YOLO11 ve YOLOX#

Bilgisayarlı görü alanı son birkaç yılda hızlı ilerlemelere tanık oldu ve gerçek zamanlı nesne algılama modelleri giderek daha gelişmiş hâle geldi. Üretim ortamı veya akademik araştırma için bir mimari seçerken geliştiriciler, çoğu zaman geçmişteki önemli dönüm noktaları ile en yeni yenilikler arasındaki ödünleşimleri değerlendirir. Bu kapsamlı karşılaştırma, Ultralytics YOLO11 ile Megvii'nin YOLOX'i arasındaki farkları inceleyerek mimarileri, performans metrikleri ve ideal dağıtım senaryoları hakkında derinlemesine bilgiler sunar.

Mimariye Genel Bakış#

Her iki model de nesne algılamada önemli sıçramaları temsil eder; ancak farklı tasarım felsefelerinden doğar ve geliştirici deneyimi açısından farklı hedeflere yönelir.

YOLO11: Çok Yönlü Çok Görevli Motor#

Eylül 2024'te Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde yayımlanan YOLO11, yüksek doğruluğu olağanüstü 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
• Dokümanlar: https://docs.ultralytics.com/models/yolo11

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

YOLOX: Çapasız Öncü#

Megvii'deki araştırmacılar tarafından geliştirilen YOLOX, tamamen çapasız 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 çapasız bir paradigma sunarak tasarım parametrelerinin sayısını önemli ölçüde azalttı ve yayımlandığı dönemde akademik kıyaslamalardaki performansı iyileştirdi.

YOLOX hakkında daha fazla bilgi edin

Performans ve Metrikler#

Algılama modellerini değerlendirirken parametreler, hesaplama maliyeti (FLOPs) ve Ortalama Hassasiyet (mAP) arasındaki dengeyi incelemek, gerçek dünyada model dağıtımı için kritik öneme sahiptir.

Tabloda görüldüğü üzere YOLO11x, mutlak doğrulukta (54.7 mAP ve 51.1 mAP'e karşı) YOLOXx'ten önemli ölçüde daha iyi performans gösterirken yaklaşık yarısı kadar parametre gerektirir (56.9M ve 99.1M). Bu verimlilik, hem eğitim hem de çıkarım sırasında daha düşük bellek gereksinimi sağlar ve üretim ortamları için büyük bir avantaj sunar.

Ekosistem ve Geliştirici Deneyimi#

Ultralytics Avantajı#

YOLO11 ile YOLOX arasındaki en belirgin farklardan biri kullanılabilirliktir. YOLOX öncelikle bir araştırma kod tabanı olarak çalışır; özel veri kümesi eğitimi başlatmak için karmaşık ortam yapılandırması, C++ operatörlerinin manuel olarak derlenmesi ve ayrıntılı komut satırı bağımsız değişkenleri gerekir.

Buna karşılık YOLO11, Ultralytics Python paketine tamamen entegre edilmiştir ve kolaylaştırılmış bir "sıfırdan uzmana" iş akışı sunar. Ultralytics Platformu, veri etiketleme, deneme takibi ve bulut tabanlı eğitim için kapsamlı araçlar sunarak standart kod yükünü ortadan kaldırır; 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")

Ayrıca bir Ultralytics modelini TensorRT, CoreML veya OpenVINO gibi biçimlere aktarmak yalnızca tek bir komut gerektirirken eski depolar çoğu zaman karmaşık üçüncü taraf araçlarını veya grafiklerin manuel olarak değiştirilmesini zorunlu kılar.

Gerçek Dünya Kullanım Örnekleri#

YOLOX Ne Zaman Değerlendirilmeli?#

YOLOX, geliştiricilerin belirli ayrıştırılmış başlık tensör çıktıları etrafında yoğun biçimde özelleştirilmiş C++ çıkarım işlem hatları oluşturduğu özel, eski dağıtımlar için hâlâ geçerli bir seçenektir. Ayrıca 2021'deki son teknoloji mimarilerle karşılaştırmalı çalışmalar yürüten araştırmacılar, YOLOX'i kıyaslama veri kümesi temeli olarak kullanmaya devam edecektir.

