DAMO-YOLO ile YOLOX Karşılaştırması#

Gerçek zamanlı bilgisayarlı görü sürekli gelişiyor. Bu gelişimdeki iki önemli kilometre taşı, her biri yüksek hızlı ve yüksek doğruluklu nesne tespiti sorununa özgün yenilikler getiren DAMO-YOLO ve YOLOX modelleridir. Her iki model de açık kaynak topluluğuna önemli katkılarda bulunsa da makine öğrenimi mühendisleri için mimari farklılıklarını, eğitim yöntemlerini ve ideal dağıtım senaryolarını anlamak kritik önem taşır.

Bu kapsamlı kılavuz, her iki modelin teknik ayrıntılarını inceliyor ve Ultralytics YOLO26 platformu gibi modern alternatiflerin günümüz üretim ortamlarında neden daha üstün performans ve kullanım kolaylığı sunduğunu vurguluyor.

Modellere Genel Bakış#

DAMO-YOLO Ayrıntıları#

Alibaba Group'taki bir araştırmacı ekibi tarafından geliştirilen DAMO-YOLO, otomatik mimari keşfinden yararlanan son derece verimli bir nesne tespit yöntemi olarak tanıtıldı.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO
• Belgeler: DAMO-YOLO Belgeleri

DAMO-YOLO hakkında daha fazla bilgi edin

YOLOX Ayrıntıları#

Megvii araştırmacıları tarafından geliştirilen YOLOX, YOLO serisini ankrajsız tasarıma geçirerek ve mimariyi önemli ölçüde basitleştirirken o dönem daha iyi performans elde ederek araştırma ile endüstri toplulukları arasındaki uçurumu kapatmayı amaçladı.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Belgeler: YOLOX Belgeleri

YOLOX hakkında daha fazla bilgi edin

Mimari Analizi#

DAMO-YOLO Mimarisi#

DAMO-YOLO büyük ölçüde Sinir Ağı Mimarisi Araması (NAS) kullanır. Temel bileşenleri şunlardır:

• MAE-NAS Omurgaları: Çıkarım hızı ile doğruluk arasında en iyi dengeyi sunan omurgaları keşfetmek için maksimum entropi yönlendirmeli arama kullanır.
• Verimli RepGFPN: Özellik birleştirme için uyarlanmış, modelin farklı nesne ölçeklerinde yüksek doğruluğu korumasına yardımcı olan ağır bir boyun tasarımıdır.
• ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü azaltan, basitleştirilmiş ve hafif bir tespit başlığıdır.

YOLOX Mimarisi#

YOLOX, yapısal basitliğe ve ankrajsız tasarıma odaklanarak farklı bir yaklaşım benimsedi:

• Ankrajsız Mekanizma: YOLOX, önceden tanımlanmış ankrajlar olmadan sınırlayıcı kutu koordinatlarını doğrudan tahmin ederek gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azaltır.
• Ayrıştırılmış Başlık: Sınıflandırma ve regresyon görevlerini farklı özellik kollarına ayırarak yakınsama hızını ve genel doğruluğu artırır.
• SimOTA Etiket Ataması: Pozitif örnekleri gerçek değerlere dinamik olarak atayan ve eğitim verimliliğini artıran gelişmiş bir etiket atama stratejisidir.

Performans Karşılaştırması#

Bu modelleri değerlendirmek için ortalama Ortalama Kesinlik (mAP), çıkarım hızları ve parametre sayıları incelenmelidir. Aşağıda her iki mimarinin standart ve hafif varyantlarını ayrıntılı biçimde karşılaştıran bir tablo yer alıyor.

YOLOXx 51,1 ile en yüksek mutlak mAP değerine ulaşırken DAMO-YOLOl, parametre sayısının yarısından azını kullanarak (42,1M ve 99,1M) son derece rekabetçi 50,8 mAP sunuyor ve TensorRT'te çok daha hızlı çalışıyor.

Eğitim Yöntemleri#

DAMO-YOLO'nun Eğitimi#

DAMO-YOLO, eğitim sırasında karmaşık damıtma geliştirmesinden yararlanır. Genellikle önce büyük bir "öğretmen" modeli eğitilir, ardından bu modelin bilgisi daha küçük "öğrenci" modellere aktarılır. Ayrıca dinamik etiket ataması için AlignedOTA kullanır. Son derece etkili olsa da bu çok aşamalı eğitim süreci, gereken GPU hesaplama süresini ve bellek yükünü önemli ölçüde artırır.

