YOLOv6-3.0 ve DAMO-YOLO#

Bilgisayarlı görü manzarası, yeni mimarilerin gerçek zamanlı nesne tespiti alanında mümkün olanın sınırlarını zorlamasıyla sürekli olarak gelişmektedir. Bu alandaki dikkat çekici iki rakip YOLOv6-3.0 ve DAMO-YOLO'dur. Her iki model de endüstriyel donanımda performansı en üst düzeye çıkarmak için tasarlanmış benzersiz mimari yenilikler sunmaktadır. Bu kılavuz, her iki model arasında kapsamlı bir teknik karşılaştırma sunarak mimarilerini, eğitim metodolojilerini ve ideal kullanım senaryolarını incelerken, aynı zamanda YOLO26 gibi Ultralytics modellerinin yeni nesil avantajlarını da tanıtmaktadır.

Model Profilleri#

YOLOv6-3.0: Endüstriyel Ölçekte İşleme Kapasitesi#

Meituan bünyesindeki Vizyon Yapay Zeka Departmanı tarafından geliştirilen YOLOv6-3.0, yüksek verimli endüstriyel uygulamalar için özel olarak tasarlanmıştır. NVIDIA GPU'lar gibi donanım hızlandırıcılarında performansı en üst düzeye çıkarmaya yoğun bir şekilde odaklanır.

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

YOLOv6-3.0, özellik birleştirmesini iyileştirmek için Çift Yönlü Birleştirme (BiC) modülü sunar ve Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu strateji, çıkarımı tamamen çapasız tutarken, eğitim sırasında çapa tabanlı ve çapasız dedektörlerin faydalarını birleştirir. Verimli EfficientRep omurgası, onu GPU toplu işleme için son derece donanım dostu hale getirerek devasa miktardaki video anlama verisini işlemek için ideal kılar.

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 Sinirsel Mimari Arama (NAS) özelliğinden 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

Performans Karşılaştırması#

Nesne tespiti modellerini değerlendirirken, ortalama duyarlılık (mAP) ile çıkarım hızı arasındaki denge çok önemlidir. Aşağıda YOLOv6-3.0 ve DAMO-YOLO'nun farklı model ölçeklerindeki ayrıntılı bir karşılaştırması yer almaktadır.

YOLOv6-3.0, özellikle nano ve küçük varyantlarında TensorRT optimizasyonlarını kullanarak NVIDIA GPU'larda olağanüstü bir hız gösterir. Bununla birlikte, DAMO-YOLO'nun NAS optimize edilmiş omurgaları orta ve büyük ölçeklerde daha az FLOP gerektirme eğilimindedir ve bu da daha büyük dağıtımlar için hafif bir gecikme avantajı sağlar.

Ultralytics Avantajı: YOLO26 ile Tanışın#

YOLOv6-3.0 ve DAMO-YOLO güçlü araçlar olmalarına rağmen, geliştiriciler genellikle karmaşık dağıtım boru hatları, eğitim sırasında yüksek bellek gereksinimleri ve katı, tek görevli mimarilerle ilgili zorluklarla karşılaşır. Ultralytics ekosistemi çok daha akıcı bir geliştirici deneyimi sunar.

YOLO26 sürümü ile Ultralytics, son teknoloji ürünü vizyon yapay zekasını yeniden tanımladı. Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, verimlilik ve çok yönlülüğün sınırlarını zorlamaktadır.

YOLO26'daki Temel Yenilikler#

• Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 içinde öncülük edilen konseptleri temel alan YOLO26, Maksimum Olmayan Bastırma (NMS) son işlemini yerel olarak ortadan kaldırır. Bu, gecikme varyansını büyük ölçüde azaltır ve CoreML veya TFLite aracılığıyla uç cihazlarda dağıtımı basitleştirir.
• 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 dramatik ölçüde iyileştirerek YOLO26'yı drone operasyonları ve uzak hedef takibi için mükemmel hale getirir.
• Çoklu Görev Çok Yönlülüğü: Kesinlikle bir dedektör olan DAMO-YOLO'nun aksine YOLO26, tek ve birleşik bir API içinde Örnek Bölütleme, Poz Tahmini (Artık Log-Olabilirlik Tahmini aracılığıyla) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için kutudan çıktığı gibi destek sağlar.

YOLO26 hakkında daha fazla bilgi edin

Kolaylaştırılmış Python İş Akışı#

Son teknoloji modelleri eğitmek ve dağıtmak yüzlerce satır şablon kod 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")

İdeal Kullanım Senaryoları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına bağlıdır:

Ne 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 kusur tespiti gerçekleştiren yüksek hızlı üretim hatları.

Ne 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.

Ne zaman Ultralytics YOLO26 kullanmalı#

• Uç ve Mobil Dağıtımlar: NMS içermeyen tasarım, DFL kaldırma ve %43 CPU hız artışı, onu iOS, Android ve Raspberry Pi entegrasyonları için tartışmasız şampiyon yapmaktadır.
• Prototipten Üretime Hızlı Geçiş: Ultralytics Platform ile kusursuz entegrasyon, ekiplerin veri seti etiketlemeden 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.

Sonuç#

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.

Bununla birlikte, doğruluk, çıkarım hızı ve ekosistem sürdürülebilirliğinin nihai karışımını arayan geliştiriciler için Ultralytics YOLO ailesi bir numaralı tercih olmaya devam etmektedir. YOLO26 ile sunulan çığır açan optimizasyonlar sayesinde, kurumsal düzeyde bilgisayarlı görü uygulamaları oluşturmanın önündeki giriş engeli hiç bu kadar düşük olmamıştı.

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