Link to this sectionYOLOv7 ve DAMO-YOLO#

Gerçek zamanlı nesne tespiti alanı sürekli evrilmekte olup, araştırmacılar ve mühendisler hız ile doğruluk arasında en uygun dengeyi bulmak için çaba göstermektedir. Bu teknik karşılaştırmada, 2022'den iki önemli mimariyi derinlemesine inceleyeceğiz: YOLOv7 ve DAMO-YOLO. Her iki model de bilgisayarlı görü topluluğuna yeni kavramlar kazandırarak, model eğitimi, mimari tasarım ve dağıtım süreçlerindeki farklı zorluklara çözüm getirdi.

Link to this sectionModel Geçmişleri ve Teknik Detaylar#

Mimarilerine dalmadan önce, bu iki modelin kökenlerini anlamak önemlidir. Her ikisi de önde gelen araştırma grupları tarafından geliştirilmiş ve gerçek zamanlı nesne tespitinin sınırlarını zorlamak için gelişmiş metodolojiler ortaya koymuştur.

Link to this sectionYOLOv7 Detayları#

YOLO ailesinin bir devamı olarak geliştirilen YOLOv7, çıkarım maliyetini artırmadan doğruluğu önemli ölçüde artırmak için eğitilebilir "bag-of-freebies" kavramını tanıttı.

• Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
• Kurum: Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
• Tarih: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Dokümanlar: https://docs.ultralytics.com/models/yolov7/

YOLOv7 hakkında daha fazla bilgi edinin

Link to this sectionDAMO-YOLO Detayları#

Alibaba Group araştırmacıları tarafından oluşturulan DAMO-YOLO, çeşitli donanımlar için yüksek verimli modeller oluşturmak amacıyla büyük ölçüde Sinirsel Mimari Arama (NAS) ve gelişmiş bilgi damıtma tekniklerine odaklandı.

• Yazarlar: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun
• Kuruluş: Alibaba Group
• Tarih: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO hakkında daha fazla bilgi edin

Link to this sectionMimari Yenilikler#

Link to this sectionYOLOv7: Gradyan Yol Analizi ve Yeniden Parametrelendirme#

YOLOv7 büyük ölçüde Genişletilmiş Verimli Katman Birleştirme Ağlarına (E-ELAN) odaklanır. Yazarlar E-ELAN'ı, ağın gradyan yollarını analiz ederek, ağın orijinal gradyan yolunu bozmadan sürekli öğrenmesini sağlayacak şekilde tasarladılar. Ayrıca YOLOv7, çıkarım sırasında model yeniden parametrelendirmesini etkin bir şekilde kullanır ve FLOP değerlerini azaltmak ve yürütme sürelerini hızlandırmak için katmanları sorunsuz bir şekilde birleştirir. Bu, onu modern GPU'larda gerçek zamanlı çıkarım için son derece yetenekli hale getirir.

Link to this sectionDAMO-YOLO: Sinirsel Mimari Arama ve RepGFPN#

DAMO-YOLO, gecikme kısıtlamaları altında Sinirsel Mimari Arama (NAS) yönteminden yoğun bir şekilde yararlanarak farklılaşır. Mobil cihazlar veya belirli uç donanım hızlandırıcıları gibi özel donanımlar için optimize edilmiş temel ağları (backbone) keşfetmek amacıyla MAE-NAS adlı bir çerçeve kullanır. Boyun (neck) kısmı için verimli bir RepGFPN (Yeniden Parametrelendirilmiş Genelleştirilmiş Özellik Piramit Ağı) sunar ve tahmin kafalarındaki hesaplama yükünü en aza indirmek için ZeroHead tasarımını kullanır.

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken mAP (Mean Average Precision), çıkarım hızı ve model karmaşıklığına bakmak kritiktir.

Yukarıdaki tablo, YOLOv7'nin yüksek doğruluk alanlarında (YOLOv7x) iyi ölçeklendiğini, DAMO-YOLO'nun ise kısıtlı ortamlar için yüksek derecede optimize edilmiş küçük modeller sunduğunu göstermektedir.

Link to this sectionEğitim Verimliliği ve Bellek Gereksinimleri#

İki mimari arasındaki temel farklardan biri eğitim metodolojileridir. DAMO-YOLO'nun damıtmaya olan bağımlılığı, sıfırdan yeni bir model eğitmenin veya özel bir bilgisayarlı görü veri seti üzerinde ince ayar yapmanın genellikle çok daha fazla VRAM ve GPU hesaplama süresi gerektirdiği anlamına gelir.

Buna karşılık, YOLOv7 ve daha yeni sürümler gibi Ultralytics ekosistemine entegre edilen modeller, bellek gereksinimleri açısından yoğun bir şekilde optimize edilmiştir. Geliştiricilerin tüketici donanımlarında bellek hatası almadan daha büyük yığın boyutları (batch size) kullanmalarına olanak tanıyarak deney takibi ve yineleme sürecini basitleştirir.

