Başla

YOLOv6-3.0 ile DAMO-YOLO

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılamanın hızını ve doğruluğunu artıran yeni mimarilerle sürekli gelişiyor. Bu alandaki iki önemli rakip YOLOv6-3.0 ve DAMO-YOLO'dur. Her iki model de endüstriyel donanımda performansı en üst düzeye çıkarmak için tasarlanmış özgün mimari yenilikler sunar. Bu kılavuz, mimarilerini, eğitim yöntemlerini ve ideal kullanım alanlarını inceleyerek bu iki model arasında kapsamlı bir teknik karşılaştırma sunarken 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 iyileştirmek için Çift Yönlü Birleştirme (BiC) modülü sunar ve Çapa Destekli Eğitim (AAT) stratejisi kullanır. Bu strateji, eğitim sırasında çapa tabanlı algılayıcıların avantajlarını çapasız algılayıcılarla birleştirirken çıkarımın tamamen çapasız olmasını sağlar. EfficientRep omurgası, GPU'da toplu işlem için donanım dostudur ve büyük ölçekli video anlama iş yüklerine uygundur.

YOLOv6 hakkında daha fazla bilgi edin

DAMO-YOLO: NAS ile Hızlı ve Doğru#

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

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

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)
mAPval50-95Hız
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 small varyantlarında TensorRT optimizasyonlarından yararlanan NVIDIA GPU'larda yüksek hız sunar. Ancak DAMO-YOLO'nun NAS ile optimize edilmiş omurgaları, orta ve büyük ölçeklerde daha az FLOP gerektirme eğilimindedir; bu da daha büyük dağıtımlarda küçük gecikme avantajları 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 gibi zorluklarla sıklıkla karşılaşır. Ultralytics ekosistemi daha kolay bir geliştirici deneyimi sunar.

YOLO26, Ultralytics'in en yeni modelidir. Ocak 2026'da yayımlanan Ultralytics YOLO26, hem verimliliği hem de esnekliği artırır.

YOLO26'daki Temel Yenilikler#

  • Uçtan Uca NMS'siz Tasarım: YOLOv10 tarafından YOLO modellerine kazandırılan NMS'siz eğitim yaklaşımını temel alan YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırır. Bu, gecikme değişkenliğini azaltır ve uç cihazlarda CoreML veya LiteRT aracılığıyla dağıtımı basitleştirir.
  • DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, YOLO26'nın dışa aktarma sürecini basitleştirir ve düşük güç tüketimli uç donanımlarla uyumluluğu artırır.
  • CPU'da %43'e Kadar Daha Hızlı Çıkarım: Özel GPU donanımı bulunmayan uygulamalarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
  • MuSGD Optimizer: Moonshot AI'nin Kimi K2'si gibi LLM eğitim tekniklerinden ilham alan YOLO26, kararlı eğitim ve daha hızlı yakınsama için MuSGD optimizer'ı (SGD ile Muon'un hibriti) kullanır.
  • ProgLoss + STAL: Aşamalı bir kayıp fonksiyonu ve küçük hedefleri dikkate alan bir etiket atama stratejisi, küçük nesnelerin tanınmasını iyileştirir; bu da drone operasyonlarına ve uzaktaki hedeflerin takibine katkı sağlar.
  • Çoklu Görev Esnekliği: Sadece bir dedektör olan DAMO-YOLO'nun aksine YOLO26, tek ve birleşik bir API içinde örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini (Residual Log-Likelihood Estimation aracılığıyla) ve yönlendirilmiş sınırlayıcı kutular (OBB) için kutudan çıktığı gibi destek sunar.
Bellek Açısından Verimli Eğitim

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

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

# Modeli yerleşik veri işleme özellikleriyle 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'ye aktar
model.export(format="onnx")

İdeal Kullanım Alanları#

Doğru mimariyi seçmek, 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: İsteğe bağlı NMS'siz başlık, DFL'nin kaldırılması ve %43'e varan daha hızlı CPU çıkarımı (YOLO26n, YOLO11n'e kıyasla), modeli iOS, Android ve Raspberry Pi dağıtımları için son derece uygun hâle getirir.
  • Hızlı Prototiplemeden Üretime: Ultralytics Platform entegrasyonu, ekiplerin veri kümesi açıklamalarından küresel bulut dağıtımına aylar değil, günler içinde geçmesini sağlar.
  • Karmaşık Görüntü İşleme İşlem Hatları: Bir proje sınırlayıcı kutuları, insan pozu anahtar noktalarını ve hassas segmentasyon maskelerini bir araya getirdiğinde.

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 ekosistemin sürdürülebilirliği arasında iyi bir denge arayan geliştiriciler için Ultralytics YOLO ailesi güçlü bir seçenektir. YOLO26 ile sunulan optimizasyonlar, üretim ortamındaki bilgisayarlı görü uygulamalarına giriş engelini daha da düşürür.

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

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.