Ultralytics YOLO27:
Get Started

YOLOv6-3.0 ile DAMO-YOLO#

Bilgisayarlı görü alanı sürekli gelişiyor; yeni mimariler gerçek zamanlı nesne algılamada mümkün olanın sınırlarını zorluyor. Bu alandaki iki önemli aday YOLOv6-3.0 ve DAMO-YOLO'dur. Her iki model de endüstriyel donanımda performansı en üst düzeye çıkarmak üzere tasarlanmış özgün mimari yenilikler sunuyor. Bu kılavuz, iki modelin mimarilerini, eğitim yöntemlerini ve ideal kullanım alanlarını kapsamlı biçimde karşılaştırırken YOLO26 gibi Ultralytics modellerinin yeni nesil avantajlarını da tanıtıyor.

Model Profilleri#

YOLOv6-3.0: Endüstriyel Sınıf Verim#

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle yüksek veri işleme hızlı endüstriyel uygulamalar için tasarlanmıştır. NVIDIA GPU'lar gibi donanım hızlandırıcılarındaki performansı en üst düzeye çıkarmaya odaklanır.

YOLOv6-3.0, özellik birleştirmeyi geliştirmek için çift yönlü bir Birleştirme (BiC) modülü sunar ve Çapa Destekli Eğitim (AAT) stratejisinden yararlanır. Bu strateji, eğitim sırasında çapaya dayalı ve çapadan bağımsız algılayıcıların avantajlarını bir araya getirirken çıkarımı tamamen çapadan bağımsız tutar. EfficientRep omurgası, GPU toplu işleme için son derece donanım dostudur ve büyük miktarda video anlama verisini işlemeye uygundur.

YOLOv6 hakkında daha fazla bilgi edin

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 Sinir Ağı Mimarisi Araması (NAS) yönteminden yararlanır.

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

DAMO-YOLO hakkında daha fazla bilgi edin

Damıtma Ek Yükü

DAMO-YOLO mükemmel doğruluk sunsa da eğitim sırasında bilgi damıtma yöntemine 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 kesinlik (mAP) ile çıkarım hızı arasındaki denge kritik öneme sahiptir. Aşağıda, farklı model ölçeklerinde YOLOv6-3.0 ile DAMO-YOLO'nun ayrıntılı bir 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, TensorRT optimizasyonlarından yararlanan NVIDIA GPU'larda, özellikle nano ve küçük varyantlarında olağanüstü hız sunar. Ancak DAMO-YOLO'nun NAS optimizasyonlu omurgaları, orta ve büyük ölçeklerde daha az FLOP gerektirme eğilimindedir; bu da daha büyük dağıtımlarda gecikme açısından küçük avantajlar sağlar.

Ultralytics Avantajı: YOLO26 ile Tanış#

YOLOv6-3.0 ve DAMO-YOLO güçlü araçlar olsa da geliştiriciler karmaşık dağıtım işlem hatları, eğitim sırasında yüksek bellek gereksinimleri ve katı, tek görevli mimariler nedeniyle sık sık zorluk yaşar. Ultralytics ekosistemi, geliştirici deneyimini önemli ölçüde kolaylaştırır.

YOLO26'nın piyasaya sürülmesiyle Ultralytics, bilgisayarlı görü yapay zekâsında son teknoloji anlayışını yeniden tanımladı. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, verimlilik ve çok yönlülüğün sınırlarını zorluyor.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramları temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemeyi ortadan kaldırır. Bu, gecikme değişkenliğini büyük ölçüde azaltır ve CoreML veya LiteRT aracılığıyla uç cihazlara dağıtımı kolaylaştırır.
  • DFL'nin Kaldırılması: YOLO26, Dağılım Odaklı Kaybı kaldırarak dışa aktarma sürecini basitleştirir ve düşük güçlü mikrodenetleyicilerle uç donanımlarla uyumluluğu önemli ölçüde artırır.
  • %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU donanımı bulunmayan uygulamalarda YOLO26'nın CPU optimizasyonları benzersiz bir hız sunarak YOLOv6 gibi GPU'ya yoğun biçimde bağımlı modelleri geride bırakır.
  • MuSGD Optimizasyonu: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden esinlenen YOLO26, kararlı eğitim ve hızlı yakınsamayı güvence altına almak için MuSGD optimizasyonunu (SGD ve Muon'un bir melezi) kullanır.
  • ProgLoss + STAL: Gelişmiş kayıp fonksiyonları küçük nesnelerin tanınmasını 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 Segmentasyonu, Poz Tahminini (Artık Log-Olasılık Tahmini aracılığıyla) ve Yönlendirilmiş Sınırlayıcı Kutuları (OBB) kullanıma hazır olarak destekler.
Bellek Açısından Verimli Eğitim

