DAMO-YOLO ve YOLOv6-3.0#

Bilgisayarlı görü alanındaki hızlı gelişim, endüstriyel uygulamalara göre uyarlanmış son derece uzmanlaşmış mimarilerin ortaya çıkmasını sağladı. Bunlar arasında gerçek zamanlı performans ve dağıtım verimliliğine odaklanan iki güçlü model öne çıkıyor: DAMO-YOLO ve YOLOv6-3.0. Bu sayfa, dağıtım seçeneklerini değerlendirmeni kolaylaştırmak için mimarilerinin, performans ölçümlerinin ve eğitim yöntemlerinin kapsamlı bir teknik karşılaştırmasını sunar.

DAMO-YOLO: Sinirsel Mimari Arama, Nesne Algılamayla Buluşuyor#

Alibaba Group'taki araştırmacılar tarafından geliştirilen DAMO-YOLO, Sinirsel Mimari Arama'yı (NAS) omurga tasarımına yoğun biçimde entegre ederek YOLO ailesine yeni 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 kısıtları altında en uygun ağ yapılarını otomatik olarak arayan, MAE-NAS adlı NAS ile optimize edilmiş bir omurga kullanır. Bu sayede model, farklı donanım profilleri arasında verimli bir şekilde ölçeklenir. Özellik birleştirmeyi iyileştirmek için mimari, Efficient RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanır ve çok ölçekli temsili önemli ölçüde geliştirir.

Ayrıca model, bir "ZeroHead" tasarımı sunar. Algılama başlığındaki karmaşık çok dallı yapıları kaldırarak uzamsal bilgiyi daha etkili biçimde korurken hesaplama yükünü azaltır. Eğitim yöntemi ayrıca AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve güçlü bilgi damıtmasından yararlanır; böylece daha küçük öğrenci modelleri, daha büyük öğretmen ağlarından öğrenebilir.

DAMO-YOLO hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Verimliliği En Üst Düzeye Çıkarma#

Meituan Vision AI Department tarafından öncülük edilen YOLOv6-3.0, açıkça endüstriyel bir nesne algılayıcı olarak tanımlanır ve NVIDIA donanımında verimi en üst düzeye çıkarmak üzere özel olarak tasarlanmıştır.

• 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 İyileştirmeler#

YOLOv6-3.0, donanım dostu EfficientRep omurgası üzerine kuruludur ve modern GPU'larda TensorRT gibi optimizasyonlardan yararlanıldığında olağanüstü hızlıdır. Ağ, v3.0 sürümünde farklı nesne boyutlarının konumlandırılmasını iyileştirmek için Bi-directional Concatenation (Çift Yönlü Birleştirme) (BiC) modülünü entegre eder.

Bir diğer öne çıkan özellik Anchor-Aided Training (Çapa Destekli Eğitim) (AAT) stratejisidir. AAT, eğitim sırasında çapa tabanlı algılayıcıların kararlılığını, çıkarım sırasında çapasız tasarımın hızıyla birleştirir. Bu hibrit yaklaşım, dağıtım gecikmesinden ödün vermeden mükemmel yakınsama sağlar ve onu akıllı şehir analizlerinde ve otomatik ödeme sistemlerinde büyük video akışlarını işlemek için güçlü bir seçenek hâline getirir.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek zamanlı çıkarım için değerlendirirken parametreleri, FLOP'ları ve doğruluğu dengelemek kritik önem taşır. Aşağıda performanslarını karşılaştıran ayrıntılı bir değerlendirme yer alıyor.

DAMO-YOLO küçük ölçekte hafif bir üstünlük gösterse de (46.0 mAP'e karşı 45.0 mAP), YOLOv6-3.0 orta ve büyük ölçeklerde daha iyi ölçeklenebilirlik sergileyerek öne çıkar ve nano yapılandırmasında mutlak olarak en düşük parametre sayısını korur.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLOv6 arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlarına 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.

YOLOv6 Ne Zaman Seçilmeli#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanım Farkındalıklı Dağıtım: Modelin donanım farkındalıklı tasarımının ve verimli yeniden parametrelendirmesinin belirli hedef donanımlarda optimize edilmiş performans sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU üzerinde ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Zaten Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde çalışan ekipler.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• 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.

