YOLO26 ile YOLOX karşılaştırması#

Bilgisayarlı görü evrimi, önemli mimari sıçramalarla karakterize edilmiştir. 2021 yılında YOLOX, akademik araştırma ile endüstriyel uygulama arasındaki boşluğu dolduran son derece etkili, çıpasız bir paradigma tanıttı. 2026 yılına gelindiğinde manzara, Ultralytics YOLO tarafından, özellikle de YOLO26'nın piyasaya sürülmesiyle yeniden tanımlandı. Bu kapsamlı karşılaştırma, YOLO26'nın eşsiz performans, çok yönlülük ve kullanım kolaylığı sunmak için geçmiş yeniliklerin üzerine nasıl inşa edildiğini inceler.

Model Genel Bakışları#

Bu modellerin kökenlerini ve temel felsefelerini anlamak, bilinçli dağıtım kararları vermen için elzemdir.

YOLO26 Detayları#

• Yazarlar: Glenn Jocher ve Jing Qiu
• Kuruluş: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics GitHub Repository
• Belgeler: YOLO26 Resmi Belgeleri

YOLO26 hakkında daha fazla bilgi edin

YOLO26, karmaşık işlem sonrası darboğazlarını ortadan kaldıran uçtan uca doğal tasarımıyla modern yapay zeka mühendisliğinin zirvesini temsil eder. Hem bulut hem de uç cihaz dağıtımları için yoğun şekilde optimize edilmiştir ve çeşitli görevleri sorunsuz bir şekilde destekleyen bir ekosisteme sahiptir.

YOLOX Detayları#

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Organization: Megvii
• Tarih: 2021-07-18
• Arxiv: YOLOX Technical Report
• GitHub: YOLOX GitHub Repository
• Docs: YOLOX Documentation

YOLOX hakkında daha fazla bilgi edin

YOLOX, SimOTA etiket atama stratejisinin yanı sıra ayrıştırılmış bir başlık (decoupled head) ve çapasız bir mimari sunarak ileriye doğru atılmış büyük bir adımdı. Piyasaya sürüldüğü dönemde hız ve doğruluk arasında mükemmel bir denge sunduğu için birçok eski sistem için popüler bir seçim haline geldi.

Mimari Yenilikler#

YOLO26 ile YOLOX arasındaki farklar, derin öğrenme tasarımındaki beş yıllık amansız inovasyonu öne çıkarıyor.

YOLOX çıpasız yaklaşımı savunurken, gereksiz sınırlayıcı kutuları filtrelemek için hala büyük ölçüde geleneksel Non-Maximum Suppression (NMS) yöntemine güveniyordu. YOLO26, bir Uçtan Uca NMS İçermeyen Tasarım sunar. İlk olarak YOLOv10 içinde öncülük edilen bu çığır açan gelişme, NMS son işlemeyi tamamen ortadan kaldırarak önemli ölçüde daha düşük gecikme varyansına sahip daha hızlı ve daha basit dağıtım boru hatları sağlar.

Ayrıca YOLO26, DFL Kaldırma özelliğine sahiptir. Dağılım Odaklı Kayıp (Distribution Focal Loss) fonksiyonu kaldırılarak modelin dışa aktarma süreci ciddi oranda basitleştirilmiş ve uç cihazlar ile düşük güçlü donanımlarla mükemmel uyumluluğu garanti altına alınmıştır. Modelin mimari optimizasyonlarıyla birleştirildiğinde YOLO26, öncüllerine kıyasla %43'e kadar daha hızlı CPU çıkarımı elde ederek özel GPU'lardan yoksun ortamlar için güçlü bir seçenek haline geliyor.

Eğitim kararlılığı bir diğer kritik ayırt edici faktördür. YOLO26, Moonshot AI şirketinin LLM eğitim yeniliklerinden esinlenen bir SGD ve Muon melezi olan yeni MuSGD Optimizer optimizatörünü kullanır. Bu optimizatör, büyük dil modeli eğitim kararlılığını bilgisayarlı görüye getirerek daha hızlı yakınsamayı kolaylaştırır.

Performans ve Kıyaslamalar#

Bu modelleri COCO dataset üzerinde bire bir karşılaştırırken, YOLO26'nın hem doğruluk hem de verimlilik açısından üstünlüğü netleşiyor. Ultralytics modelleri, eğitim sırasında sürekli olarak daha düşük bellek gereksinimleri ve daha hızlı çıkarım hızları sunar.

Not: YOLO26x modeli, YOLOXx modeline (99.1M) kıyasla çok daha az parametre (55.7M) gerektirirken etkileyici bir 57.5 mAP değerine ulaşarak Ultralytics mimarisinin inanılmaz parametre verimliliğini vurgulamaktadır.

