YOLOX ve DAMO-YOLO#

Gerçek zamanlı nesne tespitinin gelişimi, ankraj tabanlı mimarilerden ankrajsız mimarilere ve manuel olarak tasarlanmış omurgalardan otomatik nöral mimari aramasına (NAS) kadar çok sayıda paradigmanın değişimine tanık oldu. Bu kapsamlı teknik karşılaştırmada, bu yolculuktaki iki önemli dönüm noktasını analiz edeceğiz: YOLOX ve DAMO-YOLO. Mimari yeniliklerini, eğitim metodolojilerini ve performans ödünleşimlerini inceleyecek, ayrıca modern Ultralytics YOLO26 modelinin günümüz geliştiricileri için nasıl benzersiz bir alternatif sunduğunu vurgulayacağız.

YOLOX: Çapasız Paradigmanın Öncüsü#

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

Temel Mimari Yenilikler#

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

• Ankrajsız Mekanizma: YOLOX, bir nesnenin merkezini ve sınırlayıcı kutu boyutlarını doğrudan tahmin ederek tasarım buluşsal yöntemlerinin sayısını azalttı ve karmaşık ankraj kümeleme süreçlerini basitleştirdi. Bu, modeli farklı bilgisayarlı görü senaryolarına son derece uyarlanabilir hâle getirir.
• Ayrıştırılmış Başlık: Geleneksel YOLO modelleri, sınıflandırma ve regresyon için tek bir birleşik başlık kullanıyordu. YOLOX, sınıflandırma ve konumlandırmayı ayrı ayrı işleyen ayrıştırılmış bir başlık uyguladı; bu sayede çok daha hızlı yakınsama sağlandı ve doğruluk artırıldı.
• SimOTA Etiket Ataması: Pozitif örnekleri dinamik olarak atamak için Optimal Transport Atamasının (OTA) basitleştirilmiş bir sürümü kullanıldı; bu, eğitim sürelerini kısalttı ve merkez noktası atamalarındaki belirsizliklerin üstesinden geldi.

YOLOX hakkında daha fazla bilgi edin

DAMO-YOLO: Ölçekli Otomatik Mimari Araması#

Alibaba Group bünyesindeki Xianzhe Xu ve araştırmacı ekibi tarafından geliştirilen DAMO-YOLO, 23 Kasım 2022'de tanıtıldı. ArXiv yayınlarında ayrıntılı olarak açıklandığı üzere model, hız ve doğruluk Pareto sınırını ilerletmek için Nöral Mimari Aramasından (NAS) yoğun biçimde yararlandı.

Temel Mimari Yenilikler#

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

• MAE-NAS Sırt Çantaları: Maksimum entropi kılavuzlu bir arama kullanan DAMO-YOLO, özellikle TensorRT gibi çerçevelere aktarıldığında belirli gecikme bütçeleri için özelleştirilmiş son derece verimli sırt çantaları keşfetti.
• Efficient RepGFPN: Farklı uzamsal çözünürlükler arasındaki özellik füzyonunu önemli ölçüde geliştiren ağır bir boyun tasarımıdır; bu, hava görüntüsü analizi ve farklı ölçeklerdeki nesnelerin tespiti için son derece faydalıdır.
• ZeroHead: Modelin genel Ortalama Kesinliğinden (mAP) ödün vermeden hesaplama fazlalığını azaltan basitleştirilmiş bir tahmin başlığıdır.
• AlignedOTA ve Damıtma: Küçük öğrenci modellerinden en yüksek performansı elde etmek için gelişmiş etiket atama ve öğretmen-öğrenci bilgi damıtma yöntemlerini bir araya getirir.

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, YOLOX ile DAMO-YOLO'yu birden çok ölçekte karşılaştıran kıyaslama verileri yer alıyor.

Her iki model de etkileyici sonuçlar elde etse de bazı dezavantajlara sahiptir. YOLOX'in ayrıştırılmış başlığının dikkatle ayarlanması gerekirken DAMO-YOLO'nun damıtmaya büyük ölçüde dayanması, özel veri kümeleri üzerinde yeniden eğitimi son derece kaynak yoğun hâle getirir ve büyük miktarda GPU belleği gerektirir.

