YOLO11 ile YOLOX karşılaştırması#

Bilgisayarlı görü alanı, son birkaç yılda hızlı ilerlemelere tanık oldu ve gerçek zamanlı nesne tespiti modelleri giderek daha sofistike hale geldi. Bir üretim ortamı veya akademik araştırma için bir mimari seçerken geliştiriciler genellikle eski dönüm noktaları ile en son yenilikler arasındaki ödünleşimleri tartar. Bu kapsamlı karşılaştırma, Ultralytics YOLO11 ile Megvii'nin YOLOX'u arasındaki farkları inceleyerek mimarileri, performans metrikleri ve ideal dağıtım senaryoları hakkında derinlemesine içgörüler sunar.

Mimari Genel Bakış#

Her iki model de nesne algılamada önemli sıçramaları temsil ediyor, ancak farklı tasarım felsefelerinden kaynaklanıyorlar ve farklı geliştirici deneyimlerini hedefliyorlar.

YOLO11: Çok Yönlü Çok Amaçlı Motor#

Eylül 2024'te Ultralytics bünyesinden Glenn Jocher ve Jing Qiu tarafından yayınlanan YOLO11, yüksek doğruluğu aşırı verimlilikle dengeleyen birleşik bir çerçeve olarak tasarlanmıştır.

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Belgeler: https://docs.ultralytics.com/models/yolo11

YOLO11, standart sınırlayıcı kutuların ötesine geçerek instance segmentation, image classification, pose estimation ve Oriented Bounding Box (OBB) tespitini yerel olarak destekler. Geliştirilmiş mimarisi, karmaşık mekansal hiyerarşiler boyunca daha iyi özellik tutulumu sağlamak için özellik çıkarımını optimize eder.

YOLO11 hakkında daha fazla bilgi edinin

YOLOX: Çapa İçermeyen Öncü#

Megvii'deki araştırmacılar tarafından geliştirilen YOLOX, 2021 yılında tamamen çapa içermeyen (anchor-free) bir yaklaşımla araştırma ve endüstriyel uygulamalar arasındaki boşluğu kapatarak büyük ilgi gördü.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Docs: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX, ayrıştırılmış bir baş (decoupled head) ve çapa içermeyen bir paradigma sundu; bu, tasarım parametrelerinin sayısını önemli ölçüde azalttı ve piyasaya sürüldüğü dönemde akademik kıyaslamalarda performansı iyileştirdi.

YOLOX hakkında daha fazla bilgi edin

Performans ve Metrikler#

Tespit modellerini değerlendirirken, parametrelerin dengesini, hesaplama maliyetini (FLOPs) ve ortalama Ortalama Kesinliği (mAP) incelemek, gerçek dünyadaki model deployment için çok önemlidir.

Tabloda görüldüğü gibi, YOLO11x, mutlak doğrulukta (54.7 mAP'ye karşı 51.1 mAP) YOLOXx'ten önemli ölçüde daha iyi performans gösterirken, parametrelerin yaklaşık yarısına (56.9M'ye karşı 99.1M) ihtiyaç duyar. Bu verimlilik, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimleri anlamına gelir ki bu da üretim ortamları için büyük bir avantajdır.

Ekosistem ve Geliştirici Deneyimi#

Ultralytics Avantajı#

YOLO11 ile YOLOX arasındaki en derin farklardan biri kullanılabilirliktir. YOLOX öncelikle bir araştırma kod tabanı olarak çalışır; custom dataset training başlatmak için karmaşık ortam yapılandırması, C++ operatörlerinin manuel derlenmesi ve ayrıntılı komut satırı argümanları gerektirir.

Tam aksine, YOLO11 tamamen Ultralytics Python paketine entegre edilmiştir ve akıcı, "sıfırdan zirveye" bir iş akışı sunar. Ultralytics Platform, veri etiketleme, deneme takibi ve bulut tabanlı eğitim için kapsamlı araçlar sunarak ortak kodları soyutlar, böylece mühendisler model performansına odaklanabilir.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model effortlessly using the Ultralytics API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")

Dahası, bir Ultralytics modelini TensorRT, CoreML veya OpenVINO gibi formatlara aktarmak yalnızca tek bir komut gerektirirken, eski depolar genellikle karmaşık üçüncü taraf araçları veya manuel grafik operasyonları zorunlu kılar.

