DAMO-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.

DAMO-YOLO: Ölçekte Sinirsel Mimari Arama#

DAMO-YOLO, Alibaba Group tarafından geliştirilmiş ve 23 Kasım 2022'de yayınlanmıştır. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından tasarlanan model, Sinirsel Mimari Arama (NAS) kullanarak verimli mimarilerin otomatik olarak keşfedilmesine büyük ölçüde odaklanır.

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

Temel 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: Özellik füzyonunu önemli ölçüde iyileştiren, havadan çekilen görüntüverilerinde bulunanlar gibi karmaşık sahneleri analiz ederken son derece faydalı olan ağır bir boyun tasarımı.
• 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

Ultralytics Avantajı: YOLO26#

14 Ocak 2026'da Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde yayımlanan YOLO26, erişilebilir ve yüksek performanslı yapay zeka tabanlı görü teknolojisinin zirvesini temsil eder. YOLO11 ve YOLOv10 mirasından güç alan YOLO26; uç cihaz odaklı dağıtım, çok modlu esneklik ve benzersiz kullanım kolaylığı için sıfırdan tasarlanmıştır.

YOLO26 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 Varan 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: Dağıtım Odak Kaybı'nın (Distribution Focal Loss) kaldırılmasıyla model grafiği basitleştirilir ve ONNX ve TensorRT gibi formatlara sorunsuz bir şekilde dışarı aktarım sağlanır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone operasyonları ve tarım için kritik bir özellik olan küçük nesne tanımada dikkat çekici iyileştirmeler sağlar.

YOLO26 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri değerlendirirken doğruluk (mAP) ile hesaplama verimliliği (Hız/FLOP'lar) arasındaki denge çok önemlidir. Aşağıdaki tablo, bu modellerin endüstri standardı COCO veri seti kullanılarak 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.

Eğitim Verimliliği ve Kullanılabilirlik#

DAMO-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.

Kolaylaştırılmış Ultralytics Deneyimi#

Buna karşılık Ultralytics YOLO26, "sıfırdan zirveye" kullanım kolaylığı için tasarlanmıştır. Tüm eğitim, doğrulama ve dağıtım yaşam döngüsü, temiz ve birleştirilmiş bir Python API ve CLI arkasında soyutlanmıştır. Dahası, YOLO26, RT-DETR gibi transformer tabanlı modellere kıyasla eğitim sırasında çok daha az CUDA belleği gerektirir; bu sayede araştırmacılar, son teknoloji modelleri tüketici sınıfı donanımlar üzerinde eğitebilir.

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 seti etiketleme, bulut eğitimi ve kesintisiz dağıtım için sezgisel bir arayüz sağlar.

Gerçek Dünya Uygulamaları#

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

Endüstriyel Kalite Kontrol#

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 İçermeyen (End-to-End NMS-Free) tasarımı, görsel verileri robotik aktüatörlerle gerçek zamanlı olarak senkronize ederken esansiyel olan deterministik, titreşimsiz gecikme süresi sağlar.

Uç Yapay Zekası ve Mobil Cihazlar#

Pille çalışan cihazlarda bilgisayarlı görü dağıtımı 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 nihai çözüm haline getirir.

Çok Modlu Proje Gereksinimleri#

Bir proje, nesne tespitinin ötesinde—poz tahmini kullanarak spor dalındaki oyuncu mekaniklerini analiz etmek veya örnek bölütleme kullanarak tam piksel sınırlarını çıkarmak gibi—şeyler gerektiriyorsa, YOLO26 tüm bu görevler için tek ve birleştirilmiş bir kod tabanı içinde yerel destek sağlar. DAMO-YOLO kesinlikle sınırlayıcı kutu tespiti ile sınırlıdır.

Kullanım Durumları ve Öneriler#

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

Ne 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.

Ne 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Sonuç#

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 transformatör tabanlı RT-DETR için kapsamlı belgeler mevcuttur.