Link to this sectionUltralytics Avantajı#

Hem YOLOv7 hem de DAMO-YOLO etkileyici özellikler sunsa da, modelleri Ultralytics ekosistemi içinde dağıtmak benzersiz bir geliştirici deneyimi sağlar.

• Kullanım Kolaylığı: Ultralytics Python paketi, birleşik ve basit bir API sunar. Model mimarileri arasında hızlıca geçiş yapabilir, eğitim döngülerini başlatabilir veya birkaç satır kodla çıkarım çalıştırabilirsin.
• İyi Bakımlı Ekosistem: Ultralytics, en son PyTorch sürümleri ve CUDA sürücüleriyle yerel uyumluluğu garanti ederek sık güncellemeler sağlar. Ayrıca modelleri ONNX, TensorRT ve OpenVINO gibi formatlara aktarmayı basitleştirir.
• Çok Yönlülük: Sadece bir nesne dedektörü olan DAMO-YOLO'nun aksine, Ultralytics ekosistemi çeşitli görevleri yerel olarak destekler. Ultralytics ailesindeki modeller; standart sınırlayıcı kutu tespiti, poz tahmini, örnek bölümleme ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) işlemlerini gerçekleştirebilir.

Link to this sectionKod Örneği: Hızlı Başlangıç#

Ultralytics modellerini kullanarak nasıl kolayca yükleme yapabileceğin, eğitim başlatabileceğin ve çıkarım çalıştırabileceğin aşağıdadır:

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model (or newer models like yolo26n.pt)
model = YOLO("yolov7.pt")

# Train the model on the COCO8 dataset with automated hyperparameter handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

Link to this sectionYeni Nesil: YOLO26#

YOLOv7 güçlü bir eski mimari olmaya devam etse de, alan hızla ilerledi. Yeni dağıtımlar için, neredeyse her metrikte önceki nesillerden daha iyi performans gösteren Ultralytics YOLO26 (Ocak 2026'da piyasaya sürüldü) önerilen standarttır.

• Uçtan Uca NMS-Free Tasarım: İlk olarak YOLOv10 ile öncülük edilen YOLO26, Non-Maximum Suppression (NMS) sonrası işlemeye ihtiyaç duymaz. Bu, robotik ve sürücüsüz araç teknolojileri için kritik olan deterministik, ultra düşük gecikmeli çıkarımı garanti eder.
• MuSGD Optimize Edici: Gelişmiş LLM eğitim tekniklerinden (Moonshot AI'nın Kimi K2'si gibi) esinlenen bu hibrit optimize edici, kararlı eğitim ve veri setleri genelinde daha hızlı yakınsama sağlamak için SGD ve Muon'u harmanlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) stratejik olarak kaldırılarak, YOLO26 uç bilgi işlem platformlarında ve CPU'larda performansı önemli ölçüde artırır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, küçük nesnelerin tespitinde önemli iyileştirmeler sağlar ve YOLO26'yı hava görüntüleri ve ayrıntılı gözetim için son derece uygun hale getirir.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionİdeal Kullanım Senaryoları#

Link to this sectionNe Zaman DAMO-YOLO Seçilmeli#

• NAS'ta Akademik Araştırma: Kuruluşun Sinirsel Mimari Arama metodolojilerini incelemeye yoğun bir şekilde yatırım yaptıysa.
• Belirli Donanımlarda Hiper-Kısıtlı Gecikme: Özel bir yapay zeka hızlandırıcı çip için özel bir ana ağ bulmak amacıyla kapsamlı NAS aramaları yürütecek kaynaklara sahipsen.

Link to this sectionNe Zaman YOLOv7 Seçilmeli#

• Mevcut GPU İş Hatları: Üst düzey NVIDIA donanımında YOLOv7'nin belirli E-ELAN mimarisi etrafında derinden optimize edilmiş eski üretim iş hatlarını sürdüren ekipler için.

Link to this sectionNeden Modern Ultralytics Modellerine (YOLO11 / YOLO26) Geçmelisin?#

Perakende analitiği ve akıllı üretimden sağlığa kadar kurumsal uygulamaların büyük çoğunluğu için modern Ultralytics modelleri rakipsizdir. Ultralytics Platform ile entegrasyon; kullanım kolaylığı, üstün dokümantasyon, güçlü topluluk desteği ve çok görevli çok yönlülük sunan eksiksiz bir makine öğrenimi hattı sağlar. Raspberry Pi üzerinde envanter takibi yaparken veya bulutta ağır analitik işlemler çalıştırırken, YOLO26 gibi modeller bilgisayarlı görünün geleceği için ideal performans dengesini sunar.