YOLO26 ve DAMO-YOLO karşılaştırması
Bilgisayarlı görü modeli seçerken çıkarım hızı, doğruluk ve dağıtım kolaylığı arasında denge kurmak gerekir. Bu sayfa, Ultralytics YOLO26 ile DAMO-YOLO modellerini karşılaştırır. Her ikisi de gerçek zamanlı nesne tespitini hedefler, ancak tasarım yaklaşımları ve amaçlanan kullanım alanları farklıdır.
Mimari Yenilikler ve Tasarım#
Ultralytics YOLO26: Uç Cihazları Önceliklendiren Görsel Yapay Zekâ#
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen ve 14 Ocak 2026'da yayımlanan YOLO26, Ultralytics YOLO ailesinin en yeni modelidir ve yeni projeler için önerilen seçenektir. Uç bilgi işlem için tasarlanmıştır ve LLM eğitiminden optimizasyon fikirleri alır.
YOLO26'nın temel mimari özellikleri şunlardır:
- Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS içermeyen eğitim yaklaşımını temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığı (
nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini atlayarak gecikmeyi daha öngörülebilir hâle getirir ve dağıtım işlem hatlarını basitleştirir. - DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması model grafiğini sadeleştirir. Böylece ONNX ve TensorRT gibi dağıtım çerçevelerine aktarım çok daha sorunsuz gerçekleşir ve düşük güçlü uç cihazlarla uyumluluk artar.
- MuSGD Optimize Edici: Moonshot AI'nin Kimi K2 modelinden esinlenen bu Stokastik Gradyan İnişi (SGD) ve Muon melezi, LLM eğitimi yeniliklerini bilgisayarlı görüye taşır ve daha kararlı eğitim ile daha hızlı yakınsama sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama (STAL), küçük nesnelerin tanınmasını iyileştirir; bu, drone tabanlı havadan görüntü analizi ve robotik işlem hatları için önemlidir.
DAMO-YOLO: Ölçekli Sinir Ağı Mimarisi Araması#
Alibaba Group bünyesinden Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından geliştirilen DAMO-YOLO (23 Kasım 2022'de yayımlandı), otomatik mimari keşfine odaklanır. arXiv makalelerinde ayrıntıları verilen araştırma, katı gecikme sınırları altında omurga ağları bulmak için Sinir Mimarisi Araması (NAS) kullanır.
DAMO-YOLO'nun başlıca mimari özellikleri şunlardır:
- MAE-NAS Omurgası: Doğruluğu hedeflenen dağıtım hızıyla dengeleyen omurgaları otomatik olarak tasarlamak için maksimum entropi rehberliğinde arama kullanır.
- Verimli RepGFPN: Karmaşık görsel sahneleri işlemek için ölçekler arası özellik birleştirmeyi iyileştiren, ağır bir boyun tasarımı.
- ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü en aza indirmek üzere tasarlanmış hafif bir tespit başlığı.
DAMO-YOLO hakkında daha fazla bilgi edin
DAMO-YOLO'nun NAS odaklı mimarisi, önceden belirlenmiş belirli donanım kısıtlarına uygundur; YOLO26'nın isteğe bağlı NMS'siz tasarımı ve DFL'nin kaldırılması ise uç ve bulut ortamlarında daha taşınabilir ve öngörülebilir bir seçenek sunar.
Performans ve Metrik Karşılaştırması#
Standart COCO veri kümesinde eğitilmiş model varyantlarının doğrudan karşılaştırılması, belirgin performans profillerini ortaya koyuyor. Aşağıdaki tablo, doğruluk (mAP), hız ve hesaplama ayak izi (parametreler ve FLOP'lar) arasındaki ödünleşimleri gösteriyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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#
YOLO26n, 2.4M parametreye sahiptir ve TensorRT ile NVIDIA T4 GPU'da 1.7 ms'de çalışır. YOLO26n ayrıca CPU'da YOLO11n'den %43'e kadar daha hızlıdır; bu da YOLO26'yı özel GPU hızlandırıcıları olmayan uç cihazlar için uygun kılar.
DAMO-YOLOt, mAP değerinde YOLO26n'i geride bırakır (42.0'a karşı 40.9), ancak yaklaşık 3.5 kat daha fazla parametreye sahiptir (8.5M). s, m ve l boyutlarında YOLO26, daha az parametre ve daha yüksek TensorRT hızlarıyla DAMO-YOLO'dan daha doğrudur (örneğin l modellerinde 55.0'a karşı 50.8 mAP) ve eğitim sırasında genellikle daha az CUDA belleği kullanır.
