YOLO11 ve YOLOX#

Bilgisayarlı görü alanı son birkaç yılda hızla gelişti ve gerçek zamanlı nesne algılama modelleri giderek daha karmaşık hâle geldi. Üretim ortamı veya akademik araştırma için bir mimari seçerken geliştiriciler çoğu zaman geçmişte dönüm noktası olmuş modellerle en yeni yenilikler arasındaki ödünleşimleri değerlendirir. Bu kapsamlı karşılaştırma, Ultralytics YOLO11 ile Megvii'nin YOLOX modeli arasındaki farkları inceliyor; mimarileri, performans metrikleri ve ideal dağıtım senaryoları hakkında derinlemesine bilgi sunuyor.

Mimariye Genel Bakış#

Her iki model de nesne algılamada önemli ilerlemeleri temsil eder; ancak farklı tasarım felsefelerinden kaynaklanır ve geliştiricilere farklı deneyimler sunmayı hedefler.

YOLO11: Çok Yönlü Çoklu Görev Motoru#

Eylül 2024'te Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde yayımlanan YOLO11, yüksek doğruluk ile olağanüstü verimliliği dengeleyen birleşik bir çatı 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 örnek segmentasyonunu, görüntü sınıflandırmayı, poz tahminini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler. Rafine edilmiş mimarisi, karmaşık uzamsal hiyerarşiler boyunca özelliklerin daha iyi korunmasını sağlamak için özellik çıkarımını optimize eder.

YOLOX: Anchorsız Yaklaşımın Öncüsü#

Megvii'deki araştırmacılar tarafından geliştirilen YOLOX, tamamen anchorsız yaklaşımıyla araştırma ve endüstriyel uygulamalar arasındaki boşluğu kapatarak 2021'de 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
• Belgeler: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX, ayrıştırılmış bir başlık ve anchorsız bir yaklaşım sundu; bu da tasarım parametrelerinin sayısını önemli ölçüde azaltırken yayımlandığı dönemde akademik kıyaslamalardaki performansı artırdı.

YOLOX hakkında daha fazla bilgi edin

Performans ve Metrikler#

Algılama modellerini değerlendirirken parametreler, hesaplama maliyeti (FLOP) ve ortalama hassasiyet (mAP) arasındaki dengeyi incelemek, gerçek dünyada model dağıtımı açısından kritik öneme sahiptir.

Tabloda görüldüğü üzere YOLO11x, mutlak doğruluk bakımından YOLOXx modelini önemli ölçüde geride bırakır (54.7 mAP'ye karşı 51.1 mAP); üstelik yaklaşık yarı sayıda parametre kullanır (56.9M'ye karşı 99.1M). Bu verimlilik, hem eğitim hem çıkarım sırasında daha düşük bellek gereksinimi sağlar ve üretim ortamlarında büyük avantaj sunar.

Ekosistem ve Geliştirici Deneyimi#

Ultralytics Avantajı#

YOLO11 ve YOLOX arasındaki en önemli farklardan biri kullanılabilirliktir. YOLOX ağırlıklı olarak bir araştırma kod tabanı olarak çalışır; özel veri kümesi eğitimi başlatmak için karmaşık ortam yapılandırması, C++ işleçlerinin elle derlenmesi ve uzun komut satırı bağımsız değişkenleri gerekir.

Buna karşılık YOLO11, Ultralytics Python paketine tamamen entegre edilmiştir ve başlangıçtan ileri seviyeye uzanan akıcı bir iş akışı sunar. Ultralytics Platformu, veri açıklama, deney takibi ve bulut tabanlı eğitim için kapsamlı araçlar sunarak standart kod yazma yükünü ortadan kaldırır; böylece mühendisler model performansına odaklanabilir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")

# Ultralytics API'sini kullanarak modeli zahmetsizce eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ONNX veya TensorRT'ye sorunsuzca aktar
model.export(format="onnx")

Ayrıca, bir Ultralytics modelini TensorRT, CoreML veya OpenVINO gibi biçimlere aktarmak yalnızca tek bir komut gerektirirken eski depolar genellikle karmaşık üçüncü taraf araçları veya elle grafik düzenlemeleri gerektirir.

