Link to this sectionDAMO-YOLO ile YOLOv5 karşılaştırması#

Bilgisayarlı görü alanındaki evrim, gerçek zamanlı nesne tespiti konusundaki sürekli inovasyonla şekillenmiştir. Günümüzde geliştiriciler ve araştırmacılar, görü hatlarını tasarlarken sayısız mimari seçenekle karşı karşıyadır. Bu kapsamlı teknik karşılaştırma, DAMO-YOLO ile Ultralytics YOLOv5 arasındaki nüansları inceleyerek; mimarilerini, eğitim metodolojilerini, performans metriklerini ve ideal dağıtım senaryolarını vurgulamaktadır.

Link to this sectionDAMO-YOLO'ya Giriş#

Alibaba Group tarafından yayınlanan DAMO-YOLO, tespit hızı ve doğruluğunun sınırlarını zorlamayı hedefleyen birçok yeni teknik tanıttı.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 23 Kasım 2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Dokümanlar: README.md

DAMO-YOLO hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

DAMO-YOLO, Sinirsel Mimari Arama (NAS) temeli üzerine kuruludur. Yazarlar, gecikme süresi ile doğruluk arasında denge kuran arka kemikleri (backbone) otomatik olarak tasarlamak için MAE-NAS kullandılar. Model, farklı ölçeklerde özellik birleştirmeyi iyileştiren verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) sunar. Ayrıca DAMO-YOLO, karmaşık çok dallı tahmin başlıklarını ortadan kaldırıp, çıkarım sırasında büyük ölçüde yeniden parametrelendirmeye dayanan daha basit ve verimli bir yapı lehine "ZeroHead" tasarımını bünyesine katar.

Eğitimi iyileştirmek için model, etiket ataması için AlignedOTA ve daha büyük bir "öğretmen" modelin daha küçük "öğrenci" modelin daha yüksek doğruluk elde etmesine rehberlik ettiği yoğun bir damıtma iyileştirme süreci kullanır.

Link to this sectionUltralytics YOLOv5'e Giriş#

Ultralytics YOLOv5, kararlılığı, kullanım kolaylığı ve geniş dağıtım ekosistemiyle bilinen, dünyada en yaygın benimsenen görü mimarilerinden biridir.

• Yazarlar: Glenn Jocher
• Kuruluş: Ultralytics
• Tarih: 26 Haziran 2020
• GitHub: ultralytics/yolov5
• Dokümanlar: YOLOv5 Dokümantasyonu

YOLOv5 hakkında daha fazla bilgi edin

Link to this sectionEkosistem Standardı#

YOLOv5, kullanılabilirlik konusunda endüstri standardını yeniden tanımladı. PyTorch içinde yerel olarak inşa edilmiş olup, yüksek düzeyde optimize edilmiş bir CSPNet arka kemiği ve sağlam özellik toplaması için bir PANet boyun yapısı kullanır. Daha sonraki modellerde görülen çapasız (anchor-free) trendden önce gelmesine rağmen, oldukça rafine edilmiş çapa tabanlı yaklaşımı ve otomatik çapa öğrenimi, kutudan çıktığı anda mükemmel performans sağlar.

YOLOv5'in gerçek gücü, İyi Korunan Ekosisteminde yatar. Comet ve Weights & Biases gibi takip araçlarıyla sorunsuz entegre olur ve ONNX, TensorRT ve CoreML gibi formatlara tek tıkla dışa aktarmayı destekler.

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, Ortalama Hassasiyet (mAP), çıkarım hızı ve parametre sayısı dengesine bakmak kritiktir.

Link to this sectionÖdünleşimleri Analiz Etmek#

DAMO-YOLO, damıtma eğitimi aşamasından büyük ölçüde faydalanarak parametre boyutlarına göre etkileyici mAP skorları elde eder. Ancak bu, Eğitim Verimliliği pahasına gerçekleşir. Çok aşamalı damıtma süreci, önce ağır bir öğretmen modelin eğitilmesini gerektirir; bu da gerekli GPU hesaplama süresini ve VRAM kullanımını önemli ölçüde artırır.

Buna karşılık, YOLOv5 mükemmel Bellek Gereksinimleri sunar. Ultralytics YOLO modelleri, karmaşık damıtma hatlarına veya RT-DETR gibi Transformer tabanlı modellere kıyasla hem eğitim hem de çıkarım sırasında daha düşük bellek kullanımıyla bilinir. Bu, YOLOv5'in tüketici sınıfı donanımlarda veya Google Colab gibi erişilebilir bulut ortamlarında verimli bir şekilde eğitilmesini sağlar.

Link to this sectionGerçek Dünya Uygulamaları ve Çok Yönlülük#

Doğru mimariyi seçmek genellikle dağıtım ortamına bağlıdır.

