Link to this sectionYOLO26 ve DAMO-YOLO#

En son teknoloji bir bilgisayarlı görü modeli seçerken, çıkarım hızı, doğruluk ve dağıtım kolaylığı arasında optimum dengeyi bulmak kritiktir. Bu kapsamlı rehber, görme tabanlı yapay zeka dünyasındaki iki önde gelen modeli karşılaştırıyor: Ultralytics YOLO26 ve DAMO-YOLO. Her iki mimari de gerçek zamanlı nesne tespiti sınırlarını zorlasa da, temel tasarım felsefeleri ve hedeflenen kullanım durumları önemli ölçüde farklılık gösterir.

Link to this sectionMimari Yenilikler ve Tasarım#

Link to this sectionUltralytics YOLO26: Uç Birim Öncelikli Görüş Standardı#

Ultralytics'ten Glenn Jocher ve Jing Qiu tarafından geliştirilen ve 14 Ocak 2026'da yayınlanan YOLO26, YOLO serisinde devasa bir ileriye dönük sıçramayı temsil ediyor. Uç bilişim (edge computing) için sıfırdan tasarlanmış olup, en gelişmiş LLM eğitim uygulamalarını ileri düzey görüntü mimarileriyle kusursuz bir şekilde harmanlıyor.

YOLO26'nın temel mimari atılımları şunlardır:

• Uçtan Uca NMS-İçermeyen Tasarım: YOLOv10 çalışmalarından yola çıkan YOLO26, yerel olarak uçtan uca bir yapıdadır. İşleme sonrası aşamasında NMS (Non-Maximum Suppression) ihtiyacını tamamen ortadan kaldırarak deterministik gecikme sağlar ve dağıtım süreçlerini büyük ölçüde basitleştirir.
• DFL Kaldırılması: Dağıtım Odaklı Kaybın (Distribution Focal Loss) kaldırılması, model grafiğini sadeleştirir. Bu, ONNX ve TensorRT gibi dağıtım çerçevelerine aktarımı çok daha sorunsuz hale getirir ve düşük güç tüketen uç cihazlarla daha iyi uyumluluk sağlar.
• MuSGD Optimize Edici: Moonshot AI'ın Kimi K2 modelinden esinlenen bu Stokastik Gradyan İnişi (SGD) ve Muon melezi, LLM eğitim yeniliklerini bilgisayarlı görüye getirerek son derece istikrarlı eğitim ve hızlı yakınsama sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, drone tabanlı hava görüntüsü analizi ve karmaşık robotik süreçleri için kritik bir ihtiyaç olan küçük nesne tanıyamada önemli iyileştirmeler sağlar.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionDAMO-YOLO: Ölçekte Sinirsel Mimari Arama#

Alibaba Group'tan Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından geliştirilen (23 Kasım 2022'de yayınlandı) DAMO-YOLO, otomatik mimari keşfine yoğun bir şekilde odaklanır. arXiv makalelerinde detaylandırıldığı üzere, katı gecikme bütçeleri altında en uygun omurgaları (backbone) bulmak için Sinirsel Mimari Arama (NAS) yöntemini kullanır.

DAMO-YOLO'nun temel mimari özellikleri şunlardır:

• MAE-NAS Omurgası: Doğruluk ile hedef dağıtım hızı arasında denge kuran omurgaları otomatik olarak tasarlamak için Çok Amaçlı Evrimsel Arama kullanır.
• Verimli RepGFPN: Farklı ölçeklerde özellik füzyonunu optimize eden ve karmaşık görsel sahneleri işlemede oldukça yetenekli olan sağlam bir 'ağır boyun' (heavy-neck) tasarımı.
• ZeroHead: Son tahmin katmanlarında hesaplama yükünü en aza indirmek için tasarlanmış, büyük ölçüde basitleştirilmiş bir tespit başlığı.

DAMO-YOLO hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Standart COCO veri seti üzerinde eğitilmiş model varyantlarının doğrudan karşılaştırılması, farklı performans profillerini ortaya koymaktadır. Aşağıdaki tablo, doğruluk (mAP), hız ve hesaplama alanı (parametreler ve FLOPs) arasındaki ödünleşimleri göstermektedir.

Link to this sectionPerformans Analizi#

Verileri analiz ederken, performans dengesinin modern uygulamalar için büyük ölçüde YOLO26 lehine olduğunu görüyoruz. Nano varyantı (YOLO26n), yalnızca 2.4M parametre ile son derece hafiftir ve NVIDIA T4 GPU üzerinde 1.7 ms'lik hızlara ulaşır. Dahası, YOLO26 özel olarak %43 daha hızlı CPU çıkarımı sunmak üzere tasarlanmıştır, bu da onu özel GPU hızlandırıcıları olmayan uç cihazlar için tartışmasız şampiyon yapar.

DAMO-YOLOt, saf mAP konusunda YOLO26n'yi biraz geçse de, bunu parametre sayısının yaklaşık dört katını (8.5M) gerektirerek yapar. Daha büyük varyantlara geçildiğinde, YOLO26, daha küçük bellek ayak izi, eğitim sırasında daha düşük CUDA bellek kullanımı ve önemli ölçüde daha hızlı TensorRT hızlarını korurken doğrulukta DAMO-YOLO'yu tutarlı bir şekilde geride bırakır.

