YOLO26 ve DAMO-YOLO karşılaştırması#
Son teknoloji ürünü bir bilgisayarlı görü modeli seçerken çıkarım hızı, doğruluk ve dağıtım kolaylığı arasında en uygun dengeyi bulmak kritik önem taşır. Bu kapsamlı kılavuz, görsel yapay zekâ alanındaki iki önemli modeli karşılaştırıyor: Ultralytics YOLO26 ve DAMO-YOLO. Her iki mimari de gerçek zamanlı nesne tespitinin sınırlarını zorlasa da temel tasarım yaklaşımları ve hedeflenen kullanım senaryoları önemli ölçüde farklıdır.
Mimari Yenilikler ve Tasarım#
Ultralytics YOLO26: Uç Öncelikli Görüntüleme Standardı#
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen ve 14 Ocak 2026'da piyasaya sürülen YOLO26, YOLO ailesinde büyük bir ilerlemeyi temsil ediyor. En başından uç bilgi işlem için tasarlanan model, en yeni büyük dil modeli eğitim uygulamalarını gelişmiş görsel mimarilerle kusursuzca bir araya getiriyor.
YOLO26'nın başlıca mimari yenilikleri şunlardır:
- Uçtan Uca, NMS'siz Tasarım: YOLOv10 ile başlatılan öncü çalışmayı temel alan YOLO26, doğal olarak uçtan uca çalışır. İsteğe bağlı bire bir başlığıyla (
nms=False) Maksimum Olmayan Bastırma (NMS) son işlemini atlayarak gecikmenin öngörülebilir olmasını sağlar ve dağıtım işlem hatlarını büyük ölçüde 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 Optimizatörü: Moonshot AI'ın Kimi K2 modelinden ilham alan bu Stokastik Gradyan İnişi (SGD) ve Muon hibriti, büyük dil modeli eğitimindeki yenilikleri bilgisayarlı görüye taşıyarak son derece kararlı eğitim ve hızlı yakınsama sağlar.
- ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesne tanımada dikkate değer iyileştirmeler sağlar. Bu iyileştirmeler, dronlarla yapılan havadan görüntü analizleri ve karmaşık robotik işlem hatları için kritik önem taşır.
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 DAMO-YOLO (23 Kasım 2022'de yayımlandı), otomatik mimari keşfine yoğun biçimde odaklanır. arXiv makalesinde ayrıntıları verilen araştırmada, sıkı gecikme bütçeleri altında en uygun omurga ağlarını bulmak için Sinir Ağı Mimarisi Araması (NAS) kullanılır.
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: Farklı ölçeklerdeki özellik birleştirmeyi optimize eden sağlam, ağır bir boyun tasarımıdır. Karmaşık görsel sahneleri işlemede son derece başarılıdır.
- ZeroHead: Son tahmin katmanlarındaki hesaplama yükünü en aza indirmek için tasarlanmış, oldukça sadeleştirilmiş bir tespit başlığıdır.
DAMO-YOLO hakkında daha fazla bilgi edin
DAMO-YOLO'nun sinir ağı mimarisi araması (NAS) odaklı mimarisi, önceden belirlenmiş belirli donanım kısıtları için mükemmel olsa da YOLO26'nın NMS'siz tasarımı ve DFL'nin kaldırılması, onu çok çeşitli uç ve bulut ortamlarında çok daha çok yönlü ve öngörülebilir bir seçenek hâline getirir.
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) | 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 | 5.5 |
| 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#
Veriler incelendiğinde, modern uygulamalarda performans dengesi belirgin biçimde YOLO26'dan yana. Nano varyantı (YOLO26n), yalnızca 2,4 milyon parametreyle son derece hafiftir ve NVIDIA T4 GPU'da 1,7 ms gibi olağanüstü hızlara ulaşır. Ayrıca YOLO26, CPU çıkarımında %43'e kadar daha hızlı olacak şekilde özel olarak tasarlanmıştır. Bu da onu özel GPU hızlandırıcıları bulunmayan uç cihazların tartışmasız lideri yapar.
Yalnızca mAP açısından DAMO-YOLOt, YOLO26n modelini az farkla geride bıraksa da bunun karşılığında yaklaşık 3,5 kat daha fazla parametreye (8,5 milyon) ihtiyaç duyar. Daha büyük varyantlara geçildikçe YOLO26, doğruluk bakımından DAMO-YOLO modelini tutarlı biçimde geride bırakırken daha küçük bir bellek ayak izi, eğitim sırasında daha düşük CUDA bellek kullanımı ve çok daha yüksek TensorRT hızları sunar.
Ekosistem, Kullanılabilirlik ve Eğitim Verimliliği#
Bir makine öğrenimi modelinin asıl gücü yalnızca ham ölçütlerinde değil, geliştiriciler ve araştırmacılar tarafından ne kadar kolay kullanılabildiğinde yatar.
