Link to this sectionYOLOv6-3.0 ve DAMO-YOLO: Gerçek Zamanlı Nesne Tespiti Üzerine Teknik Bir Karşılaştırma#

Bilgisayarlı görü dünyası sürekli gelişiyor ve yeni mimariler, gerçek zamanlı nesne tespiti alanında mümkün olanın sınırlarını zorluyor. Bu alandaki iki önemli rakip YOLOv6-3.0 ve DAMO-YOLO'dur. Her iki model de endüstriyel donanımlarda performansı en üst düzeye çıkarmak için tasarlanmış benzersiz mimari yenilikler sunuyor. Bu rehber, iki model arasında kapsamlı bir teknik karşılaştırma sunarak mimarilerini, eğitim metodolojilerini ve ideal kullanım senaryolarını inceliyor; aynı zamanda YOLO26 gibi Ultralytics modellerinin yeni nesil avantajlarını tanıtıyor.

Link to this sectionModel Profilleri#

Link to this sectionYOLOv6-3.0: Endüstriyel Ölçekte Verim#

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

• Yazarlar: Chuyi Li, Lulu Li, Yifei Geng ve diğerleri.
• Kuruluş: Meituan
• Tarih: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Dokümantasyon: Ultralytics YOLOv6 Dokümantasyonu

YOLOv6-3.0, özellik füzyonunu iyileştirmek için bir Çift Yönlü Birleştirme (BiC) modülü sunar ve Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu strateji, eğitim sırasında çapa tabanlı ve çapa gerektirmeyen tespit edicilerin avantajlarını birleştirirken, çıkarım aşamasında tamamen çapa gerektirmeyen bir yapı korur. EfficientRep omurgası, GPU yığın işleme için oldukça donanım dostudur ve çok büyük miktarda video anlama verisini işlemek için idealdir.

YOLOv6 hakkında daha fazla bilgi edin

Link to this sectionDAMO-YOLO: NAS ile Hızlı ve Doğru#

Alibaba Group tarafından oluşturulan DAMO-YOLO, gerçek zamanlı çıkarım için en verimli omurga yapılarını otomatik olarak keşfetmek amacıyla Sinir Mimarisi Araması (NAS) yönteminden yararlanır.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen ve diğerleri.
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

DAMO-YOLO, verimli çok ölçekli özellik füzyonu için RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramidi Ağı) yapısı ve tespit başlığındaki hesaplama yükünü önemli ölçüde azaltan ZeroHead tasarımı ile öne çıkar. Ayrıca, modelin parametre sayısını artırmadan doğruluğu artırmak için AlignedOTA etiket ataması ve güçlü bilgi damıtma tekniklerini içerir.

DAMO-YOLO hakkında daha fazla bilgi edin

Link to this sectionPerformans Karşılaştırması#

Nesne tespit modellerini değerlendirirken, ortalama hassasiyet (mAP) ile çıkarım hızı arasındaki denge kritiktir. Aşağıda, farklı model ölçeklerinde YOLOv6-3.0 ve DAMO-YOLO'nun ayrıntılı bir karşılaştırması yer almaktadır.

YOLOv6-3.0, özellikle nano ve küçük varyantlarında TensorRT optimizasyonlarını kullanarak NVIDIA GPU'larda olağanüstü bir hız sergiler. Ancak, DAMO-YOLO'nun NAS ile optimize edilmiş omurgaları orta ve büyük ölçeklerde genellikle daha az FLOP gerektirir, bu da daha büyük dağıtımlar için küçük bir gecikme avantajı sağlar.

Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#

YOLOv6-3.0 ve DAMO-YOLO güçlü araçlar olsalar da, geliştiriciler karmaşık dağıtım hatları, eğitim sırasında yüksek bellek gereksinimleri ve katı, tek görevli mimarilerle sık sık sorun yaşarlar. Ultralytics ekosistemi çok daha kolaylaştırılmış bir geliştirici deneyimi sunar.

YOLO26'nın piyasaya sürülmesiyle Ultralytics, en son teknolojiye sahip görüntüleme yapay zekasını yeniden tanımladı. Ocak 2026'da yayınlanan Ultralytics YOLO26, verimlilik ve çok yönlülüğün sınırlarını zorluyor.