Gerçek Dünya Kullanım Senaryoları#

YOLOX Ne Zaman Değerlendirilmeli#

YOLOX, geliştiricilerin belirli ayrık başlık tensör çıktıları etrafında yoğun biçimde özelleştirilmiş C++ çıkarım işlem hatları oluşturduğu özel, eski dağıtım senaryolarında geçerli bir seçenek olmaya devam ediyor. Ayrıca, 2021'in son teknoloji mimarileriyle karşılaştırmalı çalışmalar yürüten araştırmacılar, karşılaştırma veri kümesi temeli olarak YOLOX'i kullanmayı sürdürecektir.

YOLO11'in Öne Çıktığı Alanlar#

YOLO11, modern üretim senaryolarının neredeyse tamamında çok daha üstün bir deneyim sunar:

• Akıllı Şehirler ve Perakende: Olağanüstü hız-doğruluk oranı sayesinde YOLO11, kalabalık sahnelerin üstesinden zahmetsizce gelir; devasa GPU kümelerine ihtiyaç duymadan otomatik perakende analitiğini ve trafik yönetim sistemlerini destekler.
• Uç Bilişim: Yüksek bellek verimliliği ve sağlam dışa aktarma seçenekleri, YOLO11'i Raspberry Pi veya NVIDIA Jetson platformları gibi cihazlardaki uç yapay zekâ dağıtımları için ideal kılar.
• Karmaşık İşlem Hatları: Bir proje, nesne algılamayı poz anahtar noktalarıyla (ör. spor analitiği) birleştirmeyi veya hassas örnek segmentasyonu (ör. tıbbi görüntüleme) gerektiriyorsa YOLO11, tüm görevleri tek bir birleşik API üzerinden yerel olarak yürütür.

Kullanım Alanları ve Öneriler#

YOLO11 ile YOLOX arasında seçim yapmak, projene özgü gereksinimlere, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLO11'i Ne Zaman Seçmeli#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtımı: Güvenilirliğin ve etkin bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü İşleme Uygulamaları: Tek bir birleşik çerçevede tespit, segmentasyon, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Akıcı Ultralytics Python API aracılığıyla veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

• 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.

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.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLO11 olağanüstü bir seçenek olsa da yapay zekâ alanı sürekli hızla ilerliyor. En üst düzey verimlilik ve kararlılığı arayan ekipler için YOLO26 (Ocak 2026'da yayımlandı), yeni bilgisayarlı görü projelerinde en güçlü öneridir.

YOLO26, isteğe bağlı bir Uçtan Uca NMS'siz başlık (nms=False) uygulayarak büyük bir ilerleme kaydediyor. Son işlem aşamasındaki Maksimum Olmayan Bastırma'yı (NMS) ortadan kaldırarak gecikme değişkenliğini gideriyor ve dağıtım mantığını büyük ölçüde basitleştiriyor; bu yaklaşımın öncülüğünü ilk olarak YOLOv10 yapmıştı.

Ayrıca YOLO26, DFL'yi Kaldırma (Dağılım Odaklı Kayıp) özelliğiyle mimariyi optimize ederek CPU çıkarımını %43'e kadar hızlandırır ve düşük güçlü, uç cihazlarda tartışmasız üstünlük sağlar. Eğitim kararlılığı da SGD ile Muon'un LLM'den esinlenen bir melezi olan MuSGD Optimize Edici sayesinde artırılarak yakınsama hızlandırılır. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleştiğinde YOLO26, drone görüntüleri ve IoT uç sensörleri gibi zorlu ortamlardaki küçük nesneleri algılamada öne çıkar.

Sonuç olarak YOLOX, 2021'de önemli mimari kavramları ortaya koymuş olsa da kapsamlı araç seti, bellek verimliliği ve son teknoloji performansıyla YOLO11 —özellikle de devrim niteliğindeki YOLO26 mimarisi— günümüzde araştırmacılar ve kurumsal geliştiriciler için Ultralytics ekosistemini açık ara en iyi seçenek hâline getiriyor.