YOLOX'in Eğitimi#

YOLOX, MixUp ve Mosaic gibi güçlü veri artırma stratejilerinden yararlanır. Ancak geliştiriciler, son 15 epok boyunca bu güçlü artırmaları kapatmanın modelin gerçeklik açığını kapatmasını sağladığını ve nihai doğruluk ölçütlerini önemli ölçüde artırdığını keşfetti.

İdeal Kullanım Alanları#

• DAMO-YOLO: Sunucu tarafındaki damıtma işlem hatlarının desteklenebildiği ve hedef donanımın (belirli NVIDIA GPU'ları gibi) ağır boyunlu NAS mimarisinden doğrudan yararlandığı, yüksek riskli endüstriyel dağıtımlar için en uygun seçenektir.
• YOLOX: Tamamen ankrajsız bir yaklaşım arayan geliştiriciler için mükemmeldir. Son derece hafif YOLOXnano, onu eski Android cihazlarda, uç bilişimde ve parametre sayısının en büyük kısıt olduğu, kaynakları çok kısıtlı IoT sensörlerinde kullanılabilir kılar.

Ultralytics Avantajı: YOLO26 ile Tanış#

DAMO-YOLO ve YOLOX önemli kilometre taşları olsa da günümüz geliştiricileri daha kapsamlı, çok yönlü ve kullanımı kolay çözümler arıyor. Ultralytics Platformu ve yeni yayımlanan Ultralytics YOLO26 tam da bu noktada öne çıkıyor.

Ocak 2026'da yayımlanan YOLO26, tüm bilgisayarlı görü görevleri için önerilen en iyi modeldir. Eski mimarileri geride bırakan bir dizi çığır açıcı yenilik sunar:

• Uçtan Uca NMS'siz Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlar. Bu sayede geleneksel tespit başlıklarının doğasında bulunan gecikme darboğazlarından kaçınılır ve dağıtım çok daha basit ve hızlı hâle gelir.
• %43'e Varan Daha Hızlı CPU Çıkarımı: YOLO26, Dağılımsal Odak Kayıp'ı (DFL) stratejik biçimde kaldırıp katmanları optimize ederek CPU'larda ve uç donanımlarda eşsiz hız sunar.
• MuSGD Optimizasyonu: Büyük Dil Modeli (LLM) eğitim tekniklerinden ilham alan YOLO26, MuSGD optimizasyonunu (SGD ve Muon melezi) sunar. Bunun sonucunda YOLOX'in eski kurulumlarına kıyasla eğitim çalışmaları çok daha kararlı olur ve yakınsama hızlanır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesneleri tanımada kayda değer iyileştirmeler sağlayarak YOLO26'yı drone görüntüleri ve robotik için çok daha üstün kılar.
• Çok Yönlülük: Yalnızca nesne tespiti için tasarlanan DAMO-YOLO'nun aksine YOLO26, aynı bakımı düzenli yapılan ekosistem içinde örnek segmentasyonu, poz tahmini, sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) sorunsuzca yerel olarak gerçekleştirir.

Ultralytics ile Kullanım Kolaylığı#

Ultralytics Python API'si geliştirici deneyimini kolaylaştırır. Son teknoloji YOLO26 modelini eğitmek çok daha az kalıp kod gerektirir ve DAMO-YOLO'nun karmaşık damıtma işlem hatlarını kullanmayı önler. Ayrıca Ultralytics modelleri, ağır Transformer tabanlı modellere kıyasla eğitim sırasında olağanüstü düşük CUDA bellek gereksinimlerine sahiptir.

from ultralytics import YOLO

# En yeni Ultralytics YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

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

# Bir görüntüde hızlı, NMS'siz çıkarım yap
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ONNX veya TensorRT'ye sorunsuzca aktar
model.export(format="onnx")

Sonuç#

DAMO-YOLO ile YOLOX arasındaki seçim özel kısıtlamalara bağlıdır: DAMO-YOLO, NAS aracılığıyla belirli GPU'larda olağanüstü hız-doğruluk oranları sunarken YOLOX, hafif uç senaryoları için ideal, temiz ve ankrajsız bir tasarım sağlar.

Ancak aktif bir topluluğa sahip, modern ve geleceğe hazır bir çözüm arayan ekipler için Ultralytics YOLO26 mimarisi kesin tercihtir. İsteğe bağlı NMS'siz çıkarımı, hızlı CPU çıkarımı ve tespit, segmentasyon ve poz görevleri için birleşik API'si, araştırmadan sağlam gerçek dünya üretimine sorunsuz geçişte onu eşsiz kılar.

Diğer modern mimarileri incelemek isteyen geliştiricilere, kapsamlı Ultralytics dokümantasyonunda bulunan Ultralytics YOLO11 modelini veya RT-DETR gibi Transformer tabanlı modelleri de değerlendirmelerini öneriyoruz.