Başla

YOLO26 ve YOLOX

2021'de YOLOX, gerçek zamanlı nesne tespiti için akademik araştırma ile endüstriyel uygulama arasındaki boşluğu kapatan etkili bir çapasız tasarım sundu. Ocak 2026'da Ultralytics YOLO, YOLO26'yı yayımladı. Bu karşılaştırma, YOLO26'nın önceki yenilikleri nasıl temel aldığını ve performans, çok yönlülük ve kullanım kolaylığı bakımından nerelerde ayrıştığını inceler.

Modellere Genel Bakış#

Bu modellerin kökenlerini ve temel yaklaşımlarını anlamak, bilinçli dağıtım kararları vermek için çok önemlidir.

YOLO26 Ayrıntıları#

YOLO26, işlem sonrası darboğazlarını ortadan kaldıran isteğe bağlı uçtan uca NMS'siz bir başlık (nms=False) sunan en yeni Ultralytics YOLO modelidir. Çeşitli görsel görevleri destekleyen bir ekosistemle hem bulut hem de uç dağıtımları için optimize edilmiştir.

YOLOX Ayrıntıları#

YOLOX hakkında daha fazla bilgi edin

YOLOX, ayrıştırılmış bir başlık ve çapasız bir mimarinin yanı sıra SimOTA etiket atama stratejisini de sunarak önemli bir ilerleme kaydetti. Piyasaya sürüldüğü dönemde hız ve doğruluk arasında mükemmel bir denge sunması, onu birçok eski sistem için popüler bir seçenek hâline getirdi.

Mimari Yenilikler#

YOLO26 ile YOLOX arasındaki farklılıklar, 2021 ile 2026 arasında derin öğrenme tasarımında kaydedilen ilerlemeyi yansıtır.

YOLOX, anchor-free yaklaşımını öne çıkarsa da yinelenen sınırlayıcı kutuları filtrelemek için geleneksel Maksimum Olmayan Bastırma (NMS) yöntemine dayanmaya devam etti. YOLO26, isteğe bağlı Uçtan Uca NMS İçermeyen bir başlık (nms=False) ekler. YOLO modellerine YOLOv10 tarafından kazandırılan bu yaklaşım, NMS son işlemesini atlayarak gecikme değişkenliği daha düşük, daha hızlı ve daha basit dağıtım işlem hatları sağlar.

Ayrıca YOLO26, DFL'nin kaldırılmasını da sunar. Dağılımsal Odak Kaybı'nın kaldırılması dışa aktarma sürecini basitleştirir ve uç cihazlar ile düşük güç tüketimli donanımlarla uyumluluğu artırır. Diğer mimari optimizasyonlarıyla bir araya geldiğinde bu, YOLO26n'i CPU'da YOLO11n'den %43'e kadar daha hızlı hâle getirerek özel GPU'ları olmayan ortamlar için uygun kılar.

Eğitim kararlılığı da bir diğer kritik farktır. YOLO26, Moonshot AI kaynaklı LLM eğitimi yeniliklerinden esinlenen, SGD ve Muon melezi MuSGD Optimize Edicisini kullanır. Bu optimize edici, büyük dil modeli eğitimindeki kararlılığı bilgisayarlı görüye taşır ve daha hızlı yakınsamayı kolaylaştırır.

Eğitimde İyileştirmeler

YOLO26, aşamalı bir kayıp dengeleme şeması ve küçük hedefleri dikkate alan bir etiket atama stratejisi olan ProgLoss + STAL'ı kullanarak küçük nesnelerin tanınmasını iyileştirir. Bu, havadan görüntüleri işleme ve yoğun ortamları analiz etme gibi görevler için önemlidir.

Performans ve Kıyaslamalar#

COCO veri kümesinde YOLO26, karşılaştırılabilir her boyutta YOLOX'ten daha yüksek mAP değerine (örneğin s modellerinde 48.6'ya karşı 40.5) ve daha düşük T4 TensorRT gecikmesine ulaşır.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Not: YOLO26x, 55.7M parametreyle 57.5 mAP değerine ulaşırken YOLOXx, 99.1M parametreyle 51.1 mAP değerine ulaşır.