Link to this sectionYOLO26'daki Temel Yenilikler#

• Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramlar üzerine inşa edilen YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemini doğal olarak ortadan kaldırır. Bu, gecikme varyansını önemli ölçüde azaltır ve CoreML veya TFLite aracılığıyla uç cihazlarda dağıtımı kolaylaştırır.
• DFL Kaldırma: Dağılım Odaklı Kayıp'ı (Distribution Focal Loss) kaldırarak, YOLO26 dışa aktarma sürecini basitleştirir ve düşük güçlü mikro denetleyiciler ve uç donanımlarla uyumluluğu önemli ölçüde artırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU donanımına sahip olmayan uygulamalar için YOLO26'nın CPU optimizasyonları, YOLOv6 gibi ağır GPU bağımlı modellerden daha iyi performans göstererek eşsiz bir hız sunar.
• MuSGD İyileştirici: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden esinlenen YOLO26, kararlı eğitim ve hızlı yakınsamayı garanti etmek için MuSGD iyileştiricisini (SGD ve Muon'un bir hibriti) kullanır.
• ProgLoss + STAL: Gelişmiş kayıp fonksiyonları, küçük nesne tanımayı önemli ölçüde iyileştirerek YOLO26'yı drone operasyonları ve uzak hedef takibi için mükemmel hale getirir.
• Çok Görevli Çok Yönlülük: Sadece bir tespit edici olan DAMO-YOLO'nun aksine YOLO26; Örnek Segmentasyonu, Poz Tahmini (Kalıntı Log-Olasılık Tahmini yoluyla) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için tek ve birleşik bir API içinde kutudan çıktığı gibi destek sunar.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionKolaylaştırılmış Python İş Akışı#

En son teknoloji modelleri eğitmek ve dağıtmak, yüzlerce satır kod yazmanı gerektirmemelidir. Ultralytics Python paketi, makine öğrenimi 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")

Link to this sectionİdeal Kullanım Senaryoları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına bağlıdır:

Link to this sectionNe zaman YOLOv6-3.0 kullanmalı#

• Yüksek Yığınlı Video Analitiği: TensorRT'nin tam olarak kullanılabildiği kurumsal GPU sunucularında yoğun video akışlarını işlemek için mükemmeldir.
• Endüstriyel Otomasyon: Kalite kontrol hata tespiti gerçekleştiren yüksek hızlı üretim hatları.

Link to this sectionNe zaman DAMO-YOLO kullanmalı#

• Özel Silikon: Belirli, özel NPU donanımı için Sinir Mimarisi Araması haritalama araştırması yapmak.
• Akademik Araştırma: Gerçek zamanlı ağlar için yeni bilgi damıtma tekniklerini kıyaslamak.

Link to this sectionNe zaman Ultralytics YOLO26 kullanmalı#

• Uç ve Mobil Dağıtımlar: NMS'siz tasarım, DFL kaldırma ve %43'lük CPU hız artışı, onu iOS, Android ve Raspberry Pi entegrasyonları için tartışmasız şampiyon yapar.
• Hızlı Prototiplemeden Üretime: Ultralytics Platform ile kesintisiz entegrasyon, ekiplerin veri kümesi etiketlemesinden küresel bulut dağıtımına aylar değil, günler içinde geçmesini sağlar.
• Karmaşık Görüntüleme Hatları: Bir proje, sınırlayıcı kutuların yanı sıra insan pozu anahtar noktalarını ve kesin segmentasyon maskelerini aynı anda tespit etmeyi gerektirdiğinde.

Link to this sectionSonuç#

Hem YOLOv6-3.0 hem de DAMO-YOLO, gerçek zamanlı nesne tespiti bilimine önemli katkılarda bulunmuştur. YOLOv6 GPU maksimizasyonunu iyileştirirken, DAMO-YOLO otomatik mimari aramanın gücünü sergilemiştir.

Ancak doğruluk, çıkarım hızı ve ekosistem sürdürülebilirliğinin nihai karışımını arayan geliştiriciler için Ultralytics YOLO ailesi bir numaralı tercih olmaya devam ediyor. YOLO26'da tanıtılan çığır açan optimizasyonlarla, kurumsal sınıf bilgisayarlı görü uygulamaları oluşturmanın önündeki giriş engeli hiç bu kadar düşük olmamıştı.

Daha fazla keşif için, bu modelleri dokümantasyonumuzdaki diğer mimarilerle, örneğin YOLO11 veya RT-DETR gibi transformatör tabanlı yaklaşımlarla karşılaştırmak isteyebilirsin.