Ultralytics Avantajı: YOLO26 ile Tanışın#

Hem DAMO-YOLO hem de YOLOv6-3.0 son derece yetenekli olsa da parçalı ekosistemlerden, tek görev sınırlamalarından ve karmaşık dağıtım işlem hatlarından muzdariptir. Modern mühendislik ekipleri için Ultralytics modelleri, çığır açan YOLO26 ile zirveye ulaşan, önemli ölçüde daha iyi bir geliştirici deneyimi sunar.

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

Neden YOLO26'yı Seçmelisin?#

1. Uçtan Uca NMS'siz Tasarım: YOLOv10 kavramları üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma son işlemesini yerel olarak ortadan kaldırır. Bu, dağıtım kodunu önemli ölçüde basitleştirir ve tüm uç cihazlarda çıkarım gecikmesi değişkenliğini azaltır.
2. Üstün Optimizasyon: YOLO26, SGD ile Muon'un (büyük dil modellerinden ilham alan) bir melezi olan MuSGD Optimizer kullanır; bu da son derece kararlı eğitim çalışmaları ve daha hızlı yakınsama sağlar.
3. Donanım Esnekliği: DFL Removal (Dağılımsal Odak Kayıbı) uygulanarak çıkış başlıkları basitleştirilir ve uç cihaz uyumluluğu artırılır. Hatta YOLO26, %43'e kadar daha hızlı CPU çıkarımı elde ederek mobil veya IoT uç ortamlarında YOLOv6'dan çok daha üstün hâle gelir.
4. Geliştirilmiş Doğruluk: ProgLoss + STAL kullanan YOLO26, küçük nesne algılamada büyük iyileşmeler sağlar ve hava görüntüleri ile kusur denetimi için en uygun seçenek hâline gelir.
5. Rakipsiz Çok Yönlülük: Yalnızca sınırlayıcı kutular yapan endüstriyel modellerin aksine YOLO26 ailesi; Görüntü Sınıflandırma, Örnek Bölütleme, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) dahil olmak üzere birden fazla görevi destekler.

Sorunsuz Ekosistem Deneyimi#

Ultralytics Platformu, makine öğrenimi yaşam döngüsünün tamamını dönüştürür. Model eğitimi artık çok aşamalı bir damıtma sorunu değildir. Otomatik veri artırma, birleştirilmiş hiperparametre ayarı ve ONNX, OpenVINO ve CoreML gibi biçimlere tek tıklamayla dışa aktarma sayesinde veri kümesinden üretime haftalar değil, saatler içinde geçersin.

Ayrıca Ultralytics modelleri bellek verimliliğiyle bilinir ve RT-DETR gibi Transformer mimarilerini etkileyen büyük VRAM darboğazlarını ortadan kaldırır.

Hızlı Başlangıç Kod Örneği#

YOLO26 gibi bir Ultralytics modeliyle eğitim ve çıkarım yapmak son derece basittir. Aşağıdaki Python betiği, yalnızca birkaç satır kodla nesneleri hemen izlemeye nasıl 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 algılamanın sınırlarını zorlayan etkileyici mühendislik başarılarıdır. Ancak bunlar genellikle karmaşık kurulumlar ve katı donanım kısıtları gerektiren, son derece uzmanlaşmış araçlardır.

Kusursuz bir performans dengesi, çok görevli yetenekler ve aktif olarak iyi sürdürülen bir ekosistem talep eden geliştiriciler ve araştırmacılar için Ultralytics YOLO26 rakipsizdir. Büyük dil modeli odaklı optimize edicileri temiz, NMS'siz bir mimariyle birleştiren YOLO26, AI dağıtımını basitleştirirken uç ve bulut ortamlarında son teknoloji doğruluk sunar.

Yeni bir bilgisayarlı görü projesi için modelleri değerlendiriyorsan Ultralytics YOLO ekosisteminin yeteneklerini keşfetmeni önemle öneririz. Gerçek zamanlı görü yapay zekâsının gelişimini tam olarak kavramak için bunları EfficientDet gibi diğer mimarilerle veya YOLO11 gibi önceki dönüm noktalarıyla karşılaştırmayı da yararlı bulabilirsin.