Link to this sectionDAMO-YOLO'nun Öne Çıktığı Yerler#

DAMO-YOLO kesinlikle bir nesne tespiti modelidir. Akademik araştırmalar için, özellikle Sinirsel Mimari Arama çalışan veya makalede detaylandırılan yeniden parametrelendirme tekniklerini yeniden üretmeyi hedefleyen ekipler için mükemmel bir seçimdir. Eğer bir projenin damıtma eğitim aşamasını yürütmek için geniş hesaplama kaynakları varsa ve yalnızca 2D sınırlayıcı kutular için doğruluktan son bir parça daha verim almaya odaklanıyorsa, DAMO-YOLO güçlü bir adaydır.

Link to this sectionUltralytics Avantajı#

Gerçek dünya üretimi için Ultralytics modellerinin Kullanım Kolaylığı ve Çok Yönlülüğü onları tercih edilen seçenek yapar. YOLOv5 tespit ve görüntü sınıflandırma için temel bir araç olmaya devam ederken, daha geniş Ultralytics ekosistemi geliştiricilerin görevler arasında zahmetsizce geçiş yapmasına olanak tanır.

Örneğin, Ultralytics ailesindeki daha yeni yinelemeler yerel olarak örnek bölümleme, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) tespitini destekler. Bu çok görevli yetenek, ekiplerin otomatik plaka tanıma ile araç bölümlemeyi birleştirmek gibi karmaşık hatlar için tek ve birleşik bir Python API'si kullanabilmesini sağlar.

Link to this sectionKullanım Durumları ve Öneriler#

DAMO-YOLO ile YOLOv5 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 sectionYOLOv5 Ne Zaman Seçilmeli#

YOLOv5 şunlar için önerilir:

• Kanıtlanmış Üretim Sistemleri: YOLOv5'in uzun istikrar geçmişinin, kapsamlı belgelerinin ve devasa topluluk desteğinin değerli olduğu mevcut dağıtımlar.
• Kaynak Kısıtlı Eğitim: YOLOv5'in verimli eğitim hattının ve düşük bellek gereksinimlerinin avantajlı olduğu, sınırlı GPU kaynaklarına sahip ortamlar.
• Kapsamlı Dışa Aktarma Formatı Desteği: ONNX, TensorRT, CoreML ve TFLite dahil olmak üzere birçok formatta dağıtım gerektiren projeler.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• 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 sectionGelecek: YOLO26'ya Geçiş#

YOLOv5 efsanevi olsa ve DAMO-YOLO ilginç akademik içgörüler sunsa da, teknolojinin geldiği nokta değişti. Ocak 2026'da yayınlanan Ultralytics YOLO26, görü topluluğu için büyük bir ileri atılımı temsil eder.

YOLO26 hakkında daha fazla bilgi edin

YOLO26, uç cihaz dağıtımı ve eğitim kararsızlığının geleneksel darboğazlarını ele alır:

• Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) sonrası işlemini yerel olarak ortadan kaldırır. Bu çığır açan özellik, dağıtım mantığını basitleştirir ve gecikme değişkenliğini önemli ölçüde azaltarak onu yüksek hızlı robotik ve otonom sistemler için ideal hale getirir.
• MuSGD Optimize Edici: LLM eğitim inovasyonlarından (Moonshot AI'nin Kimi K2'si gibi) ilham alan YOLO26, MuSGD optimize edicisini (SGD ve Muon'un bir melezi) kullanır. Bu, son derece kararlı eğitim süreçleri ve dikkat çekici derecede daha hızlı yakınsama sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 CPU'larda ve uç cihazlarda YOLO11 ve YOLOv8 gibi seleflerine kıyasla çok daha üstün hızlar elde eder.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava drone görüntüleri ve IoT sensör verilerinin analizi için kritik öneme sahip olan küçük nesne tanımasında belirgin iyileştirmeler sağlar.

Link to this sectionKod Örneği: Basitlik İş Başında#

Ultralytics paketi, modelleri yalnızca birkaç satır kodla eğitmenize ve dağıtmanıza olanak tanır. İster YOLOv5 kullanıyor olun, ister önerilen YOLO26'ya yükseltin, arayüz tutarlı ve sezgisel kalmaya devam eder.

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

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

Link to this sectionSonuç#

Hem DAMO-YOLO hem de YOLOv5, bilgisayarlı görü dünyasına önemli katkılarda bulunmuştur. DAMO-YOLO, Sinirsel Mimari Arama ve damıtmanın gücünü sergileyerek araştırmacılar için ilginç bir çalışma konusu oluşturur. Ancak YOLOv5, Performans Dengesi, düşük bellek gereksinimleri ve eşsiz kullanım kolaylığı nedeniyle pratik bir güç merkezi olmaya devam etmektedir.

Bugün yeni projeler başlatan geliştiriciler için tavsiye, Ultralytics Platform avantajlarından yararlanmak ve YOLO26'yı benimsemektir. YOLOv5'in sevilen kullanıcı dostu ekosistemini çığır açan mimari gelişmelerle birleştirerek, hem bulut hem de uç AI uygulamaları için en üst düzeyde doğruluk ve ışık hızında çıkarım sağlar. Geliştiriciler ayrıca, belirli eski donanım kısıtlamalarına bağlı olarak YOLOv6 veya YOLOX gibi diğer verimli modelleri keşfetmek isteyebilirler.