RT-DETR gibi karmaşık Transformer mimarilerinin veya damıtma ağırlıklı DAMO-YOLO işlem hatlarının aksine Ultralytics modelleri düşük VRAM kullanımlarıyla tanınır. YOLO26 modelini tüketici sınıfı donanımlarda kolayca eğitebilirsin.

Kolaylaştırılmış Python İş Akışı#

Son teknoloji modelleri eğitmek ve dağıtmak için yüzlerce satır kalıp kod yazman gerekmemeli. Ultralytics Python paketi, makine öğrenimi yaşam döngüsünü basitleştirir.

from ultralytics import YOLO

# En yeni YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# Yerleşik veri işleme özellikleriyle modeli zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ultra hızlı çıkarım yap ve sonuçları görüntüle
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# ONNX veya TensorRT biçimlerine sorunsuzca aktar
model.export(format="onnx")

İdeal Kullanım Alanları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlarına bağlıdır:

YOLOv6-3.0 Ne Zaman Kullanılmalı?#

  • Yüksek Toplu İşlemeli Video Analitiği: TensorRT'nin tüm kapasitesinden yararlanılabilen kurumsal GPU sunucularında yoğun video akışlarını işlemek için idealdir.
  • Endüstriyel Otomasyon: Kalite kontrolü kapsamında kusur tespiti yapan yüksek hızlı üretim hatları.

DAMO-YOLO Ne Zaman Kullanılmalı#

  • Özel Silikon: Belirli, tescilli NPU donanımlarına yönelik Sinir Mimarisi Araması eşlemesini araştırma.
  • Akademik Araştırma: Gerçek zamanlı ağlar için yeni bilgi damıtma tekniklerini kıyaslama.

Ultralytics YOLO26'yı ne zaman kullanmalısın?#

  • Uç ve Mobil Dağıtımlar: NMS'siz tasarımı, DFL'nin kaldırılması ve CPU'da %43 hız artışıyla iOS, Android ve Raspberry Pi entegrasyonlarında tartışmasız en iyi seçenektir.
  • Hızlı Prototiplemeden Üretime: Ultralytics Platform ile sorunsuz entegrasyon, ekiplerin veri kümesi açıklamalarından küresel bulut dağıtımına aylar değil günler içinde geçmesini sağlar.
  • Karmaşık Görü Görüntü İşleme İşlem Hatları: Bir projenin sınırlayıcı kutuları, insan pozu anahtar noktaları ve hassas segmentasyon maskelerini aynı anda algılaması gerektiğinde.

Sonuç#

Hem YOLOv6-3.0 hem de DAMO-YOLO, gerçek zamanlı nesne algılama bilimine önemli katkılarda bulundu. YOLOv6, GPU kullanımını en üst düzeye çıkarmayı iyileştirirken DAMO-YOLO, otomatik mimari aramasının gücünü ortaya koydu.

Ancak doğruluk, çıkarım hızı ve ekosistem sürdürülebilirliğinin en iyi bileşimini arayan geliştiriciler için Ultralytics YOLO ailesi en iyi seçenek olmayı sürdürüyor. YOLO26 ile sunulan çığır açıcı optimizasyonlar sayesinde kurumsal düzeyde bilgisayarlı görü uygulamaları oluşturmanın önündeki engeller hiç olmadığı kadar azaldı.

Daha fazla inceleme için belgelerimizdeki YOLO11 veya RT-DETR gibi Transformer tabanlı yaklaşımlar gibi diğer mimarilerle bu modelleri karşılaştırmak da ilgini çekebilir.

Katkıda Bulunanlar
GLglenn-jocher17PDpderrenger1

Yorumlar