Ekosistem ve Kullanım Kolaylığı#

YOLO26'yı seçmenin en önemli avantajlarından biri, Ultralytics'in sunduğu ve bakımı iyi yapılan ekosistemdir. YOLOX araştırma kod tabanlarında gezinmeyi ve ortamı elle kurmayı gerektirirken Ultralytics daha basit bir geliştirici deneyimi sunar.

Birleşik Python API'siyle geliştiriciler nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini, görüntü sınıflandırması, poz tahmini ve OBB gibi görevler arasında kolayca geçiş yapabilir. YOLOX yalnızca sınırlayıcı kutu tespitiyle sınırlıdır.

Eğitim Örneği#

Ultralytics ile özel bir veri kümesinde model eğitmek verimlidir. Eğitim işlem hattı CUDA bellek kullanımını düşük tutar ve tüketici donanımlarında birçok eski mimariden veya ağır Transformer modellerinden daha büyük toplu iş boyutlarına olanak tanır.

from ultralytics import YOLO

# YOLO26 küçük modelini başlat
model = YOLO("yolo26s.pt")

# Modeli COCO8 veri kümesinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Eğitilmiş modeli dağıtım için ONNX biçiminde dışa aktar
model.export(format="onnx")

Ultralytics Platform, prototipten üretime geçen ekipler için bulut eğitimi, yapay zekâ destekli veri kümesi etiketleme ve dağıtım seçenekleri sunarak bu iş akışını daha da geliştirir.

Uygun Kullanım Alanları ve Gerçek Dünya Uygulamaları#

Doğru model, dağıtım ortamına bağlıdır.

Uç AI ve IoT#

Akıllı güvenlik alarm sistemleri veya uzak çevre sensörleri gibi kısıtlı donanımlarda yerel işlem gerektiren uygulamalar için YOLO26 daha iyi bir seçenektir. İsteğe bağlı NMS'siz başlığı ve hızlı CPU çalışması, karmaşık nicemleme geçici çözümlerine gerek kalmadan Raspberry Pi gibi cihazlarda çalışmasını sağlar.

Otonom Robotik#

Robotik uygulamaları yüksek hassasiyet ve düşük gecikme gerektirir. Artık Log-Olasılık Tahmini (RLE) ile güçlendirilen YOLO26'nın poz tahmini özellikleri, robotların insan kinematiğini gerçek zamanlı olarak anlamasını sağlar. YOLOX'in yerel kilit noktası tespiti sunmaması, onu bu tür gelişmiş insan-robot etkileşimi görevleri için uygunsuz kılar.

Yüksek İrtifa ve Hava Denetimi#

Altyapıyı dronlarla incelerken küçük kusurları tespit etmek kritik önem taşır. YOLO26'daki ProgLoss ve STAL, küçük nesnelerde duyarlılığı artırır. Ayrıca YOLO26, sınır sorunlarını çözmek için özel bir açı kaybıyla birlikte Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler; bu özellikleriyle nesnelerin keyfî açılarla döndüğü uydu ve havadan görüntüler için uygundur.

Eski Sistem Dağıtımları#

YOLOX, mevcut C++ dağıtım işlem hatlarının 2021'deki ayrık başlık çıktıları etrafında açıkça oluşturulduğu eski ortamlarda kullanılmaya devam edebilir. Yeni projeler için performans kazanımları ve sürekli topluluk desteği nedeniyle Ultralytics ekosistemine geçiş önerilir.

Diğer Modelleri Keşfet#

Önerilen Ultralytics modeli YOLO26 olsa da ekosistemde belirli ihtiyaçlara göre uyarlanmış çeşitli modeller bulunur. Transformer tabanlı mimarilerle ilgilenen geliştiriciler için RT-DETR, uçtan uca tespite farklı bir yaklaşım sunar. Ayrıca YOLO11, kapsamlı geçmiş performans kıyaslaması gerektiren üretim ortamları için sınanmış bir seçenek olmaya devam eder.

Özetle, YOLOX'ten YOLO26'ya geçiş, alanın ne kadar hızlı ilerlediğini gösterir. Sezgisel API'si, çok yönlü özellikleri ve yüksek verimliliğiyle YOLO26, araştırmacılar ve geliştiriciler için önerilen seçenektir.

Katkıda Bulunanlar

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.