Link to this sectionYOLO11 ile DAMO-YOLO karşılaştırması#

En uygun mimariyi seçmek, her bilgisayarlı görü projesinde kritik bir adımdır. Bu teknik rehber, iki güçlü nesne algılama modeli olan Ultralytics YOLO11 ve DAMO-YOLO arasında kapsamlı bir karşılaştırma sunar. Dağıtım ihtiyaçlarınız için en iyi aracı seçmenize yardımcı olmak amacıyla mimari yeniliklerini, eğitim paradigmalarını ve gerçek dünya uygulanabilirliklerini inceleyeceğiz.

Link to this sectionModel Genel Bakışları#

Link to this sectionUltralytics YOLO11#

Ultralytics ekibi tarafından geliştirilen YOLO11, YOLO ailesinde hem doğruluğu hem de verimliliği büyük ölçüde optimize eden oldukça gelişmiş bir yinelemeyi temsil eder. Veri kümesi yönetiminden uç cihazda dağıtıma kadar uzanan, birleşik ve üretime hazır bir ekosistem arayan araştırmacılar ve mühendisler için tasarlanmıştır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Dokümantasyon: https://docs.ultralytics.com/models/yolo11/

YOLO11 hakkında daha fazla bilgi edinin

YOLO11 çok yönlülüğüyle öne çıkar. Birçok geleneksel model yalnızca sınırlayıcı kutulara (bounding box) odaklanırken, YOLO11 yerel olarak nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini işlemlerini destekler. Bu çok modlu yetenek, geliştiricilerin görüntüleme yapay zeka süreçlerini tek ve iyi desteklenen bir çerçeve altında birleştirmelerine olanak tanır.

Link to this sectionDAMO-YOLO#

DAMO-YOLO, Alibaba Group'taki araştırmacılar tarafından geliştirilmiştir. GPU'lar ve diğer hızlandırıcılar üzerinde gerçek zamanlı çıkarım için özel olarak uyarlanmış yüksek verimli omurgaları keşfetmek amacıyla Sinir Mimarisi Arama (NAS) yönteminden yararlanır.

• 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
• Dokümanlar: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

DAMO-YOLO hakkında daha fazla bilgi edin

DAMO-YOLO'nun temel felsefesi, yeniden parametrelendirme (rep-parameterization) ve otomatik arama etrafında şekillenir. Yazarlar, MAE-NAS (Çok Amaçlı Evrimsel Sinir Mimarisi Arama) kullanarak, özel donanımlarda çıkarım hızlarını önemli ölçüde artıran özel bir omurga tasarladılar. Ayrıca, gecikmeyi en aza indirmek için Efficient RepGFPN adlı oldukça optimize edilmiş bir boyun yapısını ve basitleştirilmiş bir ZeroHead yapısını bünyesinde barındırır.

Link to this sectionPerformans ve Mimari Karşılaştırması#

Uç yapay zeka uygulamaları dağıtılırken performans ödünleşimlerini anlamak hayati önem taşır. Aşağıdaki tablo; ortalama Hassasiyet (mAP), gecikme süresi ve hesaplama boyutu gibi temel metrikleri özetlemektedir.

Link to this sectionMimari Derinlemesine İnceleme#

YOLO11, parametre sayısı ile temsil kapasitesini mükemmel bir şekilde dengeleyen, yüksek verimli ve özel olarak tasarlanmış bir omurgaya dayanır. Çeşitli donanımlarda sorunsuz çalışacak şekilde optimize edilmiştir ve hem eğitim hem de çıkarım sırasında minimum CUDA belleği kullanımıyla yerel olarak üstün performans gösterir. Bu, standart tüketici donanımları veya kaynak kısıtlı IoT cihazları için onu harika bir seçenek haline getirir.

Buna karşılık DAMO-YOLO'nun MAE-NAS tarafından oluşturulan omurgaları, yüksek verimli GPU ortamları için hassas bir şekilde ayarlanmıştır. Efficient RepGFPN (Genelleştirilmiş Özellik Piramidi Ağı), birden fazla ölçeği agresif bir şekilde entegre eder. Ancak, yeniden parametrelendirme çıkarımı hızlandırsa da, donanım yığının bu işlemleri açıkça iyi desteklemiyorsa dağıtım sürecini karmaşıklaştırabilir.

