DAMO-YOLO ve YOLO26#

Bilgisayarlı görü alanı, yüksek doğruluğu düşük gecikmeli çıkarımla dengeleyen mimarilere duyulan ihtiyaçla sürekli gelişiyor. Bu karşılaştırmada DAMO-YOLO ve Ultralytics YOLO26 modellerinin mimari yeniliklerini, eğitim yöntemlerini ve ideal kullanım alanlarını inceleyerek teknik ayrıntılarını ele alıyoruz.

Görüntü modellerini uç cihazlara dağıtıyor veya yüksek verimli bulut hatları geliştiriyor ol, bu modeller arasındaki incelikleri anlamak modern yapay zekâ geliştirmede bilinçli mimari kararlar vermek için kritik öneme sahiptir.

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 Ağı Mimarisi Araması (NAS) kullanarak verimli mimarileri otomatik olarak keşfetmeye büyük ölçüde odaklanır.

Özgün araştırmayı ArXiv makalesinde inceleyebilir veya kaynak kodunu DAMO-YOLO GitHub deposunda keşfedebilirsin.

Temel Mimari Özellikler#

DAMO-YOLO, gerçek zamanlı nesne algılamanın sınırlarını zorlamak üzere tasarlanmış çeşitli teknik yenilikler sunar:

• MAE-NAS Omurgaları: DAMO-YOLO, en uygun omurgaları bulmak için maksimum entropi yönlendirmeli bir arama kullanır. Bu NAS yaklaşımı, belirli donanımlarda algılama doğruluğu ile çıkarım hızını dengeli biçimde sağlayan mimarileri keşfeder.
• Verimli RepGFPN: Hava görüntülerinde görülen karmaşık sahneleri analiz ederken büyük fayda sağlayan, özellik birleştirmeyi önemli ölçüde iyileştiren ağır bir boyun tasarımı.
• ZeroHead Tasarımı: Son tahmin katmanlarının hesaplama karmaşıklığını en aza indiren, oldukça basitleştirilmiş bir algılama başlığı.
• AlignedOTA ve Damıtma: DAMO-YOLO, etiket atama belirsizliklerini gidermek için Hizalanmış Optimal Taşıma Ataması'nı (AlignedOTA) kullanır; bunu, daha büyük öğretmen ağlarından yararlanarak daha küçük öğrenci modellerinin doğruluğunu artıran güçlü bir bilgi damıtma stratejisiyle birleştirir.

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 görüntü yapay zekâsının zirvesini temsil ediyor. YOLO11 ve YOLOv10 mirası üzerine inşa edilen YOLO26; öncelikle uç cihazlara dağıtım, çoklu görev çok yönlülüğü ve benzersiz kullanım kolaylığı için baştan tasarlandı.

YOLO26 Yenilikleri#

Ultralytics YOLO26, modern bilgisayarlı görü uygulamaları için kesin tercih olmasını sağlayan birçok çığır açıcı özellik sunar:

• Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLO26'nın yerel bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemini ortadan kaldırır. İlk olarak YOLOv10'da öncülüğü yapılan bu uçtan uca yaklaşım, dağıtım hatlarını önemli ölçüde basitleştirir ve belirlenimci, düşük gecikmeli çıkarım sağlar.
• CPU'da %43'e Kadar Daha Hızlı Çıkarım: Uç bilişim için mimari açıdan optimize edilen YOLO26, uç cihazlarda ve standart CPU'larda olağanüstü hız sunarak pille çalışan IoT cihazları için mükemmel bir seçenek olur.
• 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'nın kaldırılması, model grafiğini basitleştirerek ONNX ve TensorRT gibi biçimlere sorunsuz dışa aktarma olanağı sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve tarım için kritik olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.

Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ile hesaplama verimliliği (Hız/FLOP) arasındaki denge çok önemlidir. Aşağıdaki tabloda bu modellerin sektör standardı COCO veri kümesindeki karşılaştırması yer alıyor.

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

Eğitim Verimliliği ve Kullanılabilirlik#

DAMO-YOLO'nun Karmaşıklıkları#

DAMO-YOLO rekabetçi doğruluk sunsa da eğitim yöntemi oldukça karmaşıktır. Sinir Ağı Mimarisi Araması'na (NAS) ve yoğun bilgi damıtmaya dayanması, özel bir modeli eğitmenin çoğu zaman önemli GPU kaynakları ve uzmanlık gerektirdiği anlamına gelir. Büyük bir öğretmen modeli eğitip bilgisini daha küçük bir öğrenci modele aktarmayı içeren bu çok aşamalı süreç, özel veri kümelerinde hızlıca yineleme yapmaya çalışan çevik mühendislik ekiplerini yavaşlatabilir.

Kolaylaştırılmış Ultralytics Deneyimi#

Buna karşılık Ultralytics YOLO26, "sıfırdan zirveye" kullanım kolaylığı sunacak şekilde tasarlanmıştır. Tüm eğitim, doğrulama ve dağıtım yaşam döngüsü, sade ve birleşik bir Python API'si ile CLI arkasında soyutlanmıştır. Ayrıca YOLO26, RT-DETR gibi Transformer tabanlı modellere kıyasla eğitim sırasında çok daha az CUDA belleği gerektirir; böylece araştırmacılar son teknoloji modelleri tüketici sınıfı donanımlarda eğitebilir.

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

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 bir ortamı tercih eden ekipler için Ultralytics Platform, veri kümesi etiketleme, bulut eğitimi ve sorunsuz 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 tercih edilen seçenek YOLO26'dır. Uçtan Uca, NMS Gerektirmeyen tasarımı, gerçek zamanlı olarak görsel verileri robotik aktüatörlerle eş zamanlı hâle getirmek için gerekli olan belirlenimci ve dalgalanmasız gecikmeyi sağlar.

Uç Yapay Zekâ ve Mobil Cihazlar#

Bilgisayarlı görüyü pille çalışan cihazlara dağıtmak olağanüstü verimlilik gerektirir. DAMO-YOLO belirli RepGFPN boyunlarına dayanırken YOLO26n (Nano), uç bilişim için özel olarak optimize edilmiştir. DFL'nin kaldırılması ve CPU'da %43 daha hızlı çıkarım sunması, onu akıllı kameralar, mobil uygulamalar ve güvenlik alarm sistemleri için en iyi çözüm 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: 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.

Sonuç#

Her iki mimari de derin öğrenme alanında önemli başarılara imza atmıştır. DAMO-YOLO, belirli donanım kıyaslamalarına göre uyarlanmış Sinir Ağı Mimarisi Araması ve damıtma tekniklerinin gücüne dair ilgi çekici bir fikir verir.

Ancak üretime hazır bir çözüm arayan geliştiriciler, araştırmacılar ve kurumlar için Ultralytics YOLO26 üstün bir seçenek olarak öne çıkar. Uçtan uca, NMS gerektirmeyen tasarımının, CPU çıkarımındaki büyük kazanımlarının, çoklu görev çok yönlülüğünün ve bakımı iyi yapılan Ultralytics ekosistemine entegrasyonunun birleşimi, onu günümüzün gerçek dünya bilgisayarlı görü zorluklarını çözmek için en sağlam ve pratik araç hâline getirir.

Ultralytics ekosistemindeki diğer modelleri keşfetmek isteyen kullanıcılar için YOLO11, YOLOv8 ve Transformer tabanlı RT-DETR hakkında kapsamlı belgeler mevcuttur.