YOLO26 ve DAMO-YOLO#
Son teknoloji bir bilgisayarlı görü modeli seçerken çıkarım hızı, doğruluk ve kolay dağıtım arasında en iyi dengesini bulmak kritiktir. Bu kapsamlı kılavuz, görü yapay zekası dünyasındaki iki öne çıkan modeli karşılaştırır: Ultralytics YOLO26 ve DAMO-YOLO. Her iki mimari de gerçek zamanlı nesne tespiti sınırlarını zorlasa da temel tasarım felsefeleri ve amaçlanan kullanım alanları belirgin şekilde farklılık gösterir.
Mimari Yenilikler ve Tasarım#
Ultralytics YOLO26: Uç Birim Öncelikli Görüş Standardı#
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından geliştirilen ve 14 Ocak 2026'da yayınlanan YOLO26, YOLO soyunda devasa bir ileri atılımı temsil eder. Uç bilişim için sıfırdan tasarlanmış olup en son LLM eğitim pratiklerini gelişmiş görü mimarileriyle kusursuz bir şekilde harmanlar.
YOLO26'nın temel mimari atılımları şunlardır:
- Uçtan Uca NMS'siz Tasarım: YOLOv10 modelinin öncü çalışmasını temel alan YOLO26, yerel olarak uçtan ucadır. İşlem sonrasındaki Non-Maximum Suppression (NMS) adımını tamamen ortadan kaldırarak deterministik gecikme süresi garanti eder ve dağıtım boru hatlarını devasa ölçüde basitleştirir.
- DFL Kaldırılması: Distribution Focal Loss bileşeninin kaldırılması model grafiğini sadeleştirir. Bu sayede ONNX ve TensorRT gibi dağıtım çerçevelerine dışarı aktarım çok daha akıcı hale gelir ve düşük güç tüketimli uç cihazlarla daha iyi uyumluluk sağlanır.
- 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, dron tabanlı havadan görüntü analizi ve karmaşık robotik boru hatları için kritik bir gereksinim olan küçük nesne tanımada belirgin iyileştirmeler sunar.
YOLO26 hakkında daha fazla bilgi edin
DAMO-YOLO: Ölçekte Sinirsel Mimari Arama#
Alibaba Group bünyesinden Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından geliştirilen (23 Kasım 2022'de yayınlanan) DAMO-YOLO, otomatik mimari keşfine yoğun bir şekilde odaklanır. arXiv makalelerinde detaylandırılan bu araştırma, katı gecikme bütçeleri altında en uygun ana omurgaları bulmak için Neural Architecture Search (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
DAMO-YOLO'nun NAS odaklı mimarisi belirli, önceden tanımlanmış donanım kısıtlamaları için mükemmel olsa da, YOLO26'nın NMS-içermeyen tasarımı ve DFL kaldırma özelliği, onu çok çeşitli uç birim ve bulut ortamlarında çok daha esnek ve öngörülebilir bir seçenek haline getirir.
Performans ve Metrik Karşılaştırması#
Standart COCO veri seti üzerinde eğitilen model varyantlarının doğrudan karşılaştırılması, belirgin performans profillerini ortaya çıkarır. Aşağıdaki tablo; doğruluk (mAP), hız ve hesaplama yükü (parametreler ile FLOP değerleri) arasındaki ödünleşimleri özetlemektedir.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (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#
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 modelini az farkla geride bıraksa da bunu, neredeyse dört kat daha fazla parametre sayısına (8.5M) ihtiyaç duyma maliyetiyle yapar. Daha büyük varyantlara geçtiğimizde YOLO26; daha küçük bir bellek alanı, eğitim sırasında daha düşük CUDA bellek kullanımı ve çok daha hızlı TensorRT hızları korurken doğruluk konusunda sürekli olarak DAMO-YOLO modelini geride bırakır.
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 seçmek, son derece gelişmiş ve geliştirici odaklı bir ekosisteme erişimi garanti eder. Veri artırma, hiperparametre optimizasyonu ve güçlü deney takibi içeren karmaşık iş akışları sezgisel komutlar halinde soyutlanmıştır.
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 Bölütleme: Özelleşmiş anlamsal bölütleme kaybı ve çok ölçekli prototipleme kullanımı.
- Poz Tahmini: Gelişmiş Residual Log-Likelihood Estimation (RLE) yönteminden faydalanma.
- Yönlendirilmiş Sınırlayıcı Kutu (OBB): Zorlu sınır sorunlarını kusursuz şekilde çözmek için özelleşmiş açı kaybı fonksiyonlarının dahil edilmesi.
- Görüntü Sınıflandırma: Hızlı ve hafif küresel görüntü etiketleme işlemleri için.
Eğitim 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 karşın YOLO26 için bellek gereksinimleri oldukça düşüktür. MuSGD optimizatöründen güç alan YOLO26, standart tüketici sınıfı donanımlar üzerinde hızlı ve verimli bir şekilde eğitim gerçekleştirir. PyTorch tabanlı Ultralytics Python API'sini kullanarak bir YOLO26 modelini ne kadar kolay eğitebileceğiniz 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 arasında seçim yapmak nihayetinde dağıtım ortamına bağlıdır.
Uç Yapay Zeka ve IoT Cihazları#
Akıllı perakende kameraları, otomatik tarım monitörleri veya robotik sistemler için bilgi işlem kaynakları katı bir şekilde sınırlıdır. Bu noktada YOLO26 kesin tercihtir. %43 daha hızlı CPU çıkarımı, tamamen NMS'siz boru hattı ve ufak parametre boyutu sayesinde kritik doğruluğundan ödün vermeden Raspberry Pi gibi uç cihazlarda sorunsuz çalışmasını sağlar.
Yüksek Hızlı Üretim ve Kalite Kontrol#
Hızlı tempolu üretim otomasyonu hatlarında hızla hareket eden konveyör bantlarındaki kusurları tespit etmek minimum, deterministik gecikme gerektirir. DAMO-YOLO belirli GPU yapılandırmalarında yeterli düzeyde performans gösterebilse de geleneksel NMS işlem sonrasının neden olduğu dalgalanan gecikme, robotik aktüatörlerin senkronizasyonunu bozabilir. YOLO26 modelinin uçtan uca doğası tutarlı ve öngörülebilir kare işleme süreleri garanti ederek yüksek hızlı endüstriyel robotik sistemlerle kusursuz entegrasyon sağlar.
Drone 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.
Kullanım Durumları ve Öneriler#
YOLO26 ve DAMO-YOLO arasında seçim yapmak, proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Ne 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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Ne 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.
Sonuç#
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.