DAMO-YOLO ve YOLOv6-3.0#

Bilgisayarlı görüdeki hızlı gelişim, endüstriyel uygulamalara göre uyarlanmış, son derece özelleşmiş mimariler ortaya çıkardı. Bunların arasında gerçek zamanlı performans ve dağıtım verimliliğine odaklanan iki güçlü model öne çıkıyor: DAMO-YOLO ve YOLOv6-3.0. Bu sayfa, dağıtım seçeneklerini değerlendirmen için bu modellerin mimarilerini, performans ölçütlerini ve eğitim yöntemlerini derinlemesine karşılaştırıyor.

DAMO-YOLO: Sinir Mimarisi Araması ile Nesne Algılama Buluşuyor#

Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, omurga tasarımında Sinir Mimarisi Aramasını (NAS) kapsamlı biçimde kullanarak 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, NAS ile optimize edilmiş MAE-NAS adlı bir omurga kullanıyor. Bu sayede model, farklı donanım profillerinde verimli biçimde ölçekleniyor. Özellik birleştirmeyi iyileştirmek için mimaride, çok ölçekli temsili önemli ölçüde güçlendiren Efficient RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) kullanılıyor.

Model ayrıca "ZeroHead" tasarımını sunuyor. Algılama başlığındaki karmaşık çok dallı yapıları kaldırarak uzamsal bilgiyi daha etkili korurken hesaplama yükünü azaltıyor. Eğitim yöntemi, AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve güçlü bilgi damıtma yaklaşımından da yararlanıyor; böylece daha küçük öğrenci modeller daha büyük öğretmen ağlarından öğrenebiliyor.

DAMO-YOLO hakkında daha fazla bilgi edin

YOLOv6-3.0: Endüstriyel Verimliliği En Üst Düzeye Çıkarma#

Meituan Vision AI Department öncülüğünde geliştirilen YOLOv6-3.0, endüstriyel bir nesne algılayıcı olarak tanımlanıyor ve özellikle NVIDIA donanımında verimi en üst düzeye çıkarmak üzere tasarlandı.

• 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 kurulu. Bu sayede modern GPU'larda TensorRT gibi optimizasyonlardan yararlanırken son derece hızlı çalışıyor. Ağın v3.0 sürümünde, farklı boyutlardaki nesnelerin konumunu daha iyi belirlemek için Çift Yönlü Birleştirme (BiC) modülü kullanılıyor.

Öne çıkan bir diğer özellik de Çapa Destekli Eğitim (AAT) stratejisidir. AAT, eğitim sırasında çapa tabanlı algılayıcıların kararlılığını, çapadan bağımsız bir tasarımın çıkarım hızıyla birleştiriyor. Bu karma yaklaşım, dağıtım gecikmesini artırmadan etkili yakınsama sağlıyor ve akıllı şehir analizleri ile otomatik ödeme sistemlerinde büyük video akışlarını işlemek için güçlü bir seçenek sunuyor.

YOLOv6 hakkında daha fazla bilgi edin

Performans Karşılaştırması#

Bu modelleri gerçek zamanlı çıkarım için değerlendirirken parametreler, FLOP'lar ve doğruluk arasında denge kurmak çok önemli. Aşağıda performanslarını karşılaştıran ayrıntılı bir değerlendirme yer alıyor.

DAMO-YOLO küçük model sınıfında hafif bir üstünlük gösterse de (46.0 mAP'ye karşı 45.0 mAP), YOLOv6-3.0 orta ve büyük sınıflarda daha iyi sonuç veriyor; ayrıca nano yapılandırmasında mutlak olarak en az parametreye sahip.

Kullanım Alanları ve Öneriler#

DAMO-YOLO ile YOLOv6 arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlı.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlar için güçlü bir seçenektir:

• Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
• Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.

YOLOv6'yı Ne Zaman Seçmeli?#

YOLOv6 şu durumlarda önerilir:

• Endüstriyel Donanımı Dikkate Alan Dağıtım: Modelin donanımı dikkate alan tasarımının ve verimli yeniden parametreleştirmesinin belirli hedef donanımlarda performans optimizasyonu sağladığı senaryolar.
• Hızlı Tek Aşamalı Algılama: Kontrollü ortamlarda gerçek zamanlı video işleme için GPU'da ham çıkarım hızına öncelik veren uygulamalar.
• Meituan Ekosistemi Entegrasyonu: Teknoloji yığını ve dağıtım altyapısı olarak hâlihazırda Meituan'ın sistemlerini kullanan ekipler.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

DAMO-YOLO ve YOLOv6-3.0 oldukça yetenekli olsa da parçalı ekosistemleri, tek görev kısıtlamaları ve karmaşık dağıtım hatları gibi sorunları var. Modern mühendislik ekipleri için Ultralytics modelleri, çığır açan YOLO26 ile doruğa ulaşan çok daha iyi bir geliştirici deneyimi sunuyor.