Link to this sectionKullanılabilirlik ve Eğitim Verimliliği#

Geliştirme süresi hesaba katıldığında, bir modelin Kullanım Kolaylığı, ham performans ölçütleri kadar önemli hale gelir.

YOLO11, büyük ölçüde geliştirici erişilebilirliği ilkesi üzerine inşa edilmiştir. Kapsamlı ultralytics paketi; veri kümesi ayrıştırma, artırma ve hiperparametre ayarlama gibi ağır işleri soyutlar. Modelleri ONNX, TensorRT ve OpenVINO gibi üretim formatlarına aktarmak yalnızca tek bir komut gerektirir.

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

Akademik ve araştırma odaklı bir geçmişe sahip olan DAMO-YOLO, daha dik bir öğrenme eğrisi sunar. En yüksek doğruluğuna ulaşmak genellikle karmaşık bilgi damıtma süreçlerini içerir; yani, bilgiyi daha küçük bir "öğrenci" ağa aktarmadan önce devasa bir "öğretmen" ağını eğitmeniz gerekir. Bu durum, Ultralytics modellerinin yalın eğitim döngülerine kıyasla gereken GPU hesaplama yükünü ve toplam eğitim süresini büyük ölçüde artırır.

Link to this sectionKullanım Durumları ve Öneriler#

YOLO11 ile DAMO-YOLO arasında seçim yapmak; özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionNe Zaman DAMO-YOLO Seçilmeli#

DAMO-YOLO şunlar için önerilir:

• 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 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 sectionGerçek Dünya Uygulamaları ve Kullanım Durumları#

Link to this sectionOtonom Sistemler ve İnsansız Hava Araçları (İHA)#

Hava görüntüleme ve İHA dağıtımları için YOLO11, inanılmaz derecede elverişli bir performans dengesi sağlar. Küçük nesne algılama, İHA analizlerinde büyük bir engeldir, ancak YOLO11 değişken ölçekleri doğrudan kutudan çıktığı haliyle işleyebilir. Ayrıca, düşük bellek gereksinimleri sayesinde YOLO11 Nano ve Small varyantları, doğrudan İHA'ya bağlı hafif uç cihaz CPU'larında veya NPU'larda çalışabilir.

Link to this sectionEndüstriyel Otomasyon ve Kalite Kontrol#

Akıllı fabrikalarda gecikme süresi çok önemlidir. DAMO-YOLO, RepGFPN boyun yapısı sayesinde güçlü sunucu sınıfı GPU'larda sağlam çıkarım hızları sunsa da, bu katı entegrasyon bazen gereksiz olabilir. YOLO11, basit takip API'leri ve kusurlar açılı sınır tanıma gerektiriyorsa saf algılamadan yönlendirilmiş sınırlayıcı kutu (OBB) görevlerine sorunsuz bir şekilde geçiş yapabilme yeteneği nedeniyle otomatik kalite kontrol için genellikle daha üstün bir alternatif görevi görür.

Link to this sectionAkıllı Sağlık ve Tıbbi Görüntüleme#

Tıbbi görüntüleme veri kümeleri genellikle nispeten küçüktür ve aşırı öğrenmeyi (overfitting) önlemek zordur. Ultralytics'in İyi Korunan Ekosistemi tarafından sağlanan standart transfer öğrenme süreçleriyle birleştirilen aktif artırma teknikleri, klinisyenlerin ve geliştiricilerin doğru tümör algılama modellerini güvenilir bir şekilde dağıtmalarına yardımcı olur. Geniş topluluk desteği, sağlık hizmetleri gibi karmaşık alanlardaki sorunların hızla çözülmesini sağlar.

Sonuç olarak, DAMO-YOLO, Sinir Mimarisi Aramasının güçlü bir gösterimi olmaya devam etse de, YOLO11 ve genişletilmiş Ultralytics ailesi; hızlı dağıtım, geliştirici kolaylığı ve üst düzey çok modlu performansı ön planda tutarak gerçek dünya bilgisayarlı görü görevleri için kesin öneri olmaya devam etmektedir.