YOLOX ve DAMO-YOLO#

Gerçek zamanlı nesne algılamanın gelişimi, çapa tabanlı mimarilerden çapasız mimarilere, elle tasarlanan omurgalardan otomatik sinir ağı mimarisi aramasına (NAS) kadar çok sayıda paradigma değişimine sahne oldu. Bu kapsamlı teknik karşılaştırmada, bu yolculuktaki iki önemli dönüm noktasını inceleyeceğiz: YOLOX ve DAMO-YOLO. Mimari yeniliklerini, eğitim yöntemlerini ve performans ödünleşimlerini ele alırken modern geliştiricilere eşsiz bir alternatif sunan güncel Ultralytics YOLO26 modelini de öne çıkaracağız.

YOLOX: Çapasız Yaklaşımın Öncüsü#

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii bünyesinde geliştirilen YOLOX, 18 Temmuz 2021'de yayımlandı ve çapasız tasarımı YOLO ailesine başarıyla entegre ederek kritik bir dönüm noktası oldu. Ayrıntılı ArXiv teknik raporlarında açıklandığı üzere YOLOX, akademik araştırmalar ile endüstriyel dağıtım arasındaki boşluğu kapatmayı amaçlıyordu.

Temel Mimari Yenilikler#

YOLOX, önceki modellerine kıyasla büyük iyileştirmeler sağlayan birkaç temel yapısal değişiklik getirdi:

• Çapasız Mekanizma: YOLOX, bir nesnenin merkezini ve sınırlayıcı kutu boyutlarını doğrudan tahmin ederek tasarıma ilişkin buluşsal yöntemlerin sayısını azalttı ve karmaşık çapa kümeleme süreçlerini basitleştirdi. Bu sayede farklı bilgisayarlı görü senaryolarına kolayca uyum sağlar.
• Ayrık Başlık: Geleneksel YOLO modelleri, sınıflandırma ve regresyon için tek bir birleşik başlık kullanıyordu. YOLOX, sınıflandırma ve konum belirlemeyi ayrı ayrı işleyen ayrık bir başlık uygulayarak çok daha hızlı yakınsama ve daha yüksek doğruluk sağladı.
• SimOTA Etiket Ataması: Pozitif örnekleri dinamik olarak atamak için Optimal Taşıma Ataması'nın (OTA) basitleştirilmiş bir sürümü kullanıldı; böylece eğitim süresi kısaldı ve merkez noktası atamalarındaki belirsizlikler giderildi.

YOLOX hakkında daha fazla bilgi edin

DAMO-YOLO: Ölçekli Otomatik Mimari Araması#

Alibaba Group bünyesinde Xianzhe Xu ve araştırmacılardan oluşan bir ekip tarafından geliştirilen DAMO-YOLO, 23 Kasım 2022'de tanıtıldı. ArXiv yayınlarında ayrıntılandırıldığı üzere model, hız ve doğruluk Pareto sınırını ileri taşımak için Sinir Ağı Mimarisi Aramasından (NAS) yoğun biçimde yararlandı.

Temel Mimari Yenilikler#

DAMO-YOLO'nun stratejisi, verimli yapıların tasarımını otomatikleştirme üzerine kuruluydu:

• MAE-NAS Omurgaları: Maksimum entropi rehberliğinde arama kullanan DAMO-YOLO, özellikle TensorRT gibi çerçevelere aktarıldığında belirli gecikme bütçelerine göre özelleştirilmiş, son derece verimli omurgalar keşfetti.
• Verimli RepGFPN: Farklı uzamsal çözünürlüklerde özellik birleştirmeyi önemli ölçüde iyileştiren ağır bir boyun tasarımıdır; hava görüntülerinin analizi ve farklı ölçeklerdeki nesnelerin algılanması için özellikle yararlıdır.
• ZeroHead: Modelin genel Ortalama Hassasiyetinden (mAP) ödün vermeden hesaplama fazlalığını azaltan basitleştirilmiş bir tahmin başlığıdır.
• AlignedOTA ve Damıtma: Gelişmiş etiket atama ve öğretmen-öğrenci bilgi damıtma yöntemlerini kullanarak daha küçük öğrenci modellerinden en yüksek performansı elde eder.

DAMO-YOLO hakkında daha fazla bilgi edin

Performans ve Metrik Karşılaştırması#

Bu iki modeli karşılaştırırken parametre sayılarına, gereken FLOP değerlerine ve gecikme profillerine bakmalıyız. Aşağıda, birden fazla ölçekte YOLOX ile DAMO-YOLO'yu karşılaştıran kıyaslama verileri yer alıyor.

Her iki model de etkileyici sonuçlar verse de bazı dezavantajları var. YOLOX'in ayrık başlığı dikkatli biçimde ayarlanmalı; DAMO-YOLO'nun damıtmaya yoğun biçimde dayanması ise özel veri kümeleri üzerinde yeniden eğitimi son derece kaynak yoğun hâle getirerek büyük miktarda GPU belleği gerektiriyor.