Kullanım Alanları ve Öneriler#

YOLOX ile DAMO-YOLO arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

DAMO-YOLO Ne Zaman Seçilmeli?#

DAMO-YOLO şu durumlar için önerilir:

• Yüksek İş Hacimli Video Analitiği: Batch-1 iş hacminin temel ölçüt olduğu sabit NVIDIA GPU altyapısında yüksek FPS'li video akışlarını işleme.
• Endüstriyel Üretim Hatları: Montaj hatlarında gerçek zamanlı kalite denetimi gibi özel donanım üzerinde katı GPU gecikme kısıtlarının bulunduğu senaryolar.
• Sinir Ağı Mimarisi Araması Araştırmaları: Otomatik mimari aramasının (MAE-NAS) ve verimli yeniden parametrelendirilmiş omurgaların algılama performansı üzerindeki etkilerini inceleme.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

Ultralytics Avantajı: YOLO26 ile Tanışın#

YOLOX ve DAMO-YOLO önemli tarihsel dönüm noktalarını temsil etse de günümüz geliştiricileri, en gelişmiş doğruluğu benzersiz kullanım kolaylığıyla birleştiren bir çözüme ihtiyaç duyuyor. İşte Ultralytics YOLO26 burada ezberleri bozuyor. Ocak 2026'da yayımlanan YOLO26, hız, doğruluk ve geliştirici deneyimi arasında ideal dengeyi sunmak için NMS'siz modellerin mirası üzerine inşa edildi.

Neden YOLO26'yı Seçmelisin?#

Entegre Ultralytics ekosistemi, parçalı akademik depoları şu özellikleri sunarak geride bırakır:

• Uçtan Uca NMS'siz Tasarım: YOLO26, çıkarım sırasında Maksimum Olmayan Bastırmayı (NMS) yerel olarak ortadan kaldırır. Bu, uç dağıtımlar ve otonom araçlar için kritik olan son derece hızlı ve öngörülebilir bir gecikme sağlar.
• DFL'nin Kaldırılması: YOLO26, Distribution Focal Loss'u kaldırarak uç cihazlara dışa aktarma süreçlerini basitleştirir ve hafif uygulamalar için bellek gereksinimlerini büyük ölçüde azaltır.
• MuSGD Optimize Edicisi: YOLO26, hibrit SGD ve Muon optimize edicisiyle LLM eğitimindeki yeniliklerden yararlanarak son derece kararlı eğitim ve ultra hızlı yakınsama sağlar.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: YOLO26, derin yapısal optimizasyonlar sayesinde pahalı GPU donanımına ihtiyaç duymadan CPU'larda olağanüstü hızlı çalışır.
• Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL entegrasyonu, küçük nesne tanımada büyük iyileştirmeler sağlar ve modeli drone denetimleri ile IoT izleme gibi görevler için ideal hâle getirir.
• Çok Yönlülük: Yalnızca bir dedektör olan 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

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast, NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX or OpenVINO with a single command
model.export(format="openvino")

Değerlendirilebilecek Diğer Modeller#

Bilgisayarlı görü ekosistemi çok geniştir. Özel kısıtlarına bağlı olarak Ultralytics ekosistemi tarafından tam olarak desteklenen diğer mimarileri de incelemek isteyebilirsin:

• YOLO11: YOLO26'nın son derece yetenekli öncülüdür; perakende analitiğindeki ve üretimde kalite kontroldeki sağlamlığıyla bilinir.
• YOLOv8: Yaygın uç dağıtımını popülerleştiren, efsanevi ve son derece kararlı bir ankrajsız modeldir.
• RT-DETR: Baidu tarafından geliştirilen bir Gerçek Zamanlı Tespit Transformer'ıdır; küresel dikkat mekanizmalarından büyük ölçüde yararlanan görevler için mükemmel bir alternatif sunar, ancak bunun karşılığında daha yüksek eğitim belleği gereksinimleri getirir.

Sonuç#

Hem YOLOX hem de DAMO-YOLO, derin öğrenmenin ilerlemesine hayati kavramlarla katkıda bulundu: YOLOX ayrıştırılmış, ankrajsız yaklaşımı doğrularken DAMO-YOLO otomatik mimari aramasının gücünü gösterdi. Ancak gerçek dünya üretim ortamlarında, özgün araştırma kod tabanlarının karmaşıklığı çevik ekipleri yavaşlatabilir.

Kapsamlı Ultralytics Platformundan yararlanan geliştiriciler bu engelleri aşabilir. YOLO26'nın uçtan uca tasarımı, üstün CPU hızları ve kapsamlı belgelendirmesi sayesinde en gelişmiş görsel yapay zekâya ulaşmak her zamankinden daha erişilebilir. İster akıllı şehir altyapısı, ister sağlık tanılama sistemleri, ister gelişmiş robotik çözümler geliştiriyor ol, Ultralytics ham veriden sağlam ve gerçek dünya dağıtımına ulaşmanın en verimli yolunu sunar.