Link to this sectionDAMO-YOLO ile YOLO26 karşılaştırması#

Bilgisayarlı görü alanı, yüksek doğruluk ile düşük gecikmeli çıkarımı dengeleyen mimarilere duyulan ihtiyaçla sürekli gelişiyor. Bu karşılaştırma, DAMO-YOLO ve Ultralytics YOLO26'nın teknik inceliklerine inerek mimari yeniliklerini, eğitim metodolojilerini ve ideal kullanım senaryolarını keşfediyor.

İster uç cihazlara görü modelleri dağıtıyor ol, ister yüksek hacimli bulut hatları kuruyor ol, modern yapay zeka geliştirmede bilinçli mimari kararlar almak için bu modeller arasındaki nüansları anlaman şarttır.

Link to this sectionDAMO-YOLO: Ölçekte Sinirsel Mimari Arama#

Alibaba Group tarafından geliştirilen DAMO-YOLO, 23 Kasım 2022'de yayınlandı. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından tasarlanan model, Sinirsel Mimari Arama (NAS) kullanarak verimli mimarilerin otomatik keşfine yoğun bir şekilde odaklanıyor.

Orijinal araştırmayı ArXiv makalelerinden inceleyebilir veya kaynak kodunu DAMO-YOLO GitHub deposunda keşfedebilirsin.

Link to this sectionTemel Mimari Özellikler#

DAMO-YOLO, gerçek zamanlı nesne tespiti sınırlarını zorlamak için tasarlanmış birkaç teknik yenilik sunuyor:

• MAE-NAS Backbones: DAMO-YOLO, en uygun omurgaları (backbone) bulmak için Çok Amaçlı Evrimsel arama kullanır. Bu NAS yaklaşımı, tespit doğruluğunu belirli donanımlar üzerindeki çıkarım hızıyla sıkı bir şekilde dengeleyen mimarileri keşfeder.
• Efficient RepGFPN: Hava görüntüleri gibi karmaşık sahneleri analiz ederken oldukça faydalı olan, özellik birleşimini önemli ölçüde iyileştiren ağır bir boyun (neck) tasarımıdır.
• ZeroHead Design: Nihai tahmin katmanlarının hesaplama karmaşıklığını en aza indiren, oldukça basitleştirilmiş bir tespit kafasıdır.
• AlignedOTA ve Distilasyon: DAMO-YOLO, etiket atama belirsizliklerini çözmek için Hizalanmış Optimal Taşıma Ataması (AlignedOTA) kullanır ve daha büyük öğretmen ağlarını kullanarak daha küçük öğrenci modellerinin doğruluğunu artırmak için sağlam bir bilgi damıtma geliştirme stratejisiyle birleştirir.

DAMO-YOLO hakkında daha fazla bilgi edinin

Link to this sectionUltralytics Avantajı: YOLO26#

Ultralytics'ten Glenn Jocher ve Jing Qiu tarafından 14 Ocak 2026'da yayınlanan YOLO26, erişilebilir ve yüksek performanslı yapay zeka görüsünün zirvesini temsil ediyor. YOLO11 ve YOLOv10 mirasının üzerine inşa edilen YOLO26; uç cihazlara öncelik veren dağıtım, çok modlu çok yönlülük ve benzersiz kullanım kolaylığı için sıfırdan tasarlandı.

Link to this sectionYOLO26 Yenilikleri#

Ultralytics YOLO26, onu modern bilgisayarlı görü uygulamaları için kesin seçim haline getiren çeşitli çığır açıcı özellikler sunuyor:

• Uçtan Uca NMS-Free Tasarımı: YOLO26, Non-Maximum Suppression (NMS) son işlemini doğal olarak ortadan kaldırır. İlk olarak YOLOv10'da öncülük edilen bu uçtan uca yaklaşım, dağıtım hatlarını büyük ölçüde basitleştirir ve belirleyici, düşük gecikmeli çıkarım sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim için mimari olarak optimize edilen YOLO26, uç cihazlarda ve standart CPU'larda olağanüstü hız sunarak pille çalışan IoT cihazları için mükemmel hale gelir.
• MuSGD Optimizer: LLM eğitiminden (Moonshot AI'ın Kimi K2'si gibi) esinlenen YOLO26, SGD ve Muon'un bir hibritini içerir. Bu, büyük dil modeli eğitim kararlılığını bilgisayarlı görüye getirerek daha hızlı ve daha güvenilir yakınsama sağlar.
• DFL Kaldırma: Dağılım Odak Kaybını (Distribution Focal Loss) kaldırarak model grafiği basitleştirilir ve ONNX ile TensorRT gibi formatlara sorunsuz dışa aktarıma olanak tanır.
• ProgLoss + STAL: These advanced loss functions provide notable improvements in small-object recognition, a critical feature for drone operations and agriculture.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ve hesaplama verimliliği (Hız/FLOPs) arasındaki denge son derece önemlidir. Aşağıdaki tablo, bu modellerin endüstri standardı olan COCO veri kümesini kullanarak nasıl karşılaştırıldığını vurgulamaktadır.