Kullanım Alanları ve Öneriler#

YOLOX ile DAMO-YOLO arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihine bağlıdır.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda iyi bir tercihtir:

• Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
• SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

DAMO-YOLO'yu Ne Zaman Seçmeli#

DAMO-YOLO şu durumlarda önerilir:

• Yüksek Aktarım Hızlı Video Analitiği: Toplu iş boyutu 1 aktarım hızının temel ölçüt olduğu, sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi, özel donanımda GPU gecikmesi için katı kısıtların bulunduğu senaryolar.
• Sinir Mimarisi Arama Araştırmaları: Otomatik mimari aramanın (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların tespit performansı üzerindeki etkilerini inceleme.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

YOLOX ve DAMO-YOLO önemli tarihsel dönüm noktaları olsa da modern geliştiricilerin, en gelişmiş doğruluğu benzersiz kullanım kolaylığıyla birleştiren bir çözüme ihtiyacı var. İşte Ultralytics YOLO26 bu noktada oyunun kurallarını değiştiriyor. Ocak 2026'da yayımlanan YOLO26, hız, doğruluk ve geliştirici deneyimi arasında ideal dengeyi sunmak için NMS içermeyen modellerin mirasını sürdürüyor.

Neden YOLO26'yı Seçmelisin?#

Entegre Ultralytics ekosistemi, parçalı akademik depolara kıyasla şunları sunar:

• Uçtan Uca, NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), çıkarım sırasında Maksimum Olmayan Bastırma'yı (NMS) ortadan kaldırır. Bu sayede uç dağıtımları için kritik olan gecikme son derece hızlı ve öngörülebilir hâle gelir; otonom araçlar için de bu özellik önemlidir.
• DFL'nin Kaldırılması: Distribution Focal Loss'un kaldırılması, YOLO26'nın uç cihazlara aktarım süreçlerini basitleştirir ve hafif uygulamaların bellek gereksinimlerini önemli ölçüde azaltır.
• MuSGD Optimizatörü: YOLO26, hibrit SGD ve Muon optimizatörüyle LLM eğitimindeki yeniliklerden yararlanarak son derece kararlı bir eğitim ve çok hızlı yakınsama sağlar.
• CPU'da %43'e Varan Daha Hızlı Çıkarım: Derin yapısal optimizasyonlar sayesinde YOLO26, pahalı GPU donanımına gerek kalmadan CPU'larda son derece hızlı çalışır.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL entegrasyonu, küçük nesnelerin tanınmasını büyük ölçüde iyileştirerek modeli drone denetimleri ve IoT izleme gibi görevler için ideal hâle getirir.
• Esneklik: Yalnızca nesne algılayan DAMO-YOLO'nun aksine YOLO26, tek ve birleşik bir çerçevede Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) görevlerini yerel olarak destekler.

from ultralytics import YOLO

# Son teknoloji YOLO26 nano modelini yükle
model = YOLO("yolo26n.pt")

# Özel bir veri kümesinde modeli zahmetsizce eğit
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Son derece hızlı, NMS içermeyen çıkarımı çalıştır
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Tek bir komutla ONNX'e veya OpenVINO'ya aktar
model.export(format="openvino")

Değerlendirilebilecek Diğer Modeller#

Bilgisayarlı görü ekosistemi çok geniş. Özel kısıtlarına bağlı olarak, Ultralytics ekosistemi tarafından tümüyle desteklenen diğer mimarileri de incelemek isteyebilirsin:

• YOLO11: YOLO26'nın son derece yetenekli öncülü; perakende analitiğinde ve üretimde kalite kontrolünde sağlamlığıyla tanınır.
• YOLOv8: Uç dağıtımının yaygınlaşmasını sağlayan, çapasız, efsanevi ve son derece kararlı bir model.
• RT-DETR: Baidu tarafından geliştirilen Gerçek Zamanlı Nesne Algılama Transformer'ı; eğitim sırasında daha yüksek bellek gereksinimleri pahasına küresel attention mekanizmalarından büyük ölçüde yararlanan görevler için mükemmel bir alternatif sunar.

Sonuç#

YOLOX ve DAMO-YOLO, derin öğrenmenin gelişimine önemli kavramlarla katkıda bulundu: YOLOX, ayrık ve çapasız yaklaşımın geçerliliğini ortaya koyarken DAMO-YOLO, otomatik mimari aramasının gücünü gösterdi. Ancak gerçek dünya üretiminde özgün araştırma kod tabanlarının karmaşıklığı, çevik ekipleri yavaşlatabilir.

Geliştiriciler, kapsamlı Ultralytics Platform sayesinde bu engelleri aşabilir. YOLO26'nın uçtan uca tasarımı, üstün CPU hızı ve kapsamlı belgeleri, en gelişmiş görsel yapay zekâya ulaşmayı hiç olmadığı kadar kolaylaştırır. Akıllı şehir altyapısı, sağlık tanılama sistemleri veya gelişmiş robotik çözümler geliştiriyor ol, Ultralytics ham veriden sağlam ve gerçek dünya dağıtımına giden en verimli yolu sunar.