Link to this sectionEkosistem, Kullanılabilirlik ve Eğitim Verimliliği#

Bir makine öğrenimi modelinin gerçek gücü, yalnızca ham metriklerinde değil, geliştiriciler ve araştırmacılar tarafından ne kadar kolay kullanılabildiğinde yatar.

Link to this sectionUltralytics Avantajı#

Bir Ultralytics modeli seçmek, oldukça rafine, geliştirici odaklı bir ekosisteme erişimi garanti eder. Veri artırma, hiperparametre ayarlama ve sağlam deney takibi içeren karmaşık iş akışları, sezgisel komutlarla özetlenmiştir.

Ayrıca, YOLO26 benzersiz bir esneklik sunar. DAMO-YOLO sadece bir nesne tespit ediciyken, YOLO26 kutudan çıktığı haliyle birden fazla alanda kapsamlı, göreve özel iyileştirmeler sağlar:

• Örnek Segmentasyonu: Özel anlamsal segmentasyon kaybı ve çok ölçekli prototipleme kullanarak.
• Poz Tahmini: Gelişmiş Artık Log-Olabilirlik Tahmininden (RLE) yararlanarak.
• Yönlendirilmiş Sınırlayıcı Kutu (OBB): Zorlu sınır sorunlarını mükemmel şekilde çözmek için özel açı kaybı fonksiyonlarını birleştirerek.
• Görüntü Sınıflandırma: Hızlı ve hafif küresel görüntü etiketleme için.

Link to this sectionEğitim Metodolojileri#

DAMO-YOLO eğitimi genellikle büyük bir "öğretmen" modelin daha küçük bir "öğrenci" modeli eğittiği karmaşık bir damıtma sürecini içerir. Bu teknik marjinal doğruluk kazanımları sağlasa da, kapsamlı GPU belleği ve daha uzun eğitim döngüleri gerektirir.

Buna karşılık, YOLO26 için bellek gereksinimleri önemli ölçüde daha düşüktür. MuSGD optimize edicisi tarafından desteklenen YOLO26, standart tüketici sınıfı donanımlarda hızlı ve verimli bir şekilde eğitilir. PyTorch tabanlı Ultralytics Python API'sini kullanarak bir YOLO26 modelini ne kadar kolay eğitebileceğini aşağıda görebilirsin:

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")

Link to this sectionGerçek Dünya Uygulamaları#

Bu mimariler arasında seçim yapmak nihayetinde dağıtım ortamına bağlıdır.

Link to this sectionUç Yapay Zeka ve IoT Cihazları#

Akıllı perakende kameraları, otomatik tarım monitörleri veya robotik için bilgi işlem kaynakları kesinlikle sınırlıdır. Burada, YOLO26 kesin tercihtir. %43 daha hızlı CPU çıkarımı, tamamen NMS'siz süreç hattı ve küçük parametre ayak izi, kritik doğruluğu feda etmeden Raspberry Pi gibi uç cihazlarda sorunsuz çalışmasını sağlar.

Link to this sectionYüksek Hızlı Üretim ve Kalite Kontrol#

Hızlı tempolu üretim otomasyonu hatlarında, hızlı hareket eden bantlardaki hataları tespit etmek, minimum ve deterministik bir gecikme gerektirir. DAMO-YOLO belirli GPU yapılandırmalarında yeterli performans gösterse de, geleneksel NMS işlem sonrası süreçlerin getirdiği değişken gecikme, robotik aktüatörlerin senkronizasyonunu bozabilir. YOLO26'nın uçtan uca doğası, tutarlı ve öngörülebilir çerçeve işleme sürelerini garanti ederek yüksek hızlı endüstriyel robotik sistemlere kusursuz bir entegrasyon sağlar.

Link to this sectionDrone ve Hava Görüntüleri#

Yüksek irtifalardan küçük nesneleri tespit etmek oldukça zordur. YOLO26'daki ProgLoss ve STAL entegrasyonu, küçük nesne tanımayı önemli ölçüde iyileştirir. İster vahşi yaşamı takip et, ister İHA'lardan trafik sıkışıklığını analiz et; YOLO26, DAMO-YOLO dahil olmak üzere eski mimarilerin sıklıkla gözden kaçırdığı daha küçük piksel alanlı nesneleri tutarlı bir şekilde tanımlar.

Link to this sectionKullanım Durumları ve Öneriler#

YOLO26 ve DAMO-YOLO arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLO26 Seçilmeli#

YOLO26 şunlar için güçlü bir tercihtir:

• 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 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 sectionSonuç#

DAMO-YOLO, belirli donanım hedefleri için Sinirsel Mimari Arama yeteneklerinin büyüleyici bir çalışması olmaya devam ederken, Ultralytics YOLO26 modern yapay zeka uygulayıcıları için üstün ve çok yönlü çözüm olarak öne çıkıyor. Uçtan uca NMS içermeyen mimarisi, önemli ölçüde daha düşük bellek gereksinimleri, hibrit MuSGD optimize edicisi ve kusursuz bir şekilde korunan ekosistemiyle YOLO26, geliştiricilerin en gelişmiş görüntüleme sistemlerini her zamankinden daha hızlı ve güvenilir bir şekilde oluşturup dağıtmalarını sağlar.