YOLO11 ve YOLOX
Gerçek zamanlı nesne algılama modelleri son birkaç yılda hızla gelişti. Üretim veya akademik araştırma için mimari seçerken geliştiriciler, çoğu zaman yerleşik dönüm noktalarıyla yeni tasarımları karşılaştırır. Bu karşılaştırmada Ultralytics YOLO11 ile Megvii'nin YOLOX modeli; mimarileri, performans ölçütleri ve ideal dağıtım senaryoları açısından inceleniyor.
Mimariye Genel Bakış#
Her iki model de yayımlandıklarında nesne algılamayı ileri taşıdı; ancak farklı tasarım felsefelerinden geliyor ve farklı geliştirici deneyimlerini hedefliyor.
YOLO11: Çok Yönlü Çoklu Görev Motoru#
Eylül 2024'te Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde yayımlanan YOLO11, yüksek doğruluğu verimlilikle 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 da destekler. İyileştirilmiş mimarisi, karmaşık uzamsal hiyerarşilerde özellik çıkarımını ve korunmasını geliştirir.
YOLOX: Anchorsız Yaklaşımın Öncüsü#
Megvii araştırmacıları tarafından geliştirilen YOLOX, 2021'de tamamen anchor-free yaklaşımıyla araştırma ve endüstriyel uygulamalar arasındaki boşluğu kapatarak geniş 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 anchor-free yaklaşımı kullanıma sundu; bu, tasarım parametrelerinin sayısını azaltırken yayımlandığı dönemde akademik kıyaslama sonuçlarındaki performansı iyileştirdi.
YOLOX hakkında daha fazla bilgi edin
YOLOX'in yaygınlaştırdığı anchor-free tasarım, daha sonraki birçok mimariye ilham verdi. Ultralytics, doğruluğu ve dağıtım esnekliğini artırmak için bu anchor-free kavramlarını YOLOv8 ve YOLO11 gibi sonraki sürümlerde benimsedi ve geliştirdi.
Performans ve Metrikler#
Algılama modellerini değerlendirirken parametreler, hesaplama maliyeti (FLOP'lar) ve ortalama Hassasiyet (mAP) arasındaki dengeyi incelemek, gerçek dünyada model dağıtımı için çok önemlidir.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
YOLO11x, doğrulukta YOLOXx modelini geçer (54.7 mAP'ye karşı 51.1 mAP); yaklaşık yarısı kadar parametre gerektirir (56.9M'ye karşı 99.1M) ve T4 TensorRT'de daha hızlı çalışır (11.3 ms'ye karşı 16.1 ms). Bu verimlilik, hem eğitim hem de çıkarım sırasında daha az bellek gereksinimi anlamına gelir ve üretim ortamlarında belirgin bir avantaj sağlar.
Ekosistem ve Geliştirici Deneyimi#
Ultralytics Avantajı#
YOLO11 ile YOLOX arasındaki en büyük farklardan biri kullanılabilirliktir. YOLOX öncelikle bir araştırma kod tabanı olarak çalışır; özel veri kümesi eğitimini başlatmak için karmaşık ortam yapılandırması, C++ operatörlerinin derlenmesi ve uzun komut satırı parametreleri gerekir.
YOLO11, Ultralytics Python paketine tamamen entegre edilmiştir ve kurulumdan dağıtıma kadar akıcı bir iş akışı sunar. Ultralytics Platform, veri açıklama, deney takibi ve bulut tabanlı eğitim araçları sunarak gereksiz kodları ortadan kaldırır; böylece mühendisler model performansına odaklanabilir.
from ultralytics import YOLO
# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")
# Modeli Ultralytics API'sini kullanarak eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# ONNX'e aktar
model.export(format="onnx")Üstelik bir Ultralytics modelini TensorRT, CoreML veya OpenVINO gibi biçimlere aktarmak için tek bir komut yeterlidir; eski depolarda ise genellikle karmaşık üçüncü taraf araçlar veya elle grafik düzenleme gerekir.