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

Neden YOLO26'yı Seçmelisin?#

1. Uçtan Uca, NMS Gerektirmeyen Tasarım: YOLOv10 kavramlarını temel alan YOLO26, isteğe bağlı bire bir başlığı (nms=False) üzerinden Maksimum Olmayan Bastırma son işlemesini atlayan yerleşik uçtan uca çıkarımı destekliyor. Bu, dağıtım kodunu önemli ölçüde basitleştiriyor ve tüm uç cihazlarda çıkarım gecikmesindeki değişkenliği azaltıyor.
2. Üstün Optimizasyon: YOLO26, SGD ile Muon'un hibriti olan ve büyük dil modellerinden esinlenen MuSGD Optimizer'ı kullanıyor; bu da eğitim sürecinde yüksek kararlılık ve daha hızlı yakınsama sağlıyor.
3. Donanım Esnekliği: DFL Kaldırma (Dağılımsal Odaklı Kayıp) uygulanarak çıktı başlıkları basitleştiriliyor ve uç cihaz uyumluluğu artırılıyor. YOLO26, CPU çıkarımını %43'e kadar hızlandırarak mobil veya IoT uç ortamlarında YOLOv6'dan çok daha üstün performans gösteriyor.
4. Daha Yüksek Doğruluk: ProgLoss + STAL kullanan YOLO26, küçük nesne algılamada önemli iyileştirmeler sunuyor; bu da YOLO26'yı hava görüntüleri ve kusur incelemesi için en uygun seçenek hâline getiriyor.
5. Eşsiz Çok Yönlülük: Yalnızca sınırlayıcı kutularla çalışan endüstriyel modellerin aksine YOLO26 ailesi, Görüntü Sınıflandırma, Örnek Segmentasyonu, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) dâhil birden fazla görevi destekliyor.

Sorunsuz Ekosistem Deneyimi#

Ultralytics Platform, tüm makine öğrenimi yaşam döngüsünü dönüştürüyor. Model eğitmek artık çok aşamalı, zahmetli bir damıtma süreci değil. Otomatik veri artırma, birleşik hiperparametre ayarı ve ONNX, OpenVINO ve CoreML gibi biçimlere tek tıklamayla dışa aktarma sayesinde veri kümesinden üretime haftalar değil, saatler içinde geçebilirsin.

Ayrıca Ultralytics modelleri, bellek verimliliğiyle tanınıyor ve RT-DETR gibi Transformer mimarilerini zorlayan büyük VRAM darboğazlarını önlüyor.

Hızlı Başlangıç Kod Örneği#

YOLO26 gibi bir Ultralytics modeliyle eğitim ve çıkarım yapmak son derece kolay. Aşağıdaki Python betiği, yalnızca birkaç satır kodla hemen nasıl eğitim yapabileceğini, çıkarım çalıştırabileceğini ve dışa aktarım gerçekleştirebileceğini gösteriyor:

from ultralytics import YOLO

# Yüksek verimli YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Modeli özel veri kümen üzerinde sorunsuzca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Örnek bir görüntü üzerinde çıkarım yap
prediction = model("https://ultralytics.com/images/bus.jpg")

# Maksimum GPU verimi için TensorRT'ye dışa aktar
model.export(format="engine", dynamic=True)

Sonuç#

DAMO-YOLO ve YOLOv6-3.0, endüstriyel nesne algılamanın sınırlarını zorlayan etkileyici mühendislik başarıları. Ancak bu modeller, genellikle ayrıntılı kurulumlar ve katı donanım kısıtları gerektiren, son derece özelleşmiş araçlar.

Mükemmel bir performans dengesi, çoklu görev yetenekleri ve etkin biçimde bakımı yapılan bir ekosistem arayan geliştiriciler ve araştırmacılar için Ultralytics YOLO26 rakipsiz. Büyük dil modellerinden esinlenen optimize edicileri, NMS gerektirmeyen çıkarımı destekleyen yalın bir mimariyle birleştiren YOLO26, uç ve bulut ortamlarında en ileri düzey doğruluk sunarken AI dağıtımını basitleştiriyor.

Yeni bir bilgisayarlı görü projesi için modelleri değerlendiriyorsan Ultralytics YOLO ekosisteminin yeteneklerini incelemeni önemle tavsiye ederiz. Gerçek zamanlı görü yapay zekâsının gelişimini tam olarak kavramak için bu modelleri EfficientDet gibi başka mimarilerle veya YOLO11 gibi önceki dönüm noktalarıyla karşılaştırmak da işine yarayabilir.