DAMO-YOLO ile YOLOv6-3.0 karşılaştırması#

Bilgisayarlı görüdeki hızlı gelişim, endüstriyel uygulamalar için özel olarak tasarlanmış oldukça uzmanlaşmış mimariler ortaya çıkardı. Bunlar arasında gerçek zamanlı performans ve dağıtım verimliliğine odaklanmalarıyla iki ağır top öne çıkıyor: DAMO-YOLO ve YOLOv6-3.0. Bu sayfa, dağıtım seçeneklerinizi belirlemenize yardımcı olmak için mimarilerinin, performans metriklerinin ve eğitim metodolojilerinin derinlemesine teknik bir karşılaştırmasını sunar.

DAMO-YOLO: Sinirsel Mimari Arayışı Nesne Tespiti ile Buluşuyor#

Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, omurga tasarımına Sinirsel Mimari Arayışı'nı (NAS) yoğun bir şekilde entegre ederek YOLO ailesine yenilikçi bir yaklaşım getiriyor.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

Mimari Yenilikler#

DAMO-YOLO, belirli gecikme kısıtlamaları altında optimal ağ yapılarını otomatik olarak arayan MAE-NAS adlı NAS optimize edilmiş bir omurga kullanır. Bu, modelin farklı donanım profilleri arasında verimli bir şekilde ölçeklenmesini sağlar. Özellik birleştirmeyi iyileştirmek için mimari, çok ölçekli temsili önemli ölçüde geliştiren Verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanır.

Ayrıca model, "ZeroHead" tasarımını sunar. Tespit başlığındaki karmaşık çok kollu yapıları kaldırarak, hesaplama yükünü azaltırken uzamsal bilgiyi daha etkili bir şekilde korur. Eğitim metodolojisi ayrıca AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve güçlü bilgi damıtmadan yararlanarak daha küçük öğrenci modellerin daha ağır öğretmen ağlarından öğrenmesini sağlar.

DAMO-YOLO hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Verimliliği En Üst Düzeye Çıkarma#

Meituan Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle NVIDIA donanımında veri akışı verimliliğini en üst düzeye çıkarmak için tasarlanmış endüstriyel bir nesne dedektörü olarak açıkça etiketlenmiştir.

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Temel Özellikler ve Geliştirmeler#

YOLOv6-3.0, donanım dostu EfficientRep omurgası üzerine kurulmuştur ve modern GPU'larda TensorRT gibi optimizasyonlardan yararlanırken olağanüstü derecede hızlı olmasını sağlar. v3.0 sürümünde ağ, farklı nesne boyutlarının konumlandırma hassasiyetini iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü entegre eder.

Bir diğer dikkat çekici özellik ise Çapa Destekli Eğitim (AAT) stratejisidir. AAT, eğitim sırasında çapa tabanlı dedektörlerin kararlılığını çapasız bir tasarımın çıkarım hızıyla birleştirir. Bu hibrit yaklaşım, dağıtım gecikmesinden ödün vermeden mükemmel bir yakınsama sağlar ve akıllı şehir analitiği ile otomatik ödeme sistemlerinde devasa video akışlarını işlemek için güçlü bir seçenek haline getirir.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek zamanlı çıkarım açısından değerlendirirken parametreleri, FLOP'ları ve doğruluğu dengelemek çok önemlidir. Aşağıda performanslarını karşılaştıran ayrıntılı bir değerlendirme bulunmaktadır.

DAMO-YOLO küçük seviyede (46.0 mAP'ye karşı 45.0 mAP) hafif bir üstünlüğe sahip olsa da, YOLOv6-3.0 orta ve büyük seviyelerde kazanarak daha üstün bir ölçeklenebilirlik sergiler ve nano konfigürasyonunda mutlak en düşük parametreleri korur.

Kullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLOv6 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 YOLOv6 Seçilmeli#

YOLOv6 şunlar için önerilir:

• Endüstriyel Donanım Odaklı Dağıtım: Modelin donanım odaklı tasarımı ve verimli yeniden parametrelendirilmesinin, belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerindeki ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistem Entegrasyonu: Halihazırda Meituan's teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

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

Ultralytics Avantajı: YOLO26 ile Tanışın#

DAMO-YOLO ve YOLOv6-3.0 son derece yetenekli olsa da parçalı ekosistemlerden, tek görev sınırlamalarından ve karmaşık dağıtım boru hatlarından muzdariptir. Modern mühendislik ekpleri için Ultralytics modelleri, çığır açan YOLO26 ile sonuçlanan çok daha üstün bir geliştirici deneyimi sunar.