Gerçek Dünya Kullanım Senaryoları#
YOLOX Ne Zaman Değerlendirilmeli#
YOLOX, geliştiricilerin ayrıştırılmış başlığın tensör çıktılarını kullanan özel C++ çıkarım işlem hatları oluşturduğu belirli eski dağıtımlar için hâlâ geçerli bir seçenektir. 2021 dönemi mimarileriyle karşılaştırmalı çalışmalar yürüten araştırmacılar da YOLOX'i temel model olarak kullanmaya devam edebilir.
YOLO11'in Öne Çıktığı Alanlar#
Çoğu modern üretim senaryosunda YOLO11 daha iyi bir deneyim sunar:
- Akıllı Şehirler ve Perakende: Hız-doğruluk oranının yüksek olması sayesinde YOLO11, kalabalık sahnelerin üstesinden iyi gelir; büyük GPU kümelerine ihtiyaç duymadan otomatik perakende analitiğine ve trafik yönetim sistemlerine güç sağlar.
- Uç Bilişim: Bellek verimliliği ve geniş dışa aktarma seçenekleri, YOLO11'i Raspberry Pi veya NVIDIA Jetson platformları gibi cihazlardaki uç yapay zekâ dağıtımları için çok uygun kılar.
- Karmaşık İşlem Hatları: Bir proje nesne algılamayı poz anahtar noktalarıyla (ör. spor analitiği) veya hassas örnek segmentasyonuyla (ör. tıbbi görüntüleme) birleştirmeyi gerektiriyorsa YOLO11, tüm görevleri tek bir birleşik API üzerinden yerel olarak gerçekleştirir.
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.
- Çoklu Görevli Görü Uygulamaları: Algılama, segmentasyon, sınıflandırma, poz tahmini ve OBB'yi tek bir birleşik çatı içinde 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 modelinin küçük boyutunun (0.91M parametre) kritik olduğu, kaynakları çok kısıtlı 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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n'in CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapması belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, küçük nesnelerin doğruluğunu artırır.
Geleceğe Bakış: YOLO26'nın Gücü#
YOLO11 güçlü bir seçenek olmayı sürdürüyor; ancak Ocak 2026'da yayımlanan YOLO26, en iyi verimlilik ve eğitim kararlılığını gerektiren yeni bilgisayarlı görü projeleri için önerilen modeldir.
YOLO26, isteğe bağlı uçtan uca, NMS içermeyen bir başlık (nms=False) uygular. Maksimum Olmayan Bastırma (NMS) son işlemesini ortadan kaldırarak gecikme değişkenliğini giderir ve dağıtım mantığını basitleştirir; bu yaklaşım YOLO modellerine YOLOv10 tarafından kazandırılmıştır.
YOLO26 ayrıca DFL'nin Kaldırılması (Distribution Focal Loss) özelliğini de içerir; bu sayede YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çıkarım yapabilir ve düşük güç tüketimli uç cihazlara çok uygun hâle gelir. SGD ile Muon'un birleşimi olan MuSGD Optimizasyonu, büyük dil modeli (LLM) eğitiminden ilham alır, yakınsamayı hızlandırır ve eğitim kararlılığını artırır. ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması) ile birleştiğinde YOLO26, drone görüntüleri ve IoT uç sensörleri gibi zorlu ortamlardaki küçük nesneleri algılamada öne çıkar.
Nesne algılama mimarileri hakkındaki bilgini genişletmek ister misin? Ultralytics ekosisteminde belgelenen YOLO-World modelinin açık söz dağarcıklı yeteneklerini veya Transformer tabanlı RT-DETR modelini incele.
Sonuç olarak YOLOX, 2021'de önemli mimari kavramları kullanıma sundu; ancak YOLO11'in araç seti, bellek verimliliği ve doğruluğu, özellikle de daha yeni YOLO26, Ultralytics ekosistemini günümüzde araştırmacılar ve kurumsal geliştiriciler için daha güçlü bir seçenek hâline getiriyor.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.