Link to this sectionDAMO-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.

Link to this sectionDAMO-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

Link to this sectionMimari 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

Link to this sectionYOLOv6-3.0: Endüstriyel Verimliliği En Üst Düzeye Çıkarma#

Meituan Vision AI Departmanı tarafından öncülük edilen YOLOv6-3.0, özellikle NVIDIA donanımı üzerinde verimliliği 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

Link to this sectionTemel Özellikler ve Geliştirmeler#

YOLOv6-3.0, donanım dostu EfficientRep omurgası üzerine inşa edilmiştir, bu da onu modern GPU'larda TensorRT gibi optimizasyonlardan yararlanırken olağanüstü hızlı kılar. v3.0 sürümünde ağ, değişen nesne boyutlarının konumlandırmasını iyileştirmek için bir Çift Yönlü Birleştirme (BiC) modülü entegre eder.

Bir diğer öne çıkan 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 bu da onu akıllı şehir analitiği ve otomatik ödeme sistemlerinde devasa video akışlarını işlemek için güçlü bir seçenek haline getirir.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Gerçek zamanlı çıkarım için bu modelleri 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.

Link to this sectionKullanım Durumları ve Öneriler#

DAMO-YOLO ve YOLOv6 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 sectionNe 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'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

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 sectionUltralytics Avantajı: YOLO26 ile Tanışın#

Hem DAMO-YOLO hem de YOLOv6-3.0 oldukça yetenekli olsalar da, parçalanmış ekosistemlerden, tek görev sınırlamalarından ve karmaşık dağıtım hatlarından muzdariptirler. Modern mühendislik ekipleri için Ultralytics modelleri, çığır açan YOLO26 ile sonuçlanan önemli ölçüde daha iyi bir geliştirici deneyimi sağlar.

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

Link to this sectionNeden YOLO26 Seçmelisin?#

1. Uçtan Uca NMS-Free Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Non-Maximum Suppression (NMS) sonrası işlemeyi yerel olarak ortadan kaldırır. Bu, dağıtım kodunu önemli ölçüde basitleştirir ve tüm uç cihazlarda 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 tespitinde dramatik iyileşmeler görerek, hava görüntüleri ve kusur denetimi için en uygun seçenek haline gelir.
5. Eşsiz Çok Yönlülük: Sadece sınırlayıcı kutular yapan endüstriyel modellerin aksine, YOLO26 ailesi Görüntü Sınıflandırma, Örnek Segmentasyonu, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) dahil olmak üzere çok modlu görevleri destekler.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionKesintisiz Ekosistem Deneyimi#

Ultralytics Platformu tüm makine öğrenimi yaşam döngüsünü dönüştürür. Bir model eğitmek artık çok aşamalı bir damıtma kabusu değildir. Otomatik veri artırma, birleşik hiperparametre ayarlama ve ONNX, OpenVINO ve CoreML gibi formatlara tek tıklamayla dışa aktarma ile haftalar değil, saatler içinde veri setinden üretime geçersin.

Additionally, Ultralytics models are known for their memory efficiency, sidestepping the massive VRAM bottlenecks that plague transformer architectures like RT-DETR.

Link to this sectionHızlı 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)

Link to this sectionSonuç#

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 iyi bakılan bir ekosistem talep eden geliştiriciler ve araştırmacılar için Ultralytics YOLO26 eşsizdir. LLM'den esinlenen iyileştiricileri temiz, NMS içermeyen bir mimariyle harmanlayan YOLO26, uç ve bulut ortamlarında en son teknoloji doğruluğu sunarken AI dağıtımını basitleştirir.

Yeni bir bilgisayarlı görü projesi için modelleri değerlendiriyorsan, Ultralytics YOLO ekosisteminin yeteneklerini keşfetmeni şiddetle öneririz. Ayrıca, gerçek zamanlı vizyon yapay zekasının evrimini tam olarak kavramak için bunları EfficientDet gibi diğer mimarilerle veya YOLO11 gibi önceki kilometre taşlarıyla karşılaştırmayı yararlı bulabilirsin.