YOLO26 ve YOLOX: Çapasız Nesne Tespitinde Yeni Bir Çağ

Bilgisayarlı görüdeki gelişim, önemli mimari sıçramalarla şekillendi. 2021'de YOLOX, akademik araştırmalar ile endüstriyel uygulama arasındaki boşluğu dolduran, oldukça etkili çapasız bir paradigma sundu. 2026 yılına geldiğimizde, Ultralytics YOLO ile, özellikle de YOLO26'nın piyasaya sürülmesiyle manzara yeniden tanımlandı. Bu kapsamlı karşılaştırma, YOLO26'nın rakipsiz performans, çok yönlülük ve kullanım kolaylığı sağlamak için geçmiş yenilikleri nasıl geliştirdiğini inceliyor.

Model Genel Bakışları

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

YOLO26 Detayları

• Yazarlar: Glenn Jocher ve Jing Qiu
• Organizasyon: Ultralytics
• Tarih: 2026-01-14
• GitHub: Ultralytics GitHub Deposu
• Dokümantasyon: YOLO26 Resmi Dokümantasyonu

YOLO26 hakkında daha fazla bilgi edin

YOLO26, karmaşık işlem sonrası darboğazlarını ortadan kaldıran uçtan uca yerel bir tasarım sunarak modern yapay zeka mühendisliğinin zirvesini temsil eder. Hem bulut hem de uç dağıtımlar için yoğun bir şekilde optimize edilmiş olup, çeşitli görevleri sorunsuz bir şekilde destekleyen bir ekosisteme sahiptir.

YOLOX Detayları

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 18-07-2021
• Arxiv: YOLOX Teknik Raporu
• GitHub: YOLOX GitHub Deposu
• Dokümantasyon: YOLOX Dokümantasyonu

YOLOX hakkında daha fazla bilgi edin

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

Mimari Yenilikler

YOLO26 ve YOLOX arasındaki farklar, derin öğrenme tasarımında beş yıllık amansız yeniliği vurguluyor.

YOLOX çapasız yaklaşımı desteklese de, gereksiz sınırlayıcı kutuları filtrelemek için hala büyük ölçüde geleneksel Maksimum Olmayan Baskılama (NMS) yöntemine güveniyordu. YOLO26, NMS'siz Uçtan Uca Tasarım'ı tanıtıyor. İlk kez YOLOv10'da öncülük edilen bu atılım, NMS işlem sonrasını tamamen ortadan kaldırarak çok daha düşük gecikme varyansına sahip daha hızlı ve daha basit dağıtım boru hatları sağlıyor.

Dahası, YOLO26 DFL Kaldırma özelliğine sahiptir. Dağılımsal Odak Kaybı'nı (DFL) kaldırarak, modelin dışa aktarma süreci büyük ölçüde basitleştirilir ve uç cihazlarla ve düşük güç tüketen donanımlarla olağanüstü uyumluluk sağlanır. Modelin mimari optimizasyonlarıyla birleştirildiğinde, YOLO26 önceki sürümlerine kıyasla %43 daha hızlı CPU çıkarımı sağlayarak, özel GPU'lara sahip olmayan ortamlar için bir güç merkezi haline gelir.

Eğitim kararlılığı bir diğer kritik ayırt edici özelliktir. YOLO26, Moonshot AI'den gelen LLM eğitimi yeniliklerinden ilham alan SGD ve Muon'un bir melezi olan yeni MuSGD Optimizer'ı kullanır. Bu iyileştirici, büyük dil modeli eğitim kararlılığını bilgisayarlı görüye taşıyarak daha hızlı yakınsamayı kolaylaştırır.

Performans ve Kıyaslamalar

Bu modelleri COCO veri seti üzerinde karşı karşıya getirdiğimizde, YOLO26'nın hem doğruluk hem de verimlilikteki 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) göre önemli ölçüde daha az parametre (55.7M) gerektirirken etkileyici bir 57.5 mAP elde eder ve Ultralytics mimarisinin inanılmaz parametre verimliliğini vurgular.

Ekosistem ve Kullanım Kolaylığı

YOLO26'yı seçmenin en büyük avantajlarından biri, Ultralytics tarafından sağlanan iyi korunmuş ekosistemdir. YOLOX karmaşık araştırma kod tabanlarında gezinmeyi ve manuel ortam kurulumlarını gerektirirken, Ultralytics kolaylaştırılmış, "sıfırdan zirveye" bir geliştirici deneyimi sunar.