Ultralytics Avantajı#
Bir Ultralytics modeli seçtiğinde, geliştirici odaklı ve son derece gelişmiş bir ekosisteme erişimin garanti olur. Veri artırma, hiperparametre ayarı ve güçlü deney takibi gibi karmaşık iş akışları, anlaşılır komutlarla kolayca yönetilir.
Ayrıca YOLO26 eşsiz bir çok yönlülük sunar. DAMO-YOLO yalnızca nesne tespiti yaparken YOLO26, kullanıma hazır olarak birçok alanda göreve özel kapsamlı iyileştirmeler sağlar:
- Örnek Segmentasyonu: Özelleşmiş anlamsal segmentasyon kaybından ve çok ölçekli prototiplemeden yararlanır.
- Poz Tahmini: Gelişmiş Artık Log-Olasılık Tahmininden (RLE) yararlanır.
- Yönlendirilmiş Sınırlayıcı Kutu (OBB): Zorlu sınır sorunlarını kusursuzca çözmek için özel açı kayıp fonksiyonlarından yararlanır.
- Görüntü Sınıflandırma: Hızlı ve hafif genel görüntü etiketleme için.
Eğitim Yöntemleri#
DAMO-YOLO eğitimi çoğu zaman büyük bir "öğretmen" modelin daha küçük bir "öğrenci" modeli eğittiği karmaşık bir damıtma sürecini içerir. Bu teknik, doğrulukta küçük kazanımlar sağlasa da kapsamlı GPU belleği ve daha uzun eğitim döngüleri gerektirir.
Buna karşılık, YOLO26'nın bellek gereksinimleri önemli ölçüde daha düşüktür. MuSGD optimize ediciden güç alan YOLO26, standart tüketici donanımında hızlı ve verimli biçimde eğitilir. PyTorch tabanlı Ultralytics Python API'sini kullanarak bir YOLO26 modelini ne kadar kolay eğitebileceğini aşağıda görebilirsin:
from ultralytics import YOLO
# Uçtan uca yerel destekli YOLO26 nano modelini başlat
model = YOLO("yolo26n.pt")
# Özel veri kümesinde zahmetsizce 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#
Bu mimariler arasında seçim yapmak, nihayetinde dağıtım ortamına bağlıdır.
Uç AI ve IoT Cihazları#
Akıllı perakende kameralarında, otomatik tarım izleme sistemlerinde veya robotikte işlem kaynakları son derece sınırlıdır. Bu senaryolarda YOLO26 kesin tercihtir. %43 daha hızlı CPU çıkarımı, tamamen NMS içermeyen iş akışı ve çok az sayıda parametresi sayesinde, kritik doğruluktan ödün vermeden Raspberry Pi gibi uç cihazlarda sorunsuz çalışır.
Yüksek Hızlı Üretim ve Kalite Kontrolü#
Hızlı üretim otomasyonu hatlarında, hızla ilerleyen konveyör bantlarındaki kusurları tespit etmek için gecikmenin düşük ve belirleyici olması gerekir. DAMO-YOLO belirli GPU yapılandırmalarında yeterli performans gösterebilse de geleneksel NMS son işlemesinin yol açtığı değişken gecikme, robotik aktüatörlerin eşzamanlılığını bozabilir. YOLO26'nın uçtan uca yapısı, tutarlı ve öngörülebilir kare işleme sürelerini garanti ederek yüksek hızlı endüstriyel robotik sistemlerle kusursuz entegrasyon sağlar.
Drone ve Hava Görüntüleri#
Yüksek irtifalardan küçük özneleri tespit etmek son derece zordur. YOLO26'daki ProgLoss ve STAL entegrasyonu, küçük nesne tanımayı önemli ölçüde iyileştirir. İster yaban hayatını takip et ister İHA'lardan trafik yoğunluğunu analiz et, YOLO26 eski mimarilerin (DAMO-YOLO dahil) sıklıkla gözden kaçırdığı, görüntüde az piksel kaplayan nesneleri tutarlı biçimde tespit eder.
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: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
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 Arama yeteneklerini inceleyen ilgi çekici bir çalışma olmaya devam etse de Ultralytics YOLO26, modern AI uygulayıcıları için çok yönlü ve üstün bir çözüm olarak öne çıkar. Uçtan uca, NMS içermeyen mimarisi, önemli ölçüde daha düşük bellek gereksinimleri, hibrit MuSGD optimize edicisi ve titizlikle bakımı yapılan ekosistemiyle YOLO26, geliştiricilerin son teknoloji görüntü sistemlerini her zamankinden daha hızlı ve güvenilir biçimde oluşturup dağıtmasını sağlar.