Başla

DAMO-YOLO ve YOLO26

Bilgisayarlı görü mimarileri, yüksek doğruluğu düşük gecikmeli çıkarımla dengeleme ihtiyacı doğrultusunda gelişmeye devam ediyor. Bu karşılaştırmada DAMO-YOLO ve Ultralytics YOLO26 modellerinin mimari yenilikleri, eğitim yöntemleri ve en uygun kullanım alanları inceleniyor.

Görme modellerini uç cihazlara dağıtıyor veya yüksek aktarım hızlı bulut hatları geliştiriyor ol, bu modeller arasındaki farkları anlamak bilinçli mimari kararlar vermene yardımcı olur.

DAMO-YOLO: Ölçekli Sinir Ağı Mimarisi Araması#

Alibaba Group tarafından geliştirilen DAMO-YOLO, 23 Kasım 2022'de yayımlandı. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından tasarlanan model, Sinir Mimarisi Araması (NAS) kullanarak verimli mimarileri otomatik olarak keşfetmeye odaklanıyor.

Özgün araştırmayı arXiv makalelerinde inceleyebilir veya kaynak kodunu DAMO-YOLO GitHub deposunda gözden geçirebilirsin.

Temel Mimari Özellikler#

DAMO-YOLO, gerçek zamanlı nesne tespiti için çeşitli teknik yenilikler sunuyor:

  • MAE-NAS Omurgaları: DAMO-YOLO, verimli omurgalar bulmak için maksimum entropi yönlendirmeli arama kullanır. Bu NAS yaklaşımı, belirli donanımlarda tespit doğruluğu ile çıkarım hızını katı biçimde dengeleyen mimariler keşfeder.
  • Verimli RepGFPN: Ağır bir boyun tasarımı olan bu yapı, özellik birleştirmeyi önemli ölçüde iyileştirir ve hava görüntülerinde karşılaşılan karmaşık sahneleri analiz etmeye yardımcı olur.
  • ZeroHead Tasarımı: Son tahmin katmanlarının hesaplama karmaşıklığını en aza indiren, oldukça basitleştirilmiş bir algılama başlığı.
  • AlignedOTA ve Damıtma: DAMO-YOLO, etiket atamasındaki belirsizlikleri gidermek için Hizalanmış Optimal Taşıma Ataması (AlignedOTA) kullanır. Ayrıca, büyük öğretmen ağlarından yararlanarak daha küçük öğrenci modellerinin doğruluğunu artıran bir bilgi damıtma stratejisi uygular.

DAMO-YOLO hakkında daha fazla bilgi edin

Ultralytics'in Avantajı: YOLO26#

14 Ocak 2026'da Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde yayımlanan YOLO26, erişilebilir ve yüksek performanslı görsel yapay zekâ için şu anda önerilen Ultralytics modelidir. YOLO11 ve YOLOv10 temelinde geliştirilen YOLO26, en başından itibaren uç cihaz öncelikli dağıtım, çoklu görevlerde çok yönlülük ve kullanım kolaylığı için tasarlanmıştır.

YOLO26 Yenilikleri#

Ultralytics YOLO26, modern bilgisayarlı görü uygulamalarına yönelik çeşitli özellikler sunuyor:

  • Uçtan Uca NMS'siz Tasarım: YOLO26'nın yerel bire bir başlığı (nms=False), Maksimum Olmayanların Bastırılması (NMS) son işlemesini ortadan kaldırır. YOLOv10'un NMS'siz eğitim yaklaşımını temel alan bu uçtan uca yöntem, dağıtım süreçlerini basitleştirir ve öngörülebilir, düşük gecikmeli çıkarım sağlar.
  • CPU'da %43'e Varan Hızlanma: Uç bilişim için mimari açıdan optimize edilen YOLO26, uç cihazlarda ve standart CPU'larda hızlı çıkarım sunar. YOLO26n, YOLO11n'den %43'e kadar daha hızlıdır ve bu özelliğiyle pille çalışan IoT cihazları için oldukça uygundur.
  • MuSGD Optimizasyonu: Büyük dil modeli eğitiminden (Moonshot AI'nin Kimi K2 modeli gibi) ilham alan YOLO26, SGD ile Muon'un hibrit bir birleşimini kullanır. Bu yöntem, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır ve daha hızlı, daha güvenilir yakınsama sağlar.
  • DFL'nin Kaldırılması: Dağılımsal Odak Kaybı (DFL) kaldırılarak model grafiği basitleştirilir ve ONNX ile TensorRT gibi biçimlere dışa aktarma kolaylaşır.
  • ProgLoss + STAL: Aşamalı bir kayıp işlevi ve küçük nesneleri dikkate alan bir etiket atama stratejisi, küçük nesnelerin tanınmasını önemli ölçüde iyileştirir. Bu, drone operasyonları ve tarım için kritik bir özelliktir.
Göreve Özel İyileştirmeler

YOLO26, birden fazla görüntü modalitesinde özel iyileştirmeler içerir: Örnek Segmentasyonu için çok ölçekli bir prototip, Poz Tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamadaki sınır sorunlarını azaltmak için gelişmiş açı kaybı.

Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ile hesaplama verimliliği (hız ve FLOPs) arasındaki denge büyük önem taşır. Aşağıdaki tablo, bu modellerin endüstri standardı COCO veri kümesini kullanarak nasıl karşılaştırıldığını gösterir.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Yukarıda görüldüğü gibi YOLO26, çok daha az parametre ve FLOPs kullanırken tutarlı biçimde daha yüksek doğruluk sunar. Böylece hem eğitim hem de çıkarım için daha verimli bir mimari sağlar.

