Başla

YOLO11 ve DAMO-YOLO

Doğru mimariyi seçmek her bilgisayarlı görü projesinde kritik bir adımdır. Bu kılavuzda Ultralytics YOLO11 ve DAMO-YOLO olmak üzere iki nesne algılama modeli; mimarileri, eğitim iş akışları ve gerçek dünyadaki uygulanabilirlikleri açısından karşılaştırılarak dağıtım gereksinimlerine en uygun araç belirlenmene yardımcı olunuyor.

Modellere Genel Bakış#

Ultralytics YOLO11#

Ultralytics tarafından geliştirilen YOLO11, YOLO ailesini hem doğruluk hem de verimlilik açısından iyileştirir. Veri kümesi yönetiminden uç dağıtıma kadar her aşamayı kapsayan, birleşik ve üretime hazır bir ekosistem isteyen araştırmacılar ve mühendisler için tasarlanmıştır.

YOLO11'in başlıca gücü çok yönlülüğüdür. Birçok model yalnızca sınırlayıcı kutulara odaklanırken YOLO11 yerel olarak nesne algılamayı, örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekler. Böylece geliştiriciler, görü yapay zekâ işlem hatlarını bakımı iyi yapılan tek bir çatı altında birleştirebilir.

DAMO-YOLO#

DAMO-YOLO, Alibaba Group araştırmacıları tarafından geliştirildi. GPU'larda ve diğer hızlandırıcılarda gerçek zamanlı çıkarım için uyarlanmış verimli omurgaları keşfetmek üzere Sinir Ağı Mimarisi Aramasından (NAS) yararlanır.

DAMO-YOLO hakkında daha fazla bilgi edin

DAMO-YOLO, yeniden parametreleştirme ve otomatik arama üzerine kuruludur. Yazarlar MAE-NAS (Maksimum Entropili Sinir Ağı Mimarisi Araması) kullanarak özel donanımlarda çıkarım hızını artıran özel bir omurga tasarladı. Ayrıca gecikmeyi en aza indirmek için Efficient RepGFPN adlı optimize edilmiş bir boyun katmanı ve hafif bir ZeroHead ekler.

Değerlendirebileceğin Diğer Modeller

YOLO11 ile DAMO-YOLO'yu karşılaştırırken daha yeni Ultralytics YOLO26 modeline de göz atabilirsin. İsteğe bağlı uçtan uca NMS'siz çıkarım (nms=False) sunar ve YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır. Ayrıca YOLOX ile DAMO-YOLO ve YOLOv8 ile DAMO-YOLO karşılaştırmalarını da inceleyebilirsin.

Performans ve Mimari Karşılaştırması#

Uç yapay zekâ uygulamalarını dağıtırken performans ödünleşimleri önemlidir. Aşağıdaki tabloda COCO veri kümesindeki ortalama Hassasiyet (mAP), gecikme ve model boyutu listelenmiştir. Benzer boyutlarda YOLO11, T4 GPU'da hem daha doğru hem de daha hızlıdır: YOLO11s, DAMO-YOLOs'un 3.45 ms'de 46.0 mAP değerine kıyasla 2.5 ms'de 47.0 mAP'ye ulaşır; YOLO11l ise DAMO-YOLOl'ın 7.18 ms'de 50.8 mAP değerine kıyasla 6.2 ms'de 53.4 mAP'ye ulaşır. DAMO-YOLOt (42.0 mAP, 8.5M parametre), boyut ve doğruluk bakımından YOLO11n ile YOLO11s arasında yer alır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

Mimarinin Derinlemesine İncelenmesi#

YOLO11, parametre sayısı ile temsil kapasitesini dengeleyen, özel tasarlanmış bir omurga kullanır. Çeşitli donanımlarda iyi çalışır ve eğitimle çıkarım sırasında CUDA bellek kullanımını düşük tutar; bu özellikleriyle tüketici donanımları ve kaynakları kısıtlı IoT cihazları için iyi bir seçenektir.

DAMO-YOLO'nun MAE-NAS omurgaları, yüksek verimli GPU ortamları için ayarlanmıştır. Efficient RepGFPN (Genelleştirilmiş Özellik Piramidi Ağı), birden çok ölçekteki özellikleri birleştirir. Yeniden parametreleştirme çıkarımı hızlandırır; ancak donanım yığınında bu işlemler iyi desteklenmiyorsa dağıtımı karmaşıklaştırabilir.