YOLO11'in Öne Çıktığı Alanlar#

Neredeyse tüm modern üretim senaryolarında YOLO11 çok daha üstün bir deneyim sunar:

• Akıllı Şehirler ve Perakende: Olağanüstü hız-doğruluk oranı sayesinde YOLO11, kalabalık sahneleri zahmetsizce işler; devasa GPU kümeleri gerektirmeden otomatik perakende analizini ve trafik yönetim sistemlerini destekler.
• Uç Bilişim: Yüksek bellek verimliliği ve güçlü dışa aktarma seçenekleri, YOLO11'i Raspberry Pi veya NVIDIA Jetson platformları gibi cihazlardaki uç AI dağıtımları için ideal hâle getirir.
• Karmaşık İşlem Hatları: Bir proje, nesne algılamayı poz anahtar noktalarıyla (ör. spor analizi) veya hassas örnek segmentasyonuyla (ör. tıbbi görüntüleme) birleştirmeyi gerektiriyorsa YOLO11, tüm görevleri tek bir birleşik API üzerinden yerel olarak yönetir.

Kullanım Alanları ve Öneriler#

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

YOLO11 Ne Zaman Seçilmeli?#

YOLO11 şu durumlar için güçlü bir seçenektir:

• Üretim Ortamında Uç Dağıtım: Güvenilirliğin ve aktif bakımın büyük önem taşıdığı Raspberry Pi veya NVIDIA Jetson gibi cihazlardaki ticari uygulamalar.
• Çok Görevli Görü Uygulamaları: Tek bir birleşik framework içinde algılama, bölütleme, poz tahmini ve OBB gerektiren projeler.
• Hızlı Prototipleme ve Dağıtım: Kolaylaştırılmış Ultralytics Python API kullanarak veri toplamadan üretime hızla geçmesi gereken ekipler.

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için önerilir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi birleşimini sunar:

• NMS'siz Uç Dağıtımı: Maksimum Olmayan Bastırma son işleme karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan ve YOLO26'nın %43'e varan daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesnelerde doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Geleceğe Bakış: YOLO26'nın Gücü#

YOLO11 olağanüstü bir seçenek olsa da AI alanı sürekli hızlanıyor. En üst düzey verimlilik ve kararlılığı arayan ekipler için YOLO26 (Ocak 2026'da yayımlandı), yeni bilgisayarlı görü projeleri için en iyi öneridir.

YOLO26, Uçtan Uca NMS'siz Tasarım uygulayarak büyük bir ilerlemeyi temsil eder. Maksimum Olmayan Bastırma (NMS) son işleme adımını ortadan kaldırarak gecikme değişkenliğini tamamen ortadan kaldırır ve dağıtım mantığını büyük ölçüde basitleştirir; bu kavram ilk olarak YOLOv10 tarafından ortaya konmuştur.

Ayrıca YOLO26, DFL Kaldırma (Dağılımsal Odak Kayıp) özelliğine sahiptir ve mimariyi optimize ederek %43'e kadar daha hızlı CPU çıkarımı sağlar; bu da onu düşük güçlü ve uç cihazlar için tartışmasız lider yapar. Eğitim kararlılığı, yakınsamayı hızlandıran SGD ve Muon'un LLM'den ilham alan bir melezi olan MuSGD Optimize Edici sayesinde de büyük ölçüde artırılır. Gelişmiş kayıp işlevleri olan ProgLoss + STAL ile birlikte YOLO26, drone görüntüleri ve IoT uç sensörleri gibi zorlu ortamlarda küçük nesneleri algılamada başarılıdır.

Sonuç olarak YOLOX 2021'de önemli mimari kavramlar sunmuş olsa da YOLO11'in kapsamlı araç seti, bellek verimliliği ve en yeni performansı—özellikle de YOLO26'nın devrim niteliğindeki mimarisi—Ultralytics ekosistemini günümüzde araştırmacılar ve kurumsal geliştiriciler için açıkça en iyi seçenek hâline getirir.