Gerçek Dünya Kullanım Durumları#

YOLOX Ne Zaman Düşünülmeli#

YOLOX, geliştiricilerin belirli ayrıştırılmış kafa (decoupled head) tensör çıktıları etrafında büyük ölçüde özelleştirilmiş C++ çıkarım boru hatları oluşturduğu özel, eski dağıtımlar için geçerli bir seçenek olmaya devam etmektedir. Ek olarak, 2021 son teknoloji mimarilerine karşı karşılaştırmalı çalışmalar yürüten araştırmacılar, YOLOX'u bir benchmark dataset tabanı olarak kullanmaya devam edecektir.

YOLO11'in Öne Çıktığı Alanlar#

Hemen hemen tüm modern üretim senaryoları için YOLO11 çok daha üstün bir deneyim sunar:

• Akıllı Şehirler ve Perakende: Olağanüstü hız-doğruluk oranı sayesinde YOLO11 kalabalık sahnelerin üstesinden zahmetsizce gelir ve devasa GPU kümelerine ihtiyaç duymadan automated retail analytics ile trafik yönetimi sistemlerine güç sağlar.
• Uç Bilişim (Edge Computing): Yüksek bellek verimliliği ve sağlam dışa aktarım seçenekleri, YOLO11'i Raspberry Pi veya NVIDIA Jetson platformları gibi cihazlarda edge AI deployments için mükemmel kılar.
• Karmaşık Boru Hatları: Bir proje, nesne tespitini pose keypoints (örn. spor analitiği) veya hassas örnek bölütleme (örn. tıbbi görüntüleme) ile birleştirmeyi gerektiriyorsa, YOLO11 tüm görevleri tek bir birleşik API üzerinden yerel olarak yönetir.

Kullanım Durumları ve Öneriler#

YOLO11 ile YOLOX arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirlik ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çatı altında tespit, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Proototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızlı bir şekilde geçmesi gereken ekipler.

Ne Zaman YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Ultralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLO11 olağanüstü bir seçenek olarak dururken, yapay zeka alanı sürekli olarak hızlanmaktadır. Mutlak verimlilik ve kararlılık zirvesini arayan ekipler için yeni bilgisayarlı görü projeleri adına nihai öneri YOLO26 (Ocak 2026'da yayınlandı) sürümüdür.

Uçtan Uca NMS-Free Tasarım uygulayarak YOLO26 ileriye doğru devasa bir adım temsil eder. Non-Maximum Suppression (NMS) son işlemini ortadan kaldırarak gecikme değişkenliğini tamamen ortadan kaldırır ve dağıtım mantığını büyük ölçüde basitleştirir—bu konsept ilk olarak YOLOv10 ile öncülük edilmiştir.

Ayrıca YOLO26, DFL Removal (Distribution Focal Loss) özelliğine sahiptir ve %43'e varan daha hızlı CPU çıkarımı elde etmek için mimariyi optimize ederek onu düşük güç ve uç cihazlar için tartışmasız şampiyon yapar. Eğitim kararlılığı da SGD ve Muon'un LLM esinli bir melez olan ve yakınlaşmayı hızlandıran MuSGD Optimizer aracılığıyla süper şarjlı hale getirilir. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleştirilen YOLO26, drone imagery ve IoT uç sensörleri gibi zorlu ortamlarda küçük nesneleri tespit etmede üstündür.

Sonuç olarak, YOLOX 2021'de önemli mimari kavramlar sunmuş olsa da, kapsamlı araç seti, bellek verimliliği ve YOLO11'in en son performansı (özellikle YOLO26'nın devrim niteliğindeki mimarisi), Ultralytics ekosistemini bugün araştırmacılar ve kurumsal geliştiriciler için net bir seçim haline getiriyor.