Link to this sectionRTDETRv2 ile YOLOX karşılaştırması#

Bilgisayarlı görü dünyası hızla gelişerek, geliştiricilere ve araştırmacılara vizyon tabanlı sistemler oluştururken seçebilecekleri çok çeşitli mimariler sunuyor. Bu yolculuktaki iki önemli dönüm noktası, transformer tabanlı RTDETRv2 ve CNN tabanlı YOLOX'tur. Her iki model de gerçek zamanlı nesne tespiti alanına önemli katkılarda bulunmuş olsa da, görsel tanıma problemlerini çözmek için temel olarak farklı yaklaşımları temsil ederler.

Bu kapsamlı rehber, her iki modelin mimari nüanslarını, performans metriklerini ve ideal dağıtım senaryolarını keşfediyor. Ayrıca, Ultralytics YOLO26 gibi son teknoloji alternatiflerin, üstün doğruluk, verimlilik ve kullanım kolaylığı sağlamak için bu temeller üzerine nasıl inşa edildiğini inceleyeceğiz.

Link to this sectionRTDETRv2: Gerçek Zamanlı Algılama Transformer'ları#

Orijinal RT-DETR'in halefi olarak sunulan RTDETRv2, yüksek performanslı gerçek zamanlı nesne tespiti elde etmek için transformer mimarisinden yararlanır. Non-Maximum Suppression (NMS) ihtiyacını ortadan kaldırarak çıkarım hattını basitleştirir.

• Yazarlar: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang ve Yi Liu
• Organizasyon: Baidu
• Tarih: 2024-07-24
• Bağlantılar: Arxiv Makalesi, Resmi GitHub, Dokümantasyon

Link to this sectionMimari ve Tasarım#

RTDETRv2, transformer'ların doğasında bulunan self-attention mekanizmalarına büyük ölçüde güvenir ve modelin tüm görüntü genelinde küresel bağlamı yakalamasına olanak tanır. Bu bütünsel anlayış, doğrudan sınırlayıcı kutuları ve sınıf olasılıklarını tahmin etmesini sağlar. Karmaşık ortamlardaki küçük nesneleri tanıma yeteneğini geliştiren çok ölçekli tespit özellikleri sunar.

Link to this sectionGüçlü ve Zayıf Yönler#

RTDETRv2'nin birincil gücü, yerel uçtan uca tasarımında yatar. NMS'yi atlayarak, genellikle yoğun örtüşen tahminlerle ilişkilendirilen gecikme artışlarından kaçınır. Ancak, transformer bloklarının ağır hesaplama yükü, hem eğitim hem de dağıtım için ciddi GPU kaynakları gerektirdiği anlamına gelir. Bu, onu kaynak kısıtlı uç cihazlar veya eski mobil donanımlar için daha az ideal hale getirir.

RTDETRv2 hakkında daha fazla bilgi edin

Link to this sectionYOLOX: Anchor-Free (Çapasız) CNN'leri Geliştirmek#

Akademik araştırma ile endüstriyel uygulama arasındaki boşluğu doldurmak için geliştirilen YOLOX, popüler YOLO model ailesine ayrıştırılmış bir başlık (decoupled head) ve çapasız (anchor-free) bir tasarım getirdi.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 18 Temmuz 2021
• Bağlantılar: Arxiv Makalesi, Resmi GitHub, Dokümantasyon

Link to this sectionMimari ve Tasarım#

YOLOX, önceden tanımlanmış çapa kutuları (anchor boxes) olmadan nesnelerin konumlarını doğrudan tahmin ederek geleneksel çapa tabanlı detektörlerden bir kopuşu işaret eder. Bu, ağın tasarımını basitleştirir ve optimum performans için gereken sezgisel ayarlama parametrelerinin sayısını azaltır. Ayrıca YOLOX, sınıflandırma ve regresyon görevlerini ayıran ve eğitim sırasında yakınsama hızını artıran ayrıştırılmış bir başlık kullanır.

Link to this sectionGüçlü ve Zayıf Yönler#

YOLOX'un çapasız doğası, onu çeşitli bilgisayarlı görü görevlerine son derece uyumlu hale getirir ve özel veri setlerinde eğitmeyi kolaylaştırır. YOLOX-Nano gibi daha hafif varyantları, mikro denetleyiciler ve düşük güç tüketen IoT cihazlarında dağıtım için çok uygundur. Ancak, YOLOX NMS-free devriminden önce geldiğinden, hala geleneksel son işlemlere güvenir; bu da dağıtım sürtünmesine ve yoğun sahnelerde artan gecikmeye neden olabilir.

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionPerformans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırırken, hızlarını, doğruluklarını ve parametre verimliliklerini değerlendirmek, özel kullanım durumun için en uygun olanı belirlemek adına çok önemlidir. Aşağıdaki tablo, standart COCO veri seti üzerindeki çeşitli model boyutlarının performansını özetlemektedir.

Verilerde görüldüğü gibi, RTDETRv2, en büyük varyantında YOLOXx'e kıyasla daha yüksek bir maksimum doğruluk (54.3 mAP) elde eder. Ancak YOLOX, daha düşük parametre sayılarına ve NVIDIA T4 GPU'larda daha hızlı çıkarım hızlarına sahip YOLOXs gibi önemli ölçüde daha küçük ve daha hızlı varyantlar sunar.

Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#

Hem RTDETRv2 hem de YOLOX benzersiz avantajlar sunsa da, modern geliştiriciler genellikle her iki dünyanın en iyisini birleştiren birleşik bir çözüme ihtiyaç duyarlar: yüksek doğruluk, ışık hızında çıkarım ve erişilebilir bir ekosistem. Yeni yayınlanan Ultralytics YOLO26, bu evrimin zirvesini temsil ediyor.

Link to this sectionYOLO26'nın Temel Yenilikleri#

• Uçtan Uca NMS-Free Tasarım: İlk olarak YOLOv10 ile öncülük edilen kavramlar üzerine inşa edilen YOLO26, yerel olarak NMS olmadan çalışır. Bu, transformer'ların ezici bellek gereksinimleri olmadan RTDETRv2'nin kesintisiz çıkarımını sağlar.
• MuSGD Optimize Edici: Büyük dil modeli eğitimi yeniliklerinden esinlenen hibrit MuSGD optimize edici (SGD ve Muon'u harmanlar), eğitim sürecini stabilize eder ve yakınsamayı ciddi ölçüde hızlandırır.
• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) modülünün stratejik olarak kaldırılmasıyla YOLO26, uç bilişim ve düşük güç tüketen cihazlar için özel olarak optimize edilmiştir ve YOLO11 gibi önceki yinelemelerden CPU üzerinde önemli ölçüde daha hızlıdır.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve robotik uygulamalarındaki ortak bir sıkıntıyı gidererek küçük nesne tanımada kayda değer iyileştirmeler sağlar.

Link to this sectionEşsiz Çok Yönlülük ve Ekosistem#

Ham performansın ötesinde, Ultralytics Platformu kapsamlı, sıfırdan üretime kadar bir ekosistem sunar. Statik akademik depoların aksine, Ultralytics modelleri aktif olarak korunur ve tek bir sezgisel API üzerinden birden fazla görevi sorunsuz bir şekilde destekler. İster Instance Segmentation gerçekleştiriyor ol, ister Pose Estimation aracılığıyla pozları takip ediyor ol, ister Oriented Bounding Boxes (OBB) ile döndürülmüş nesneleri yönetiyor ol, iş akışı tamamen aynı kalır.

Ayrıca Ultralytics modelleri, hem eğitim hem de çıkarım sırasında düşük bellek gereksinimleriyle ünlüdür; bu da araştırmacıların tüketici sınıfı donanımlarda daha büyük yığın boyutları (batch sizes) çalıştırmasına olanak tanır ki bu, transformer tabanlı mimarilerin ağır ayak iziyle tam bir tezat oluşturur.

Link to this sectionEğitim Kodu Örneği#

Ultralytics ekosisteminin gücü en iyi sadeliğiyle gösterilir. Son teknoloji bir YOLO26 modelini eğitmek, veri yükleme ve hiperparametre yapılandırmasının karmaşıklıklarını tamamen soyutlayarak sadece birkaç satır kod gerektirir.

from ultralytics import YOLO

# Initialize the natively NMS-free YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the standard COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16)

# Validate the model's performance seamlessly
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX or TensorRT for rapid deployment
model.export(format="engine", device=0)

Link to this sectionGerçek Dünya Uygulamaları ve İdeal Kullanım Durumları#

Doğru mimariyi seçmek tamamen dağıtım kısıtlamalarına ve donanım kullanılabilirliğine bağlıdır.

Link to this sectionYüksek Sadakatli Bulut İşleme#

Uygulaman üst düzey sunucu GPU'larında çalışıyorsa ve maksimum doğruluğa öncelik veriyorsa (yoğun kalabalık sahnelerinin analizi veya yüksek çözünürlüklü tıbbi görüntülerin işlenmesi gibi), RTDETRv2'nin sağlam dikkat mekanizmaları oldukça etkili olabilir.

Link to this sectionEski Uç Cihaz Dağıtımı#

Minimum FLOP'un kesin bir zorunluluk olduğu eski cep telefonlarında veya ağır kısıtlı mikro denetleyicilerde yapılan dağıtımlar için, ultra hafif YOLOX-Nano, basit CNN mimarisi sayesinde hala geçerli bir yedek çözüm olarak hizmet eder.

Link to this sectionModern Standart: AIoT ve Robotik#

Akıllı şehir altyapısı, perakende analitiği ve otonom navigasyonu kapsayan çoğu modern kullanım durumu için Ultralytics YOLO26 kesin tercihtir. %43 daha hızlı CPU çıkarımı, onu uç bilişim için benzersiz kılar, NMS-free tasarımı ise düşük ve tutarlı gecikme sağlar. Ultralytics ekosisteminin kapsamlı dokümantasyonu ve aktif topluluk desteğiyle eşleştirildiğinde, ekiplerin veri seti etiketlemeden küresel dağıtıma her zamankinden daha hızlı geçmesini sağlar.

Ultralytics ekosistemi içindeki diğer mimarileri keşfetmek isteyen geliştiriciler, derinlemesine yerleşmiş topluluk entegrasyonları için YOLOv8'i veya eski hatlarda benzersiz kararlılık için YOLOv5'i incelemeyi düşünebilirler. Ancak 2026'da nelerin mümkün olduğunun sınırlarını zorlamak için YOLO26 endüstri standardı olmaya devam ediyor.