Ultralytics YOLO27:

YOLOv6-3.0 ve DAMO-YOLO#

Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler, gerçek zamanlı nesne algılama alanında mümkün olanların sınırlarını zorluyor. Bu alandaki iki önemli aday YOLOv6-3.0 ve DAMO-YOLO'dur. Her iki model de endüstriyel donanımlarda performansı en üst düzeye çıkarmak üzere tasarlanmış özgün mimari yenilikler sunar. Bu kılavuzda, bu iki modelin mimarileri, eğitim yöntemleri ve ideal kullanım alanları kapsamlı bir teknik karşılaştırmayla incelenirken YOLO26 gibi Ultralytics modellerinin yeni nesil avantajları da tanıtılıyor.

Model Profilleri#

YOLOv6-3.0: Endüstriyel Düzeyde Verim#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle yüksek hacimli endüstriyel uygulamalar için tasarlanmıştır. NVIDIA GPU'ları gibi donanım hızlandırıcılarında performansı en üst düzeye çıkarmaya odaklanır.

YOLOv6-3.0, özellik birleştirmeyi iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü sunar ve Anchor Destekli Eğitim (AAT) stratejisinden yararlanır. Bu strateji, eğitim sırasında anchor tabanlı ve anchor içermeyen algılayıcıların avantajlarını birleştirirken çıkarımı tamamen anchor'sız tutar. EfficientRep omurgası, modeli GPU toplu işleme için son derece donanım dostu hâle getirir ve büyük miktarlarda video anlama verisinin işlenmesi için idealdir.

YOLOv6 hakkında daha fazla bilgi

DAMO-YOLO: NAS ile Hızlı ve Doğru#

Alibaba Group tarafından geliştirilen DAMO-YOLO, gerçek zamanlı çıkarım için en verimli omurga yapılarını otomatik olarak keşfetmek üzere Nöral Mimari Arama (NAS) yönteminden yararlanır.

DAMO-YOLO, verimli çok ölçekli özellik birleştirme için RepGFPN (Yeniden Parametreleştirilmiş Genelleştirilmiş Özellik Piramidi Ağı) yapısıyla ve algılama başlığındaki hesaplama yükünü önemli ölçüde azaltan ZeroHead tasarımıyla öne çıkar. Ayrıca modelin parametre sayısını artırmadan doğruluğu yükseltmek için AlignedOTA etiket atama ve güçlü bilgi damıtma tekniklerini de kullanır.

DAMO-YOLO hakkında daha fazla bilgi edin

Damıtma Yükü

DAMO-YOLO mükemmel doğruluk sağlasa da eğitim sırasında bilgi damıtmaya yoğun biçimde dayanması çok daha büyük bir "öğretmen" modeli gerektirir. Bu durum, daha basit mimarilere kıyasla eğitim aşamasında gereken CUDA belleğini önemli ölçüde artırır.

Performans Karşılaştırması#

Nesne algılama modellerini değerlendirirken ortalama hassasiyet (mAP) ile çıkarım hızı arasındaki denge kritik önem taşır. Aşağıda YOLOv6-3.0 ve DAMO-YOLO'nun farklı model ölçeklerindeki ayrıntılı karşılaştırması yer alıyor.

Modelboyut
(piksel)		mAPval
50-95		Hız
CPU ONNX
(ms)		Hız
T4 TensorRT10
(ms)		parametre
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

YOLOv6-3.0, özellikle nano ve küçük varyantlarında TensorRT optimizasyonlarından yararlanan NVIDIA GPU'larında olağanüstü hız sunar. Bununla birlikte DAMO-YOLO'nun NAS ile optimize edilmiş omurgaları, orta ve büyük ölçeklerde genellikle daha az FLOP gerektirir ve bu da daha büyük dağıtımlarda küçük gecikme avantajları sağlar.

Ultralytics Avantajı: YOLO26'ya Giriş#

YOLOv6-3.0 ve DAMO-YOLO güçlü araçlar olsa da geliştiriciler genellikle karmaşık dağıtım işlem hatları, eğitim sırasında yüksek bellek gereksinimleri ve katı, tek görevli mimarilerle karşılaşır. Ultralytics ekosistemi, geliştirici deneyimini çok daha yalın hâle getirir.

