DAMO-YOLO ve YOLOv6-3.0
Bilgisayarlı görü araştırmaları, endüstriyel uygulamalara uygun özel mimariler ortaya çıkardı. Gerçek zamanlı performans ve dağıtım verimliliğine odaklanan iki model öne çıkıyor: DAMO-YOLO ve YOLOv6-3.0. Bu sayfa, aralarından seçim yapmana yardımcı olmak için mimarilerini, performans metriklerini ve eğitim yöntemlerini teknik açıdan karşılaştırıyor.
DAMO-YOLO: Sinir Mimarisi Araması ile Nesne Algılama Buluşuyor#
Alibaba Group araştırmacıları tarafından geliştirilen DAMO-YOLO, sinir mimarisi aramasını (NAS) omurga tasarımına 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 verimli ağ yapılarını otomatik olarak arayan, NAS ile optimize edilmiş MAE-NAS adlı bir omurga kullanır. Bu sayede model, farklı donanım profillerinde verimli biçimde ölçeklenir. Özellik füzyonunu iyileştirmek için mimaride Efficient RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramit Ağı) kullanılır ve bu da çok ölçekli temsili önemli ölçüde geliştirir.
Model ayrıca "ZeroHead" tasarımını sunar. Algılama başlığındaki karmaşık çok dallı yapıları kaldırarak hesaplama yükünü azaltırken uzamsal bilgiyi daha etkili biçimde korur. Eğitimde ayrıca AlignedOTA (Hizalanmış Optimal Taşıma Ataması) ve bilgi damıtımı kullanılır; böylece küçük öğrenci modeller daha büyük öğretmen ağlarından öğrenebilir.
DAMO-YOLO hakkında daha fazla bilgi edin
Bilgi damıtımı DAMO-YOLO'nun yüksek doğruluk elde etmesine yardımcı olsa da çok aşamalı bir eğitim süreci gerektirir. Bu, standart ve tek aşamalı modellerin eğitimine kıyasla gereken GPU hesaplama miktarını önemli ölçüde artırır.
YOLOv6-3.0: Endüstriyel Verimliliği En Üst Düzeye Çıkarma#
Meituan Vision AI Department tarafından geliştirilen YOLOv6-3.0, özellikle endüstriyel nesne algılayıcı olarak konumlandırılmış ve NVIDIA donanımlarında verimi en üst düzeye çıkaracak şekilde 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 optimizasyonlar kullanıldığında çok hızlı çalışır. Ağ, v3.0 sürümünde farklı boyutlardaki nesnelerin konumunu daha iyi belirlemek için çift yönlü birleştirme (BiC) modülü içerir.
Bir diğer dikkat çekici özellik, Çapa Destekli Eğitim (AAT) stratejisidir. AAT, eğitim sırasında çapa tabanlı algılayıcıların kararlılığını, çapasız bir tasarımın çıkarım hızıyla birleştirir. Bu hibrit yaklaşım, dağıtım gecikmesinden ödün vermeden iyi yakınsar ve akıllı şehir analizlerinde büyük hacimli videoları işlemek ile otomatik ödeme sistemleri için güçlü bir seçenek sunar.
YOLOv6 hakkında daha fazla bilgi edin
Performans Karşılaştırması#
Bu modelleri gerçek zamanlı çıkarım için değerlendirirken parametreler, FLOP'lar ve mAP doğruluğu arasında denge kurmak çok önemlidir. Aşağıdaki tablo performanslarını karşılaştırır.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
DAMO-YOLO küçük boyut sınıfında hafif bir üstünlük gösterirken (46.0 mAP ve 45.0 mAP), YOLOv6-3.0 daha iyi ölçeklenerek orta ve büyük boyut sınıflarında öne çıkar; ayrıca nano yapılandırmasında en düşük parametre sayısını korur.
Donanım ortamın, omurganı özelleştirmek için yoğun otomatik aramalara izin veriyorsa DAMO-YOLO'nun NAS yaklaşımı etkilidir. Ancak tamamen standart GPU hızlandırmasına (T4 veya A100 gibi) bağlıysan YOLOv6'nın EfficientRep yapıları genellikle daha yüksek ham FPS değerleri sağlar.
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: Meituan'ın teknoloji yığını ve dağıtım altyapısı içinde hâlihazırda çalışan 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: Özel GPU hızlandırması olmayan cihazlarda, YOLO26'nın CPU çıkarımında YOLO11n'ye kıyasla %43'e varan hız avantajı belirgin bir üstünlük sağlar.