Yukarıda görüldüğü gibi, YOLO26 önemli ölçüde daha az parametre ve FLOP ile sürekli olarak daha yüksek doğruluk sağlar, bu da hem eğitim hem de çıkarım için çok daha verimli bir mimari ile sonuçlanır.

Link to this sectionEğitim Verimliliği ve Kullanılabilirlik#

Link to this sectionDAMO-YOLO'nun Karmaşıklıkları#

DAMO-YOLO rekabetçi bir doğruluk elde etse de, eğitim metodolojisi oldukça karmaşıktır. Sinirsel Mimari Arama (NAS) ve yoğun bilgi damıtmaya olan bağımlılık, özel bir model eğitmenin genellikle önemli GPU kaynakları ve uzmanlık bilgisi gerektirdiği anlamına gelir. Büyük bir öğretmen modelini daha küçük bir öğrenci modeline damıtmak için eğitmekten oluşan bu çok aşamalı süreç, özel veri kümeleri üzerinde hızlıca yineleme yapmaya çalışan çevik mühendislik ekipleri için bir darboğaz oluşturabilir.

Link to this sectionKolaylaştırılmış Ultralytics Deneyimi#

Conversely, Ultralytics YOLO26 is designed for "zero-to-hero" usability. The entire training, validation, and deployment lifecycle is abstracted behind a clean, unified Python API and CLI. Furthermore, YOLO26 requires significantly less CUDA memory during training compared to transformer-based models like RT-DETR, allowing researchers to train state-of-the-art models on consumer-grade hardware.

Ultralytics SDK kullanarak bir YOLO26 modelini eğitmenin, değerlendirmenin ve dışa aktarmanın ne kadar basit olduğuna dair bir örnek:

from ultralytics import YOLO

# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evaluate the model's performance on the validation set
metrics = model.val()

# Run inference on a sample image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

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

Kodsuz bir ortamı tercih eden ekipler için Ultralytics Platform; veri kümesi etiketleme, bulut eğitimi ve sorunsuz dağıtım için sezgisel bir arayüz sağlar.

Link to this sectionGerçek Dünya Uygulamaları#

Doğru mimariyi seçmek, hedef dağıtım ortamına ve donanım kısıtlamalarına büyük ölçüde bağlıdır.

Link to this sectionEndüstriyel Kalite Kontrol#

Yüksek hızlı üretim otomasyonu için DAMO-YOLO, özel GPU donanımlarında iyi performans gösterebilir. Ancak YOLO26, modern montaj hatları için tercih edilen seçimdir. Uçtan Uca NMS-Free tasarımı, görsel verileri robotik aktüatörlerle gerçek zamanlı olarak senkronize ederken gerekli olan belirleyici ve titreşimsiz gecikmeyi garanti eder.

Link to this sectionUç Yapay Zekası ve Mobil Cihazlar#

Pille çalışan cihazlarda bilgisayarlı görü dağıtmak aşırı verimlilik gerektirir. DAMO-YOLO belirli RepGFPN boyunlarına güvenirken, YOLO26n (Nano) özellikle uç bilişim için optimize edilmiştir. DFL kaldırma özelliği ve %43 daha hızlı CPU çıkarımı, onu akıllı kameralar, mobil uygulamalar ve güvenlik alarm sistemleri için en üst düzey çözüm haline getirir.

Link to this sectionÇok Modlu Proje Gereksinimleri#

Bir proje sadece nesne tespiti değil, örneğin poz tahmini kullanarak spor alanındaki oyuncu mekaniklerini analiz etmek veya örnek bölütleme kullanarak tam piksel sınırlarını çıkarmak gibi daha fazlasını talep ediyorsa, YOLO26 tek ve birleşik bir kod tabanı içinde tüm bu görevlerde yerel destek sağlar. DAMO-YOLO, sınırlayıcı kutu tespitiyle kesin olarak sınırlıdır.

Link to this sectionKullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLO26 arasında seçim yapmak, 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 sectionNe Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için önerilir:

• 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 sectionSonuç#

Her iki mimari de derin öğrenme alanında önemli başarıları temsil ediyor. DAMO-YOLO, belirli donanım kıyaslamaları için uyarlanmış Sinirsel Mimari Arama ve damıtma tekniklerinin gücüne büyüleyici bir bakış sunuyor.

Ancak üretime hazır bir çözüm arayan geliştiriciler, araştırmacılar ve işletmeler için Ultralytics YOLO26 üstün seçenek olarak öne çıkıyor. Uçtan uca NMS-free tasarımı, devasa CPU çıkarım kazanımları, çok modlu çok yönlülüğü ve iyi bakılan Ultralytics ekosistemine entegrasyonu, onu günümüzde gerçek dünya bilgisayarlı görü zorluklarını çözmek için en sağlam ve pratik araç haline getiriyor.

Ultralytics ekosistemindeki diğer modelleri keşfetmek isteyen kullanıcılar için YOLO11, YOLOv8 ve transformer tabanlı RT-DETR için kapsamlı belgelendirme mevcuttur.