YOLO26 ve DAMO-YOLO#
Son teknoloji ürünü bir bilgisayarlı görü modeli seçerken çıkarım hızı, doğruluk ve dağıtım kolaylığı arasındaki en iyi dengeyi bulmak kritik önem taşır. Bu kapsamlı kılavuz, görüntü yapay zekâsı alanındaki iki önde gelen modeli karşılaştırır: Ultralytics YOLO26 ve DAMO-YOLO. Her iki mimari de gerçek zamanlı nesne algılamanın sınırlarını zorlasa da temel tasarım felsefeleri ve hedeflenen kullanım alanları önemli ölçüde farklıdır.
Mimari Yenilikler ve Tasarım#
Ultralytics YOLO26: Edge Odaklı Görüntü Standardı#
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen ve 14 Ocak 2026'da yayımlanan YOLO26, YOLO serisinde ileriye doğru atılmış dev bir adımı temsil eder. Model, uç bilişim için baştan tasarlanmış olup en yeni LLM eğitim uygulamalarını gelişmiş görüntü mimarileriyle sorunsuz biçimde birleştirir.
YOLO26'nın temel mimari atılımları şunlardır:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncü çalışmalara dayanan YOLO26, doğal olarak uçtan uca çalışır. Son işleme sırasında Non-Maximum Suppression (NMS) işlemini tamamen ortadan kaldırarak deterministik gecikmeyi garanti eder ve dağıtım işlem hatlarını büyük ölçüde basitleştirir.
- DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması model grafiğini sadeleştirir. Bu sayede ONNX ve TensorRT gibi dağıtım çerçevelerine dışa aktarma çok daha sorunsuz hâle gelir ve düşük güçlü edge cihazlarla daha iyi uyumluluk sağlanır.
- MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'sinden ilham alan bu Stochastic Gradient Descent (SGD) ve Muon hibriti, LLM eğitim yeniliklerini bilgisayarlı görüye taşır; bunun sonucunda son derece kararlı eğitim ve hızlı yakınsama elde edilir.
- ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, drone tabanlı hava görüntüsü analizleri ve karmaşık robotik işlem hatları için kritik önem taşıyan küçük nesne algılamada kayda değer iyileştirmeler sağlar.
DAMO-YOLO: Ölçekli Sinir Ağı Mimarisi Araması#
Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından Alibaba Group bünyesinde geliştirilen (23 Kasım 2022'de yayımlanan) DAMO-YOLO, otomatik mimari keşfine büyük ölçüde odaklanır. arXiv makalelerinde ayrıntıları verilen araştırma, katı gecikme bütçeleri altında en uygun omurgaları bulmak için Sinirsel Mimari Araması (NAS) kullanır.
DAMO-YOLO'nun temel mimari özellikleri şunlardır:
- MAE-NAS Omurga: Doğruluğu hedef dağıtım hızıyla dengeleyen omurgaları otomatik olarak tasarlamak için maksimum entropi kılavuzlu bir arama kullanır.
- Efficient RepGFPN: Farklı ölçeklerde özellik birleştirmeyi optimize eden güçlü ve kapsamlı bir boyun tasarımıdır; bu sayede karmaşık görsel sahneleri işleme konusunda son derece yeteneklidir.
- ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü en aza indirmek için tasarlanmış, büyük ölçüde sadeleştirilmiş bir algılama başlığıdır.
DAMO-YOLO hakkında daha fazla bilgi edin
DAMO-YOLO'nun NAS odaklı mimarisi belirli, önceden tanımlanmış donanım kısıtları için mükemmel olsa da YOLO26'nın NMS'siz tasarımı ve DFL'nin kaldırılması, onu çok çeşitli edge ve bulut ortamlarında çok daha esnek ve öngörülebilir bir seçenek hâline getirir.
Performans ve Metrik Karşılaştırması#
Standart COCO veri kümesinde eğitilen model varyantlarının doğrudan karşılaştırılması, belirgin performans profillerini ortaya koyar. Aşağıdaki tablo doğruluk (mAP), hız ve hesaplama kaynakları (parametreler ve FLOP'lar) arasındaki ödünleşimleri gösterir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
Performans Analizi#
Veriler analiz edildiğinde performans dengesi, modern uygulamalarda büyük ölçüde YOLO26'dan yanadır. Nano varyantı (YOLO26n), yalnızca 2,4 milyon parametreyle son derece hafiftir ve bir NVIDIA T4 GPU üzerinde 1,7 ms gibi olağanüstü hızlar sunar. Ayrıca YOLO26, özellikle %43'e kadar daha hızlı CPU çıkarımı sağlayacak şekilde tasarlanmıştır; bu da onu özel GPU hızlandırıcıları bulunmayan edge cihazlar için tartışmasız en iyi seçenek hâline getirir.
DAMO-YOLOt saf mAP açısından YOLO26n'yi az farkla geride bıraksa da bunu neredeyse dört kat daha fazla parametre (8,5 milyon) gerektirme pahasına yapar. Daha büyük varyantlara geçtikçe YOLO26, daha küçük bir bellek ayak izi, eğitim sırasında daha düşük CUDA bellek kullanımı ve çok daha yüksek TensorRT hızlarını korurken doğrulukta sürekli olarak DAMO-YOLO'nun önüne geçer.