Ekosistem ve Kullanım Kolaylığı#

YOLO26'yı seçmenin en önemli avantajlarından biri, Ultralytics tarafından sağlanan iyi bakımlı ekosistemdir. YOLOX karmaşık araştırma kod tabanlarında gezinmeyi ve manuel ortam kurulumlarını gerektirirken, Ultralytics hızlı ve geliştirici dostu bir deneyim sunar.

Birleştirilmiş Python API kullanarak geliştiriciler nesne tespiti, örnek bölütleme, görüntü sınıflandırma ve poz kestirimi gibi görevler arasında kolayca geçiş yapabilir. Buna karşılık YOLOX, kesinlikle sınırlayıcı kutu tespiti ile sınırlıdır.

Eğitim Örneği#

Ultralytics ile özel bir veri setinde model eğitmek oldukça verimlidir. Eğitim süreci CUDA bellek kullanımını minimize ederek eski mimarilere veya ağır transformer modellerine kıyasla tüketici sınıfı donanımlarda bile daha büyük yığın boyutlarına (batch size) izin verir.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Ultralytics Platform, bulut eğitimi, otomatik veri kümesi etiketleme ve tek tıklamayla dağıtım seçenekleri sunarak bu iş akışını daha da geliştirmektedir. Prototiplemeden üretime hızlı bir şekilde geçmeyi amaçlayan ekipler için vazgeçilmez bir araçtır.

İdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları#

Doğru modeli seçmek, gerçek dünya dağıtımının başarısını belirler.

Uçta Yapay Zeka (Edge AI) ve IoT#

Akıllı güvenlik alarm sistemleri veya uzaktan çevre sensörleri gibi sınırlı donanıma sahip yerel işleme gerektiren uygulamalar için YOLO26 kesin tercihtir. NMS içermeyen mimarisi ve %43 daha hızlı CPU yürütmesi, karmaşık niceleme geçici çözümleri olmadan Raspberry Pi gibi cihazlarda sorunsuz çalışması anlamına gelir.

Otonom Robotik#

Robotik, yüksek hassasiyet ve düşük gecikme gerektirir. Artık Residual Log-Likelihood Estimation (RLE) ile desteklenen YOLO26 poz kestirimi yetenekleri, robotların insan kinematiğini gerçek zamanlı olarak anlamasını sağlar. YOLOX'un yerel anahtar nokta algılama özelliğinden yoksun olması, onu bu tür gelişmiş insan-robot etkileşimi görevleri için uygunsuz hale getirmektedir.

Yüksek İrtifa ve Hava Denetimi#

Altyapıyı dronlar aracılığıyla incelerken, dakik kusurları tespit etmek çok önemlidir. YOLO26'daki ProgLoss ve STAL fonksiyonları, çok küçük nesneler üzerindeki geri çağırmayı büyük ölçüde iyileştirir. Ek olarak YOLO26, sınır sorunlarını çözmek için özel bir açı kaybı ile tamamlanan Yönlendirilmiş Sınırlayıcı Kutular (OBB) desteğini yerel olarak sunar; bu da onu, nesnelerin rastgele döndürüldüğü uydu ve hava görüntülerinde mükemmel kılar.

Eski Sistemlere Dağıtım#

YOLOX, 2021'de mevcut C++ dağıtım hatlarının özellikle onun ayrıştırılmış başlık çıktıları etrafında oluşturulduğu eski ortamlarda hala kullanım alanı bulabilir. Ancak her yeni proje için modern performans kazanımlarından ve devam eden topluluk desteğinden yararlanmak adına Ultralytics ekosistemine geçiş yapman önemle tavsiye edilir.

Diğer Modelleri Keşfetme#

YOLO26 mevcut son teknolojiyi temsil ederken, Ultralytics ekosistemi belirli ihtiyaçlara göre uyarlanmış çeşitli modeller sunar. Transformatör tabanlı mimarilerle ilgilenen geliştiriciler için RT-DETR, uçtan uca algılama için alternatif bir yaklaşım sağlar. Ek olarak YOLO11, kapsamlı geçmiş kıyaslama gerektiren üretim ortamları için sağlam, yüksek düzeyde test edilmiş bir seçenek olmaya devam etmektedir.

Özetle, YOLOX'tan YOLO26'ya geçiş, alanın hızlı ilerleyişini göstermektedir. Sezgisel bir API'yi, çok yönlü özellik setini ve eşsiz verimliliği birleştiren YOLO26, dünya çapındaki araştırmacılar ve geliştiriciler için en iyi seçim olarak öne çıkıyor.