobil cihazlarda ve özel uç hızlandırıcılarda sorunsuz çalışmasını sağlar.

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.

Tabloda gösterildiği gibi YOLO11, son derece elverişli bir performans dengesi sunar. Örneğin YOLO11s varyantı, çok daha küçük parametre boyutunu korurken DAMO-YOLOs varyantından daha yüksek doğruluk sağlar. Bellek gereksinimlerindeki bu azalma, doğrudan daha düşük dağıtım maliyetlerine ve uç cihazlarda daha çevik performansa dönüşür.

Eğitim Yöntemleri ve Kullanılabilirlik#

Geliştiriciler zamanlarının çoğunu eğitim hattında geçirir; bu nedenle eğitim verimliliği son derece önemlidir.

DAMO-YOLO, bilgi damıtımına büyük ölçüde 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" modelin eğitilmesini gerektirir. Bu yöntem, en iyi yakınsamayı elde etmek için gereken CUDA belleği kullanımını ve toplam hesaplama süresini önemli ölçüde artırır.

Buna karşılık Ultralytics ekosistemi, model eğitiminin karmaşıklığını ortadan kaldırır. YOLO11, mühendislerin özel veri kümelerinde tek bir komutla eğitimi başlatmasını sağlayan sadeleştirilmiş bir Python API'si ve kapsamlı CLI arayüzleri ile olağanüstü kullanım kolaylığı sunacak şekilde tasarlanmıştır. Eğitim hattı doğası gereği kaynakları verimli kullanır ve bellek kullanımındaki ani artışları en aza indirerek daha büyük modellerin bile standart donanımlarda eğitilmesini sağlar.

Bir Ultralytics modelini eğitmenin ve dağıtmanın ne kadar kolay olduğuna dair kısa bir örnek:

from ultralytics import YOLO

# Önceden eğitilmiş YOLO11 small modelini yükle
model = YOLO("yolo11s.pt")

# Özel bir veri kümesinde modeli zahmetsizce eğit
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Sorunsuz dağıtım için eğitilmiş modeli ONNX biçimine 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 algılama için geliştirilmiş bir çerçevedir. Yeniden parametreleştirmeyi araştıran veya belirli Sinir Ağı Mimarisi Araması deneylerini yeniden üreten ekiplerin bulunduğu akademik araştırma ortamlarında öne çıkar. NAS tarafından oluşturulan omurgaya çok özel bir GPU hızlandırıcısının tam olarak uyduğu, sıkı kısıtlamalara sahip endüstriyel ortamlarda da kullanılabilir.

Ultralytics Avantajı#

YOLO11'i de içeren Ultralytics modelleri, benzersiz çok yönlülükleri ve bakımı iyi yapılan ekosistemleri sayesinde gerçek dünyadaki ticari uygulamalarda öne çıkar. DAMO-YOLO'dan farklı olarak Ultralytics çerçevesi birden fazla görevi yerel olarak destekler. Tıbbi görüntülemede Örnek Segmentasyonu işleminden spordaki biyomekanik analiz için Poz Tahmini işlemine 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.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren 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:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• 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, en ileri teknolojiyi temsil ediyor.

Ocak 2026'da yayımlanan YOLO26, çığır açan çeşitli yenilikler sunuyor:

• Uçtan Uca NMS'siz Tasarım: İsteğe bağlı bire bir başlığı (nms=False) sayesinde YOLO26, Maksimum Olmayan Bastırma son işlemesini atlar; böylece daha hızlı, deterministik çıkarım süreleri sağlar ve dağıtım hatlarını önemli ölçüde basitleştirir.
• CPU'da %43'e Varan Hız Artışı: Dağılımsal Odak Kaybı'nın (DFL) kaldırılması sayesinde model, özel GPU'ları olmayan uç cihazlar ve düşük güç tüketimli cihazlar için son derece uygundur.
• MuSGD Optimize Edici: LLM eğitimindeki yenilikleri (Moonshot AI'dan esinlenerek) bir araya getiren bu hibrit optimize edici, eğitim sırasında kararlı ve hızlı yakınsama sağlar.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL kullanan YOLO26, hava görüntüleri ve robotik için kritik öneme sahip küçük nesneleri tanıma konusunda kayda değer iyileşmeler gösterir.

Sonuç#

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

Daha düşük bellek gereksinimleri, kapsamlı belgeleri, çoklu görev yetenekleri ve güçlü Ultralytics Platformu ile entegrasyonu sayesinde Ultralytics modelleri, sağlam ve ölçeklenebilir yapay zekâ çözümleri geliştirmek isteyen araştırmacılar ve kurumsal mühendisler için en iyi seçenek olmayı sürdürüyor. Diğer gelişmiş mimarileri inceleyenler, Transformer tabanlı alternatifler hakkında daha fazla bilgi edinmek için YOLO26 ve RT-DETR karşılaştırmasına da göz atabilir.