Birleşik Python API'sini kullanarak, geliştiriciler nesne tespiti, örnek bölümleme, görüntü sınıflandırma ve poz tahmini gibi görevler arasında kolayca geçiş yapabilirler. YOLOX ise yalnızca sınırlayıcı kutu tespitiyle sınırlıdır.

Eğitim Örneği

Ultralytics ile özel bir veri setinde model eğitmek oldukça verimlidir. Eğitim hattı, CUDA bellek kullanımını en aza indirerek eski mimarilere veya ağır transformer modellerine kıyasla tüketici donanımlarında bile daha büyük yığın boyutlarına 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 Platformu bu iş akışını daha da geliştirerek bulut eğitimi, otomatik veri seti açıklaması ve tek tıkla dağıtım seçenekleri sunar. Prototiplemeden üretime hızla geçmeyi hedefleyen ekipler için vazgeçilmez bir araçtır.

İdeal Kullanım Durumları ve Gerçek Dünya Uygulamaları

Doğru modeli seçmek, gerçek dünya dağıtımının başarısını belirler.

Uç Yapay Zeka ve IoT

Akıllı güvenlik alarm sistemleri veya uzak çevresel sensörler gibi sınırlı donanımlarda yerel işleme gerektiren uygulamalar için YOLO26 kesin tercihtir. NMS'siz mimarisi ve %43 daha hızlı CPU performansı, karmaşık niceleme (quantization) çözümleri olmadan Raspberry Pi gibi cihazlarda sorunsuz çalışması anlamına gelir.

Otonom Robotik

Robotik, yüksek hassasiyet ve düşük gecikme süresi gerektirir. Kalıntı Günlük-Olasılık Tahmini (RLE) ile desteklenen YOLO26'nın poz tahmini yetenekleri, robotların insan kinematiklerini gerçek zamanlı olarak anlamasını sağlar. YOLOX'un yerel anahtar nokta algılama eksikliği, onu bu tür gelişmiş insan-robot etkileşimi görevleri için uygunsuz kılar.

Yüksek İrtifa ve Hava Denetimi

Dronlar aracılığıyla altyapıyı denetlerken, küçük kusurları tespit etmek çok önemlidir. YOLO26'daki ProgLoss ve STAL fonksiyonları, küçük nesneler üzerindeki hatırlamayı (recall) büyük ölçüde artırır. Ayrıca YOLO26, nesnelerin keyfi olarak döndürüldüğü uydu ve hava görüntüleri için mükemmel olan, sınır sorunlarını çözmek için özel bir açı kaybı ile tamamlanan Yönlendirilmiş Sınırlayıcı Kutuları (OBB) yerel olarak destekler.

Eski (Legacy) Dağıtımlar

YOLOX, mevcut C++ dağıtım hatlarının 2021'de özellikle onun ayrıştırılmış başlık çıktıları etrafında oluşturulduğu eski ortamlarda hala kullanılabilir. Ancak, yeni projeler için modern performans kazanımlarından ve devam eden topluluk desteğinden yararlanmak adına Ultralytics ekosistemine geçiş yapman kesinlikle önerilir.

Diğer Modelleri Keşfetmek

YOLO26 mevcut en gelişmiş teknolojiyi temsil etse de, Ultralytics ekosistemi özel ihtiyaçlara göre uyarlanmış çeşitli modeller sunar. Transformer tabanlı mimarilerle ilgilenen geliştiriciler için RT-DETR, uçtan uca tespit için alternatif bir yaklaşım sağlar. Ayrıca YOLO11, kapsamlı tarihsel kıyaslama gerektiren üretim ortamları için sağlam, yüksek düzeyde test edilmiş bir seçenek olmaya devam etmektedir.

Özetle, YOLOX'tan YOLO26'ya geçiş, alanın hızlı ilerleyişini gösterir. Sezgisel bir API, çok yönlü bir özellik seti ve benzersiz verimliliği bir araya getiren YOLO26, dünya çapındaki araştırmacılar ve geliştiriciler için önde gelen tercih olarak öne çıkıyor.