DAMO-YOLO ve YOLO26#

Bilgisayarlı görü alanı, yüksek doğruluğu düşük gecikmeli çıkarımla dengeleyen mimarilere duyulan ihtiyaç doğrultusunda sürekli gelişiyor. Bu karşılaştırma, DAMO-YOLO ve Ultralytics YOLO26 modellerinin teknik ayrıntılarını ele alarak mimari yeniliklerini, eğitim yöntemlerini ve ideal kullanım alanlarını inceliyor.

İster görü modellerini uç cihazlara dağıtıyor ister yüksek verimli bulut işlem hatları oluşturuyor ol, modern yapay zekâ geliştirmede bilinçli mimari kararlar almak için bu modeller arasındaki nüansları anlaman kritik önem taşıyor.

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, Neural Architecture Search (NAS) kullanarak verimli mimarilerin otomatik olarak keşfedilmesine büyük ölçüde odaklanır.

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

Temel Mimari Özellikler#

DAMO-YOLO, gerçek zamanlı nesne tespitinin sınırlarını zorlamak üzere tasarlanmış çeşitli teknik yenilikler sunuyor:

• MAE-NAS Arka Uçları: DAMO-YOLO, en uygun arka uçları bulmak için maksimum entropi kılavuzlu bir arama kullanır. Bu NAS yaklaşımı, belirli donanımlarda algılama doğruluğunu çıkarım hızıyla katı bir şekilde dengeleyen mimariler keşfeder.
• Efficient RepGFPN: Özellik birleştirmeyi önemli ölçüde iyileştiren ağır bir boyun tasarımıdır; bu, hava görüntülerinde bulunanlar gibi karmaşık sahneleri analiz ederken son derece faydalıdır.
• ZeroHead Design: Son tahmin katmanlarının hesaplama karmaşıklığını en aza indiren, büyük ölçüde basitleştirilmiş bir tespit başlığıdır.
• AlignedOTA and Distillation: DAMO-YOLO, etiket atamasındaki belirsizlikleri gidermek için Aligned Optimal Transport Assignment (AlignedOTA) kullanıyor ve daha büyük öğretmen ağlarından yararlanarak daha küçük öğrenci modellerinin doğruluğunu artıran güçlü bir bilgi damıtma stratejisiyle bunu destekliyor.

DAMO-YOLO hakkında daha fazla bilgi edin

Ultralytics Avantajı: YOLO26#

14 Ocak 2026'da Glenn Jocher ve Jing Qiu tarafından Ultralytics şirketinde yayınlanan YOLO26, erişilebilir, yüksek performanslı yapay zeka görüşünün zirvesini temsil eder. YOLO11 ve YOLOv10 mirası üzerine inşa edilen YOLO26, uç öncelikli dağıtım, çoklu görev çok yönlülüğü ve eşsiz kullanım kolaylığı için sıfırdan tasarlanmıştır.

YOLO26 Yenilikleri#

Ultralytics YOLO26, onu modern bilgisayarlı görü uygulamaları için kesin tercih hâline getiren birçok çığır açıcı özellik sunuyor:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) son işleme adımını yerel olarak ortadan kaldırıyor. İlk olarak YOLOv10'da öncülük edilen bu uçtan uca yaklaşım, dağıtım işlem hatlarını büyük ölçüde basitleştiriyor ve deterministik, düşük gecikmeli çıkarım sağlıyor.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Uç bilişim için mimari açıdan optimize edilen YOLO26, uç cihazlarda ve standart CPU'larda olağanüstü hız sunuyor; bu da onu pille çalışan IoT cihazları için ideal hâle getiriyor.
• MuSGD Optimizer: LLM eğitiminden (Moonshot AI'ın Kimi K2'si gibi) ilham alan YOLO26, SGD ile Muon'un birleşiminden yararlanıyor. Bu yaklaşım, büyük dil modeli eğitiminin kararlılığını bilgisayarlı görüye taşıyarak daha hızlı ve güvenilir yakınsama sağlıyor.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılmasıyla model grafiği basitleştiriliyor ve ONNX ile TensorRT gibi biçimlere sorunsuz dışa aktarma mümkün oluyor.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone operasyonları ve tarım için kritik bir özellik olan küçük nesne tanımada dikkate değer iyileştirmeler sağlıyor.

Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ile hesaplama verimliliği (Hız/FLOPs) arasındaki denge büyük önem taşıyor. Aşağıdaki tablo, bu modellerin endüstri standardı COCO veri kümesini kullanarak nasıl karşılaştırıldığını gösteriyor.

Yukarıda görüldüğü üzere YOLO26, önemli ölçüde daha az parametre ve FLOPs kullanarak sürekli olarak daha yüksek doğruluk sunuyor; bu da eğitim ve çıkarım için çok daha verimli bir mimari ortaya çıkarıyor.

Eğitim Verimliliği ve Kullanılabilirlik#

DAMO-YOLO'nun Karmaşıklıkları#

DAMO-YOLO rekabetçi bir doğruluk elde etse de eğitim yöntemi oldukça karmaşık. Neural Architecture Search (NAS) ve yoğun bilgi damıtımına dayanması, özel bir modelin eğitiminin genellikle önemli GPU kaynakları ve uzmanlık bilgisi gerektirdiği anlamına geliyor. Büyük bir öğretmen modelinin eğitilip daha küçük bir öğrenci modele damıtıldığı bu çok aşamalı süreç, özel veri kümeleri üzerinde hızlıca yineleme yapmaya çalışan çevik mühendislik ekiplerinde darboğaz oluşturabilir.

Kolaylaştırılmış Ultralytics Deneyimi#

Buna karşılık Ultralytics YOLO26, "sıfırdan kahramana" kullanım kolaylığı için tasarlandı. Eğitim, doğrulama ve dağıtım yaşam döngüsünün tamamı, temiz ve birleşik bir Python API'si ile CLI arkasında soyutlanıyor. Ayrıca YOLO26, RT-DETR gibi Transformer tabanlı modellere kıyasla eğitim sırasında önemli ölçüde daha az [CUDA](https://ultralytics-translation-0.invalid belleği gerektiriyor; bu da araştırmacıların son teknoloji modelleri tüketici sınıfı donanımlarda eğitmesine olanak tanıyor.

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

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 sunuyor.

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'siz tasarımı, görsel verileri robotik aktüatörlerle gerçek zamanlı senkronize ederken kritik önem taşıyan deterministik ve titreşimsiz gecikme sağlar.

Uç Yapay Zekâsı ve Mobil Cihazlar#

Bilgisayarlı görünün pille çalışan cihazlarda dağıtılması olağanüstü verimlilik gerektirir. DAMO-YOLO belirli RepGFPN boyunlarına dayanırken YOLO26n (Nano), özellikle uç bilişim için optimize edilmiştir. DFL'nin kaldırılması ve %43 daha hızlı CPU çıkarımı, onu akıllı kameralar, mobil uygulamalar ve güvenlik alarm sistemleri için nihai çözüm hâline getiriyor.

Çoklu Görev Proje Gereksinimleri#

Bir proje yalnızca nesne tespitinden fazlasını, örneğin sporda poz tahmini kullanarak oyuncu hareketlerini analiz etmeyi veya örnek segmentasyonu kullanarak kesin piksel sınırlarını çıkarmayı gerektiriyorsa, YOLO26 tüm bu görevler için tek ve birleşik bir kod tabanı içinde yerel destek sunuyor. DAMO-YOLO ise kesinlikle sınırlayıcı kutu tespitiyle sınırlıdır.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLO26 arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için güçlü bir seçenektir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

YOLO26 Ne Zaman Seçilmeli?#

YOLO26 şu durumlar için önerilir:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

Her iki mimari de derin öğrenme alanında önemli başarılara imza atıyor. DAMO-YOLO, Neural Architecture Search ve belirli donanım kıyaslamaları için uyarlanmış damıtma tekniklerinin gücüne dair büyüleyici bir bakış sunuyor.

Ancak üretime hazır bir çözüm arayan geliştiriciler, araştırmacılar ve işletmeler için Ultralytics YOLO26 üstün seçenek olarak öne çıkar. Uçtan uca NMS'siz tasarımın, büyük CPU çıkarım kazançlarının, çoklu görev çok yönlülüğünün ve iyi korunan Ultralytics ekosistemine entegrasyonun kombinasyonu, YOLO26 modelini günümüzdeki gerçek dünyadaki bilgisayarla görü zorluklarını çözmek için en güçlü ve pratik araç haline getirir.

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