YOLOv6-3.0 ve DAMO-YOLO: Gerçek Zamanlı Nesne Tespiti Alanında Teknik Bir Karşılaşma

Bilgisayarlı görü dünyası sürekli gelişiyor; yeni mimariler gerçek zamanlı nesne tespiti alanında sınırları 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 kılavuz, her iki modelin mimarilerini, eğitim metodolojilerini ve ideal kullanım durumlarını inceleyerek kapsamlı bir teknik karşılaştırma sunuyor ve aynı zamanda YOLO26 gibi Ultralytics modellerinin yeni nesil avantajlarını tanıtıyor.

Model Profilleri

YOLOv6-3.0: Endüstriyel Sınıf Verim

Meituan bünyesindeki Vision AI Departmanı tarafından geliştirilen YOLOv6-3.0, özellikle yüksek verimli endüstriyel uygulamalar için tasarlanmıştır. NVIDIA GPU'lar gibi donanım hızlandırıcılarında performansı maksimize etmeye odaklanır.

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

YOLOv6-3.0, özellik birleşimini iyileştirmek için Çift Yönlü Birleştirme (BiC) modülünü tanıtır ve Çapa Destekli Eğitim (AAT) stratejisini kullanır. Bu strateji, çıkarım sırasında çapasız (anchor-free) yapıyı korurken, eğitim sırasında çapa tabanlı ve çapasız tespit edicilerin avantajlarını birleştirir. EfficientRep omurgası, onu GPU toplu işleme için oldukça donanım dostu hale getirir ve büyük miktardaki video anlama verisini işlemek için idealdir.

YOLOv6 hakkında daha fazla bilgi edinin

DAMO-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 Arama (NAS) teknolojisinden yararlanır.

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

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

DAMO-YOLO hakkında daha fazla bilgi edinin

Performans 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 karşılaştırmasını bulabilirsin.

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 gecikme avantajları sağlar.

Ultralytics Avantajı: YOLO26 ile Tanış

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

YOLO26'nın piyasaya sürülmesiyle birlikte Ultralytics, en son teknoloji yapay zeka görüsünü yeniden tanımladı. Ocak 2026'da yayınlanan Ultralytics YOLO26, verimlilik ve çok yönlülük sınırlarını zorluyor.

YOLO26'daki Temel Yenilikler

• Uçtan Uca NMS-Free Tasarım: YOLOv10'da öncü olan kavramların üzerine inşa edilen YOLO26, NMS (Non-Maximum Suppression) sonrası işlemeyi yerel olarak ortadan kaldırır. Bu, gecikme varyansını önemli ölçüde azaltır ve CoreML veya TFLite aracılığıyla uç cihazlarda dağıtımı basitleştirir.
• DFL Kaldırılması: Distribution Focal Loss'un kaldırılmasıyla YOLO26, dışa aktarma sürecini basitleştirir ve düşük güç tüketen mikrodenetleyiciler ve uç donanımlarla uyumluluğu önemli ölçüde artırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Özel GPU donanımının olmadığı uygulamalarda, YOLO26'nın CPU optimizasyonları, YOLOv6 gibi GPU'ya ağır bağımlı modelleri geride bırakarak benzersiz bir hız sunar.
• MuSGD Optimize Edici: Moonshot AI'ın Kimi K2'si gibi LLM eğitim tekniklerinden esinlenen YOLO26, kararlı eğitim ve hızlı yakınsamayı garanti etmek için MuSGD optimize edicisini (SGD ve Muon'un bir melezi) 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, tek ve birleşik bir API içinde Örnek Segmentasyonu, Poz Tahmini (Residual Log-Likelihood Estimation aracılığıyla) ve Yönelimli Sınırlayıcı Kutular (OBB) için kutudan çıktığı anda destek sunar.

YOLO26 hakkında daha fazla bilgi edin

Akıcı Python İş Akışı

En son teknoloji modelleri eğitmek ve dağıtmak için yüzlerce satır ortak kod yazman gerekmez. 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 Durumları

Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına bağlıdır:

YOLOv6-3.0 ne zaman kullanılır?

• Yüksek Toplu 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.

Ne zaman DAMO-YOLO kullanmalı

• Özel Silikon: Belirli, tescilli NPU donanımları için Sinir Mimarisi Arama haritalaması araştırmak.
• Akademik Araştırma: Gerçek zamanlı ağlar için yeni bilgi damıtma tekniklerini kıyaslamak.

Ne zaman Ultralytics YOLO26 kullanmalı

• Uç ve Mobil Dağıtımlar: NMS-free tasarım, DFL kaldırma ve %43 CPU hız artışı, onu iOS, Android ve Raspberry Pi entegrasyonları için tartışmasız şampiyon yapar.
• Hızlı Prototiplemeden Üretime: Ultralytics Platform ile kusursuz entegrasyon, ekiplerin veri kümesi etiketlemeden küresel bulut dağıtımına aylar değil günler içinde geçmesini sağlar.
• Karmaşık Görü İşleme Hatları: Bir proje, sınırlayıcı kutuların yanı sıra insan pozu anahtar noktalarını ve hassas segmentasyon maskelerini eşzamanlı olarak tespit etmeyi gerektirdiğinde.

Sonuç

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

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

Daha fazla keşif için, bu modelleri belgelerimizdeki YOLO11 veya RT-DETR gibi transformer tabanlı yaklaşımlar gibi diğer mimarilerle karşılaştırmak ilginç olabilir.