YOLO26'nın yayımlanmasıyla Ultralytics, bilgisayarlı görü yapay zekâsında son teknoloji anlayışını yeniden tanımladı. Ocak 2026'da yayımlanan Ultralytics YOLO26, verimlilik ve çok yönlülük sınırlarını zorluyor.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülüğü yapılan kavramlar üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işleme adımını yerel olarak ortadan kaldırır. Bu, gecikme değişkenliğini büyük ölçüde azaltır ve CoreML veya TFLite aracılığıyla uç cihazlara dağıtımı kolaylaştırır.
  • DFL'nin Kaldırılması: YOLO26, Dağılımsal Odaklama Kaybını kaldırarak dışa aktarma sürecini basitleştirir ve düşük güç tüketimli mikrodenetleyiciler ile uç donanımlarla uyumluluğu önemli ölçüde artırır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU donanımı bulunmayan uygulamalar için YOLO26'nın CPU optimizasyonları benzersiz bir hız sunarak YOLOv6 gibi GPU'ya yoğun biçimde dayanan modellerden daha iyi performans gösterir.
  • MuSGD Optimize Edicisi: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden ilham alan YOLO26, istikrarlı eğitim ve hızlı yakınsama sağlamak için MuSGD optimize edicisini (SGD ve Muon'un hibriti) kullanır.
  • ProgLoss + STAL: Gelişmiş kayıp işlevleri küçük nesne tanımayı önemli ölçüde iyileştirerek YOLO26'yı drone operasyonları ve uzaktaki hedeflerin takibi için ideal hâle getirir.
  • Çok Görevli Çok Yönlülük: Yalnızca bir algılayıcı olan DAMO-YOLO'nun aksine YOLO26, tek ve birleşik bir API içinde Örnek Bölütleme, Poz Tahmini (Artık Artık Log-Olasılık Tahmini aracılığıyla) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için kullanıma hazır destek sunar.
Bellek Verimli Eğitim

RT-DETR gibi karmaşık Transformer mimarilerinin veya DAMO-YOLO'nun damıtmaya dayalı yoğun işlem hatlarının aksine Ultralytics modelleri düşük VRAM kullanımıyla tanınır. YOLO26 modelini tüketici sınıfı donanımlarda kolayca eğitebilirsin.

Yalın Python İş Akışı#

Son teknoloji modelleri eğitmek ve dağıtmak yüzlerce satır kalıp kod gerektirmemeli. Ultralytics Python paketi, makine öğrenmesi yaşam döngüsünü basitleştirir.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with built-in data handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export seamlessly to ONNX or TensorRT
model.export(format="onnx")

İdeal Kullanım Alanları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlarına bağlıdır:

YOLOv6-3.0 ne zaman kullanılmalı?#

  • Yüksek Toplu İşlemeli Video Analizi: TensorRT'nin tamamen kullanılabildiği kurumsal GPU sunucularında yoğun video akışlarını işlemek için mükemmeldir.
  • Endüstriyel Otomasyon: Kalite kontrolü kusur algılama işlemleri gerçekleştiren yüksek hızlı üretim hatları.

DAMO-YOLO ne zaman kullanılmalı?#

  • Özel Silikon: Belirli, tescilli NPU donanımları için Nöral Mimari Arama eşlemesini araştırma.
  • Akademik Araştırma: Gerçek zamanlı ağlar için yeni bilgi damıtma tekniklerini kıyaslama.

Ultralytics YOLO26 ne zaman kullanılmalı?#

  • Uç ve Mobil Dağıtımlar: NMS'siz tasarım, DFL'nin kaldırılması ve %43'lük CPU hız artışı, bu modeli iOS, Android ve Raspberry Pi entegrasyonları için tartışmasız en iyi seçenek hâline getirir.
  • Hızlı Prototiplemeden Üretime: Ultralytics Platform ile sorunsuz entegrasyon, ekiplerin veri kümesi açıklamasından küresel bulut dağıtımına aylar yerine günler içinde geçmesini sağlar.
  • Karmaşık Görü İşlem Hatları: Bir projenin sınırlayıcı kutuları insan pozu kilit noktaları ve hassas bölütleme maskeleriyle eş zamanlı olarak algılaması gerektiğinde.

Sonuç#

YOLOv6-3.0 ve DAMO-YOLO, gerçek zamanlı nesne algılama bilimine önemli katkılarda bulundu. YOLOv6 GPU kullanımını iyileştirirken DAMO-YOLO, otomatik mimari aramanın gücünü ortaya koydu.

Bununla birlikte doğruluk, çıkarım hızı ve ekosistem sürdürülebilirliğinin en iyi birleşimini arayan geliştiriciler için Ultralytics YOLO ailesi hâlâ birinci tercihtir. YOLO26 ile sunulan çığır açıcı optimizasyonlar sayesinde kurumsal düzeyde bilgisayarlı görü uygulamaları oluşturmanın önündeki giriş engeli hiç olmadığı kadar düşük.

Daha fazla inceleme için bu modelleri belgelerimizdeki YOLO11 veya RT-DETR gibi Transformer tabanlı yaklaşımlar da dâhil olmak üzere diğer mimarilerle karşılaştırmak isteyebilirsin.

Katkıda Bulunanlar
GLglenn-jocher16PDpderrenger1

Yorumlar