Ekosistem, Kullanılabilirlik ve Eğitim Verimliliği#
Bir modelin değeri, geliştiricilerin ve araştırmacıların modeli ne kadar kolay eğitebildiğine, dağıtabildiğine ve sürdürebildiğine de bağlıdır.
Ultralytics Avantajı#
Ultralytics modelleri, iyi bakımı yapılan ve geliştiricilere odaklanan bir ekosistemle sunulur. Veri artırma, hiperparametre ayarlama ve deney izleme gibi iş akışları basit komutlarla yürütülür.
YOLO26 ayrıca daha çok yönlüdür. Yalnızca nesne tespiti yapan DAMO-YOLO'nun aksine YOLO26; tespit, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve OBB tespitini destekler ve şu gibi göreve özgü iyileştirmeler sunar:
- Örnek Segmentasyonu: Anlamsal segmentasyon kaybı ve çok ölçekli proto modülü kullanır.
- Poz Tahmini: Artık Log-Olasılık Tahmini (RLE) kullanır.
- Yönlendirilmiş Sınırlayıcı Kutu (OBB): Sınır sorunlarını çözmek için özel bir açı kaybı kullanır.
- Görüntü Sınıflandırması: Görüntünün tamamını hızlı ve hafif biçimde etiketler.
Eğitim Yöntemleri#
DAMO-YOLO eğitimi genellikle büyük bir "öğretmen" modelinin daha küçük bir "öğrenci" modeli eğittiği bilgi damıtma sürecini içerir. Bu, doğruluğu artırır ancak daha fazla GPU belleği ve daha uzun eğitim döngüleri gerektirir.
YOLO26, öğretmen modeli olmadan eğitim yapar ve genellikle daha az bellek gerektirir; bu nedenle MuSGD optimize edicisiyle tüketici sınıfı donanımlarda verimli biçimde eğitilir. PyTorch tabanlı Ultralytics Python API'sini kullanarak YOLO26 modelini şöyle eğitebilirsin:
from ultralytics import YOLO
# Uçtan uca yerel destekli YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")
# Özel bir veri kümesiyle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Optimize edilmiş, NMS içermeyen modeli dışa aktar
model.export(format="onnx", nms=False)Gerçek Dünya Uygulamaları#
Doğru seçim, dağıtım ortamına bağlıdır.
Uç AI ve IoT Cihazları#
Akıllı perakende kameraları, otomatik tarım izleme sistemleri veya robotik uygulamalarında bilgi işlem kaynakları son derece kısıtlıdır. Bu durumda YOLO26 daha uygun seçenektir. Daha hızlı CPU çıkarımı, isteğe bağlı NMS'siz başlığı ve düşük parametre sayısı, doğruluğu korurken Raspberry Pi gibi uç cihazlarda çalışmasını sağlar.
Yüksek Hızlı Üretim ve Kalite Kontrolü#
Üretim otomasyonu hatlarında, hızla hareket eden konveyör bantlarındaki kusurları tespit etmek için düşük ve belirleyici gecikme gerekir. DAMO-YOLO belirli GPU yapılandırmalarında iyi performans gösterir, ancak NMS işlem sonrası aşamasının değişken gecikmesi robotik aktüatörlerin senkronizasyonunu bozabilir. NMS'siz başlığı etkinleştirildiğinde (nms=False) YOLO26, kare işleme sürelerini tutarlı kılar ve yüksek hızlı endüstriyel robotik sistemlere entegrasyonu basitleştirir.
Drone ve Hava Görüntüleri#
Yüksek irtifalardan küçük özneleri tespit etmek zordur. YOLO26'daki ProgLoss ve STAL, küçük nesnelerin tanınmasını iyileştirir; bu da nesnelerin yalnızca birkaç piksel kapladığı insansız hava araçlarından yaban hayatını izlerken veya trafik sıkışıklığını analiz ederken yardımcı olur.
Kullanım Alanları ve Öneriler#
YOLO26 ile DAMO-YOLO arasındaki seçim, belirli proje gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.
YOLO26'yı Ne Zaman Seçmeli?#
YOLO26 şu durumlarda güçlü bir seçenektir:
- 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 (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.
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.
Sonuç#
DAMO-YOLO, belirli donanım hedefleri için Sinir Mimarisi Araması üzerine yararlı bir örnek olsa da Ultralytics YOLO26 çoğu uygulayıcı için daha kapsamlı bir seçenektir. İsteğe bağlı NMS'siz çıkarımı, düşük bellek gereksinimleri, MuSGD optimize edicisi ve bakımı iyi yapılan ekosistemi, geliştiricilerin görsel sistemleri hızlı ve güvenilir biçimde oluşturup dağıtmasına yardımcı olur.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.