Kullanılabilirlik ve Eğitim Verimliliği#

Geliştirme süresi önemli olduğunda modelin kullanım kolaylığı, ham kıyaslama sonuçları kadar önemlidir.

YOLO11, geliştiricilerin kolayca kullanabilmesi için tasarlanmıştır. ultralytics paketi veri kümesi ayrıştırma, artırma ve hiperparametre ayarlama işlemlerini gerçekleştirir; ONNX, TensorRT ve OpenVINO gibi üretim biçimlerine tek komutla dışa aktarım yapılır.

from ultralytics import YOLO

# YOLO11 nesne algılama modelini başlat
model = YOLO("yolo11s.pt")

# Modeli COCO8 üzerinde karma hassasiyetle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli uç dağıtım için TensorRT biçimine aktar
model.export(format="engine", device=0)

DAMO-YOLO araştırma kökenlidir ve öğrenme eğrisi daha diktir. Bildirilen doğruluk, bilgi damıtma işlem hattına dayanır: önce daha büyük bir "öğretmen" ağı eğitir, ardından bilgisini daha küçük bir "öğrenci" ağına aktarırsın. Bu süreç, standart Ultralytics eğitim döngüsüne kıyasla ek GPU hesaplama gücü ve eğitim süresi gerektirir.

Kullanım Alanları ve Öneriler#

YOLO11 ve DAMO-YOLO arasında seçim yaparken projenin özel gereksinimlerini, dağıtım kısıtlarını ve ekosistem tercihlerini göz önünde bulundur.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

  • Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
  • Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, poz tahmini ve OBB'yi tek bir birleşik çatı içinde gerektiren projeler.
  • Hızlı Prototipleme ve Dağıtım: Ultralytics Python API'sini kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlarda önerilir:

  • 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.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğunda Ultralytics YOLO26, performans ile geliştirici deneyiminin en iyi birleşimini sunar:

  • Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
  • Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
  • Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.

Gerçek Dünya Uygulamaları ve Kullanım Alanları#

Otonom Sistemler ve Dronelar#

Havadan çekilmiş görüntüler ve İHA dağıtımları için YOLO11, elverişli bir hız-doğruluk dengesi sunar. Küçük nesne algılama, drone analizlerinde önemli bir zorluktur; YOLO11'in çok ölçekli özellik birleştirmesi, farklı boyutlardaki nesneleri algılamasına yardımcı olur. Düşük bellek gereksinimleri, YOLO11 Nano ve Small modellerinin doğrudan drone üzerine takılı hafif uç CPU'larda veya NPU'larda çalışmasını da sağlar.

Endüstriyel Otomasyon ve Kalite Kontrol#

Akıllı fabrikalarda gecikme kritik önem taşır. DAMO-YOLO, sunucu sınıfı GPU'larda hızlı çıkarım sağlar; ancak özel mimarisinin entegrasyonu daha zor olabilir. Basit izleme API'si ve kusurların açılı sınırlayıcı kutular gerektirdiği durumlarda algılamadan OBB görevlerine geçebilme olanağı sayesinde YOLO11, otomatik kalite kontrol için genellikle daha pratik bir seçimdir.

Akıllı Sağlık Hizmetleri ve Tıbbi Görüntüleme#

Tıbbi görüntüleme veri kümeleri genellikle küçüktür; bu da aşırı öğrenmeyi önlemeyi zorlaştırır. Ultralytics ekosistemindeki yerleşik artırma ve aktararak öğrenme iş akışları, klinisyenlerin ve geliştiricilerin doğru tümör algılama modelleri oluşturmasına yardımcı olur. Geniş Ultralytics topluluğu, sağlık hizmetleri gibi özel alanlardaki sorunların çözümüne de destek verir.

YOLO26 ile Geleceği Kucakla

Yeni bir uygulamayı sıfırdan geliştiriyorsan YOLO26 modelini değerlendirebilirsin. Ocak 2026'da yayımlanan bu model, küçük nesnelerde daha yüksek doğruluk için MuSGD optimizasyonunu, ProgLoss'u ve STAL'ı kullanır; ayrıca isteğe bağlı uçtan uca NMS'siz çıkarım modu sunar (nms=False).

DAMO-YOLO, Sinir Ağı Mimarisi Aramasının güçlü bir örneği olmayı sürdürüyor; ancak hızlı dağıtım, kullanım kolaylığı ve çoklu görev desteği sayesinde YOLO11 ve özellikle YOLO26 öncülüğündeki daha geniş Ultralytics ailesi, gerçek dünyadaki bilgisayarlı görü görevleri için daha pratik bir seçimdir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.