Link to this sectionYOLO11 ile YOLOX karşılaştırması#

Bilgisayarlı görü alanı, son birkaç yılda hızlı ilerlemelere tanık oldu ve gerçek zamanlı nesne algılama modelleri giderek daha sofistike hale geldi. Bir üretim ortamı veya akademik araştırma için bir mimari seçerken, geliştiriciler genellikle eski mihenk taşları ile en son yenilikler arasındaki dengeyi değerlendirirler. Bu kapsamlı karşılaştırma, Ultralytics YOLO11 ile Megvii'nin YOLOX'u arasındaki farkları inceliyor ve mimarileri, performans metrikleri ve ideal dağıtım senaryoları hakkında derin içgörüler sunuyor.

Link to this sectionMimari Genel Bakış#

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

Link to this sectionYOLO11: Çok Yönlü Çok Amaçlı Motor#

Eylül 2024'te Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından yayınlanan YOLO11, yüksek doğruluk ile aşırı verimliliği dengeleyen birleşik bir çerçeve olarak tasarlandı.

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

YOLO11, standart sınırlayıcı kutuların ötesine geçerek örnek bölümleme, görüntü sınıflandırma, poz tahmini ve Yönlendirilmiş Sınırlayıcı Kutu (OBB) algılamayı yerel olarak destekler. Geliştirilmiş mimarisi, karmaşık uzamsal hiyerarşiler boyunca daha iyi özellik tutulumu sağlamak için özellik çıkarımını optimize eder.

YOLO11 hakkında daha fazla bilgi edinin

Link to this sectionYOLOX: 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
• Dokümanlar: 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

Link to this sectionPerformans ve Metrikler#

Algılama modellerini değerlendirirken, parametre dengesini, hesaplama maliyetini (FLOPs) ve ortalama Hassasiyeti (mAP) incelemek, gerçek dünyadaki model dağıtımı 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.

Link to this sectionEkosistem ve Geliştirici Deneyimi#

Link to this sectionUltralytics Avantajı#

YOLO11 ve YOLOX arasındaki en derin farklardan biri kullanılabilirliktir. YOLOX, esas olarak bir araştırma kod tabanı olarak çalışır; karmaşık ortam yapılandırması, C++ operatörlerinin manuel derlenmesi ve özel veri kümesi eğitimi başlatmak için ayrıntılı komut satırı argümanları gerektirir.

Bunun tam tersi olarak YOLO11, Ultralytics Python paketine tamamen entegredir ve akıcı, "sıfırdan zirveye" bir iş akışı sağlar. Ultralytics Platform, veri etiketleme, deney takibi ve bulut tabanlı eğitim için kapsamlı araçlar sunarak, mühendislerin model performansına odaklanabilmesi için hazır kodları soyutlar.

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")

Ayrıca, bir Ultralytics modelini TensorRT, CoreML veya OpenVINO gibi formatlara aktarmak sadece tek bir komut gerektirir; oysa eski depolama alanları genellikle karmaşık üçüncü taraf araçları veya manuel grafik müdahaleleri zorunlu kılar.

Link to this sectionGerçek Dünya Kullanım Durumları#

Link to this sectionYOLOX Ne Zaman Düşünülmeli#

YOLOX, geliştiricilerin belirli ayrıştırılmış baş tensör çıktıları etrafında halihazırda yoğun bir şekilde özelleştirilmiş C++ çıkarım boru hatları oluşturduğu özel, eski dağıtımlar için geçerli bir seçenek olmaya devam etmektedir. Ayrıca, 2021'in en gelişmiş mimarilerine karşı karşılaştırmalı çalışmalar yürüten araştırmacılar, YOLOX'u bir kıyaslama veri kümesi temeli olarak kullanmaya devam edecektir.

Link to this sectionYOLO11'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 sahneleri zahmetsizce işler ve devasa GPU kümelerine ihtiyaç duymadan otomatize edilmiş perakende analitiği ve trafik yönetim sistemlerine güç sağlar.
• Edge Computing: The high memory efficiency and robust export options make YOLO11 perfect for edge AI deployments on devices like Raspberry Pi or NVIDIA Jetson platforms.
• Karmaşık Boru Hatları: Bir proje, nesne algılamayı poz anahtar noktaları (örneğin, spor analitiği) veya hassas örnek bölümleme (örneğin, tıbbi görüntüleme) ile birleştirmeyi gerektiriyorsa, YOLO11 tüm görevleri tek bir birleşik API aracılığıyla yerel olarak halleder.

Link to this sectionKullanım Durumları ve Öneriler#

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

Link to this sectionYOLO11 Ne Zaman Seçilmeli#

YOLO11 şunlar için güçlü bir tercihtir:

• Üretim Uç Dağıtımı: Güvenilirliğin ve aktif bakımın çok önemli olduğu Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görüntü Uygulamaları: Tek bir birleşik çerçeve içinde algılama, segmentasyon, pose estimation ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Veri toplamadan üretime kadar olan süreci, kolaylaştırılmış Ultralytics Python API kullanarak hızla ilerletmesi gereken ekipler.

Link to this sectionNe 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.

Link to this sectionUltralytics (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 Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionİleriye Bakış: YOLO26'nın Gücü#

YOLO11 olağanüstü bir seçenek olarak dururken, yapay zeka ortamı sürekli hızlanmaktadır. Verimlilikte ve kararlılıkta mutlak zirveyi arayan ekipler için (Ocak 2026'da yayınlanan) YOLO26, yeni bilgisayarlı görü projeleri için nihai tavsiyedir.

YOLO26, Uçtan Uca NMS'siz Tasarım uygulayarak büyük bir ileri sıçramayı temsil eder. Maksimum Olmayan Baskılama (NMS) işlem sonrası adımını ortadan kaldırarak, gecikme değişkenliğini tamamen kaldırır ve dağıtım mantığını önemli ölçüde basitleştirir; bu, ilk olarak YOLOv10'da öncülük edilen bir kavramdır.

Ayrıca YOLO26, mimariyi %43'e kadar daha hızlı CPU çıkarımı elde edecek şekilde optimize eden ve onu düşük güçlü ve uç cihazlar için tartışmasız şampiyon yapan DFL Kaldırma (Dağılımsal Odak Kaybı - Distribution Focal Loss) özelliğine sahiptir. Eğitim kararlılığı da SGD ve Muon'un LLM'den ilham alan bir melezi olan ve yakınsamayı hızlandıran MuSGD Optimize Edici ile süper şarj edilmiştir. ProgLoss + STAL gibi gelişmiş kayıp fonksiyonlarıyla birleştirilen YOLO26, drone görüntüleri ve IoT uç sensörleri gibi zorlu ortamlarda küçük nesneleri algılamada mükemmeldir.

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.