Eğitim Verimliliği ve Kullanılabilirlik#

DAMO-YOLO'nun Karmaşıklıkları#

DAMO-YOLO rekabetçi doğruluk sunsa da eğitim yöntemi karmaşıktır. Sinir Ağı Mimarisi Araması (NAS) ve yoğun bilgi damıtma kullanımına bağlı olması, özel bir model eğitmenin genellikle önemli GPU kaynakları ve uzmanlık gerektirdiği anlamına gelir. Büyük bir öğretmen modelinin daha küçük bir öğrenci modele bilgi aktarmak üzere eğitildiği bu çok aşamalı süreç, özel veri kümelerinde hızlıca yineleme yapmaya çalışan mühendislik ekiplerini yavaşlatabilir.

Kolaylaştırılmış Ultralytics Deneyimi#

Buna karşılık Ultralytics YOLO26, hızlı başlangıç için tasarlanmıştır. Eğitim, doğrulama ve dağıtım yaşam döngüsünün tamamı, sade ve birleşik bir Python API'si ve CLI üzerinden kullanılabilir. YOLO26 ayrıca, eğitim sırasında RT-DETR gibi Transformer tabanlı modellere kıyasla önemli ölçüde daha az CUDA belleği gerektirir; bu da araştırmacıların tüketici sınıfı donanımlarda yüksek doğruluklu modeller eğitmesine olanak tanır.

Ultralytics Python paketiyle YOLO26 modeli eğitme, değerlendirme ve dışa aktarma örneği:

from ultralytics import YOLO

# En yeni YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8 veri kümesinde 50 epoch boyunca eğit
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Modelin doğrulama kümesindeki performansını değerlendir
metrics = model.val()

# Örnek bir görüntü üzerinde çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Modeli dağıtım için ONNX biçimine aktar
model.export(format="onnx")

Kod yazmadan çalışmayı tercih eden ekipler için Ultralytics Platform, veri kümesi etiketleme, bulutta eğitim ve dağıtım için sezgisel bir arayüz sunar.

Gerçek Dünya Uygulamaları#

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

Endüstriyel Kalite Kontrolü#

Yüksek hızlı üretim otomasyonu için DAMO-YOLO, özel GPU donanımında iyi performans gösterebilir. Ancak modern montaj hatları için YOLO26 tercih edilir. Uçtan Uca NMS'siz tasarımı, görsel verilerle robotik aktüatörleri gerçek zamanlı senkronize ederken kritik öneme sahip, öngörülebilir ve düşük titreşimli gecikme sunar.

Uç Yapay Zekâ ve Mobil Cihazlar#

Pille çalışan cihazlarda bilgisayarlı görü kullanmak yüksek verimlilik gerektirir. DAMO-YOLO belirli RepGFPN boyun yapılarına dayanırken YOLO26n (Nano) uç bilişim için optimize edilmiştir. DFL'nin kaldırılması ve YOLO11n'e kıyasla CPU'da %43'e varan hızlanma özelliği, onu akıllı kameralar, mobil uygulamalar ve güvenlik alarm sistemleri için uygun bir seçenek hâline getirir.

Çoklu Görev Projesi Gereksinimleri#

Bir proje yalnızca nesne algılamanın ötesine geçmeyi gerektiriyorsa (örneğin sporda poz tahminiyle oyuncu mekaniğini analiz etmek veya örnek segmentasyonuyla tam piksel sınırlarını çıkarmak gibi), YOLO26 tüm bu görevler için tek ve birleşik bir kod tabanında yerel destek sunar. DAMO-YOLO ise yalnızca sınırlayıcı kutu algılamayla sınırlıdır.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLO26 arasındaki seçim, projenin özel gereksinimlerine, 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.

YOLO26'yı Ne Zaman Seçmeli?#

YOLO26 şu durumlar için önerilir:

  • NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in YOLO11n'e kıyasla CPU'da %43'e varan hızlı çıkarım sunması belirgin bir avantaj 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.

Sonuç#

Her iki mimari de derin öğrenme alanında önemli başarılara imza atmıştır. DAMO-YOLO, belirli donanım ölçütlerine göre uyarlanan Sinir Ağı Mimarisi Araması ve damıtma tekniklerinin neler başarabileceğini gösterir.

Ancak üretime hazır bir çözüm arayan geliştiriciler, araştırmacılar ve işletmeler için Ultralytics YOLO26 daha güçlü bir seçenektir. Uçtan uca NMS'siz tasarımı, CPU'da %43'e varan daha hızlı çıkarımı (YOLO26n ve YOLO11n karşılaştırması), çoklu görev esnekliği ve bakımı iyi yapılan Ultralytics ekosistemiyle bütünleşmesi sayesinde günümüzde gerçek dünyadaki bilgisayarlı görü sorunlarını çözmek için en sağlam ve pratik araçtır.

Ultralytics ekosistemindeki diğer modelleri incelemek isteyen kullanıcılar için önceden eğitilmiş YOLO11 ve YOLOv8 modelleri Ultralytics Platform'da bulunabilir. Transformer tabanlı RT-DETR ise Ultralytics belgelerinde açıklanmıştır.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.