Ekosistem, Kullanılabilirlik ve Eğitim Verimliliği#
Bir makine öğrenimi modelinin gerçek gücü yalnızca ham metriklerinde değil, geliştiriciler ve araştırmacılar tarafından ne kadar kolay kullanılabildiğinde yatar.
Ultralytics Avantajı#
Bir Ultralytics modeli seçtiğinde, geliştirici odaklı ve son derece gelişmiş bir ekosisteme erişim elde edersin. Veri artırma, hiperparametre ayarlama ve güçlü deney takibi içeren karmaşık iş akışları, sezgisel komutlar aracılığıyla soyutlanır.
Ayrıca YOLO26 eşsiz bir esneklik sunar. DAMO-YOLO yalnızca bir nesne algılayıcıyken YOLO26, kutudan çıktığı hâliyle birden çok alanda göreve özgü kapsamlı iyileştirmeler sağlar:
- Örnek Segmentasyonu: Özelleştirilmiş anlamsal segmentasyon kaybından ve çok ölçekli prototiplemeden yararlanır.
- Poz Tahmini: Gelişmiş Residual Log-Likelihood Estimation (RLE) yönteminden yararlanır.
- Yönlendirilmiş Sınırlayıcı Kutu (OBB): Zorlu sınır sorunlarını kusursuz biçimde çözmek için özel açı kaybı işlevlerini kullanır.
- Görüntü Sınıflandırma: Hızlı ve hafif genel görüntü etiketleme için kullanılır.
Eğitim Yöntemleri#
DAMO-YOLO'yu eğitmek çoğu zaman büyük bir "öğretmen" modelin daha küçük bir "öğrenci" modeli eğittiği karmaşık bir damıtma sürecini içerir. Bu teknik küçük doğruluk kazanımları sağlasa da kapsamlı GPU belleği ve daha uzun eğitim döngüleri gerektirir.
Buna karşılık YOLO26'nın bellek gereksinimleri önemli ölçüde daha düşüktür. MuSGD optimize edicisiyle güçlendirilen YOLO26, standart tüketici sınıfı donanımlarda hızlı ve verimli biçimde eğitilir. PyTorch destekli Ultralytics Python API'sini kullanarak bir YOLO26 modelini ne kadar kolay eğitebileceğin aşağıda gösterilmiştir:
from ultralytics import YOLO
# Initialize the natively end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized, NMS-free model
model.export(format="onnx")Gerçek Dünya Uygulamaları#
Bu mimariler arasındaki seçim, nihai olarak dağıtım ortamına bağlıdır.
Edge AI ve IoT Cihazları#
Akıllı perakende kameraları, otomatik tarım izleme sistemleri veya robotik için hesaplama kaynakları oldukça sınırlıdır. Bu durumda YOLO26 kesin tercihtir. %43 daha hızlı CPU çıkarımı, tamamen NMS'siz işlem hattı ve çok küçük parametre ayak izi, kritik doğruluktan ödün vermeden Raspberry Pi gibi edge cihazlarda sorunsuz çalışmasını sağlar.
Yüksek Hızlı Üretim ve Kalite Kontrolü#
Hızlı tempolu üretim otomasyonu hatlarında, hızlı hareket eden konveyör bantları üzerindeki kusurları tespit etmek minimum ve deterministik gecikme gerektirir. DAMO-YOLO belirli GPU yapılandırmalarında yeterli düzeyde çalışabilirken, geleneksel NMS son işleminin getirdiği dalgalanan gecikme robotik aktüatörlerin senkronizasyonunu bozabilir. YOLO26'nın uçtan uca yapısı tutarlı, öngörülebilir kare işleme sürelerini garanti ederek yüksek hızlı endüstriyel robotik sistemlerle kusursuz bir entegrasyon sağlar.
Drone ve Hava Görüntüleri#
Yüksek irtifalardan küçük nesneleri algılamak son derece zordur. YOLO26'ya ProgLoss ve STAL entegrasyonu, küçük nesne tanımayı büyük ölçüde iyileştirir. İster yaban hayatını takip et ister UAV'lerden trafik yoğunluğunu analiz et, YOLO26, DAMO-YOLO da dâhil olmak üzere eski mimarilerin sıklıkla gözden kaçırdığı daha küçük piksel alanına sahip nesneleri tutarlı biçimde belirler.
Kullanım Alanları ve Öneriler#
YOLO26 ve DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLO26 Ne Zaman Seçilmeli?#
YOLO26 şu durumlar için güçlü bir seçimdir:
- NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
DAMO-YOLO Ne Zaman Seçilmeli?#
DAMO-YOLO şu durumlar için önerilir:
- Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
- Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
- Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.
Sonuç#
DAMO-YOLO, belirli donanım hedefleri için Neural Architecture Search yetenekleri konusunda büyüleyici bir çalışma olmayı sürdürse de Ultralytics YOLO26, modern yapay zekâ uygulayıcıları için üstün ve kapsamlı bir çözüm olarak öne çıkar. Uçtan uca NMS'siz mimarisi, önemli ölçüde daha düşük bellek gereksinimleri, hibrit MuSGD optimize edicisi ve kusursuz biçimde sürdürülen ekosistemiyle YOLO26, geliştiricilerin son teknoloji ürünü görüntü sistemlerini her zamankinden daha hızlı ve güvenilir biçimde oluşturup dağıtmasını sağlar.