- 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#
Hem DAMO-YOLO hem de YOLOv6-3.0 yetenekli olsa da ekosistemleri parçalıdır, tek görevle sınırlıdır ve dağıtım süreçleri karmaşıktır. Modern mühendislik ekipleri için Ultralytics modelleri, en son YOLO26 ile birlikte geliştirici deneyimini önemli ölçüde iyileştirir.
Ocak 2026'da yayımlanan YOLO26, hem uç hem bulut dağıtımı için tasarlanmış; bellek gereksinimlerini ve hesaplama verimliliğini optimize etmiştir.
Neden YOLO26'yı Seçmelisin?#
- Uçtan Uca NMS'siz Tasarım: YOLOv10 kavramlarını temel alan YOLO26, isteğe bağlı bire bir başlığı (
nms=False) aracılığıyla yerel uçtan uca çıkarımı destekler ve Maksimum Olmayan Bastırma (NMS) son işlemesini atlar. Bu, dağıtım kodunu sadeleştirir ve uç cihazlar arasındaki çıkarım gecikmesi değişkenliğini azaltır. - Geliştirilmiş Optimizasyon: YOLO26, kararlı eğitim çalışmaları ve daha hızlı yakınsama sağlayan, SGD ile Muon'un hibriti olan MuSGD Optimize Edici'yi kullanır (büyük dil modeli eğitiminden ilham alınmıştır).
- Donanım Esnekliği: DFL'nin Kaldırılması (Dağılımsal Odak Kaybı), çıktı başlıklarını sadeleştirir ve uç cihazlarla uyumluluğu artırır. YOLO26n, YOLO11n'den CPU'da %43'e kadar daha hızlı çıkarım sunarak mobil veya IoT uç ortamlarında YOLOv6'dan daha uygun hâle gelir.
- Geliştirilmiş Doğruluk: ProgLoss + STAL ile YOLO26 küçük nesne algılamayı iyileştirir ve hava görüntüleri ile kusur denetimi için güçlü bir seçenek sunar.
- Çoklu Görev Esnekliği: Yalnızca sınırlayıcı kutuları tahmin eden endüstriyel modellerin aksine YOLO26 ailesi Örnek Segmentasyonu, Görüntü Sınıflandırma, Poz Tahmini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) dâhil olmak üzere birden fazla görevi destekler.
Ekosistem Deneyimi#
Ultralytics Platformu, makine öğrenimi yaşam döngüsünün tamamını kapsar. Bir model eğitmek için çok aşamalı bir damıtım süreci gerekmez. Otomatik veri artırımı, birleşik hiperparametre ayarı ve ONNX, OpenVINO ve CoreML gibi biçimlere tek tıklamayla dışa aktarma sayesinde veri kümesinden üretime hızla geçebilirsin.
Ultralytics modelleri ayrıca bellek verimliliğiyle bilinir ve RT-DETR gibi Transformer mimarilerinin yüksek VRAM gereksinimlerinden kaçınır.
Hızlı Başlangıç Kod Örneği#
YOLO26 gibi bir Ultralytics modeliyle eğitim yapmak ve çıkarım çalıştırmak kolaydır. Aşağıdaki Python betiği, yalnızca birkaç satır kodla nasıl eğitim yapacağını, çıkarım çalıştıracağını ve dışa aktaracağını gösterir:
from ultralytics import YOLO
# Yüksek verimli YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")
# Modeli özel veri kümenle 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#
Hem DAMO-YOLO hem de YOLOv6-3.0, endüstriyel nesne algılamayı ileri taşıyan etkileyici mühendislik çalışmalarıdır. Ancak bunlar çoğu zaman karmaşık kurulumlar ve katı donanım kısıtları gerektiren özel amaçlı araçlardır.
Güçlü bir performans dengesi, çoklu görev yetenekleri ve etkin biçimde bakımı yapılan bir ekosistem arayan geliştiriciler ve araştırmacılar için önerilen seçenek Ultralytics YOLO26'dır. LLM'den ilham alan bir optimize ediciyi, NMS'siz çıkarımı destekleyen yalın bir mimariyle birleştiren YOLO26, uç ve bulut ortamlarında yüksek doğruluk sunarken yapay zekâ dağıtımını kolaylaştırır.
Yeni bir bilgisayarlı görü projesi için modelleri değerlendiriyorsan Ultralytics YOLO ekosisteminin yeteneklerini inceleyerek başla. Gerçek zamanlı görsel yapay zekânın gelişimini tam olarak anlamak için bu modelleri EfficientDet gibi başka mimarilerle veya YOLO11 gibi önceki kilometre taşlarıyla karşılaştırmak da faydalı olabilir.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.