Ocak 2026'da yayınlanan YOLO26, bellek gereksinimlerini ve hesaplama verimliliğini büyük ölçüde optimize ederek uç ve bulut dağıtımı için yeni standardı temsil eder.

Neden YOLO26 Seçmelisin?#

1. Uçtan Uca NMS'siz Tasarım: YOLOv10 konseptleri üzerine inşa edilen YOLO26, Non-Maximum Suppression sonrası işlemini yerel olarak ortadan kaldırır. Bu, tüm uç cihazlarda dağıtım kodunu önemli ölçüde basitleştirir ve çıkarım gecikmesi varyansını azaltır.
2. Üstün Optimizasyon: YOLO26, oldukça kararlı eğitim süreçleri ve daha hızlı yakınsama sağlayan, SGD ve Muon'un (büyük dil modellerinden esinlenilmiştir) bir hibriti olan MuSGD Optimizer kullanır.
3. Donanım Çok Yönlülüğü: DFL (Dağılım Odaklı Kayıp) Kaldırma işlemini uygulayarak, çıktı başlıkları basitleştirilir ve uç cihaz uyumluluğu artırılır. Aslında YOLO26, %43'e kadar daha hızlı CPU çıkarımı elde ederek, mobil veya IoT uç ortamları için YOLOv6'dan çok daha üstündür.
4. Gelişmiş Doğruluk: ProgLoss + STAL kullanan YOLO26, küçük nesne tespiti konusunda büyük gelişmeler kaydeder; bu da onu hava görüntüsü ve kusur denetimi için ideal seçim haline getirir.
5. Eşsiz Çok Yönlülük: Yalnızca sınırlayıcı kutular (bounding box) oluşturan endüstriyel modellerin aksine YOLO26 ailesi; Görüntü Sınıflandırma, Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) dahil olmak üzere çok modlu görevleri destekler.

YOLO26 hakkında daha fazla bilgi edin

Kesintisiz Ekosistem Deneyimi#

Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü dönüştürür. Bir modeli eğitmek artık çok aşamalı bir damıtma zahmeti olmaktan çıkar. Otomatik veri artırımı (augmentation), birleşik hiperparametre optimizasyonu ve ONNX, OpenVINO ve CoreML gibi formatlara tek tıkla dışa aktarma özellikleri sayesinde veri setinden üretime haftalar içinde değil, saatler içinde geçersiniz.

Ek olarak Ultralytics modelleri bellek verimlilikleriyle bilinir ve RT-DETR gibi transformer mimarilerini kasıp kavuran devasa VRAM darboğazlarının önüne geçer.

Hızlı Başlangıç Kod Örneği#

YOLO26 gibi bir Ultralytics modeliyle eğitim ve çıkarım yapmak son derece basittir. Aşağıdaki Python betiği, sadece birkaç satır kodla nesneleri izlemeye nasıl hemen başlayabileceğini gösterir:

from ultralytics import YOLO

# Load the highly efficient, NMS-free YOLO26 nano model
model = YOLO("yolo26n.pt")

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

# Run inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export to TensorRT for maximum GPU throughput
model.export(format="engine", dynamic=True)

Sonuç#

Hem DAMO-YOLO hem de YOLOv6-3.0, endüstriyel nesne tespitinin sınırlarını zorlayan etkileyici mühendislik başarılarıdır. Ancak bunlar, genellikle karmaşık kurulumlar ve katı donanım kısıtlamaları gerektiren oldukça özel araçlardır.

Mükemmel bir performans dengesi, çoklu görev yetenekleri ve aktif olarak bakımı yapılan bir ekosistem talep eden geliştiriciler ve araştırmacılar için Ultralytics YOLO26 rakipsizdir. LLM'den ilham alan optimize edicileri temiz ve NMS'siz bir mimariyle harmanlayan YOLO26, uç ve bulut ortamlarında son teknoloji doğruluk sunarken yapay zeka dağıtımını basitleştirir.

Yeni bir bilgisayarlı görü projesi için modelleri değerlendiriyorsanız, Ultralytics YOLO ekosisteminin yeteneklerini keşfetmenizi şiddetle tavsiye ederiz. Gerçek zamanlı yapay görüşün evrimini tam olarak kavramak için bunları EfficientDet gibi diğer mimarilerle veya YOLO11 gibi önceki kilometre taşlarıyla karşılaştırmayı da yararlı bulabilirsiniz.