YOLOv10 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerindeki hızlı ilerlemelerle şekilleniyor. Bu ayrıntılı teknik karşılaştırma, verimlilik ve tasarım paradigmalarının sınırlarını zorlayan iki etkili modeli inceliyor: YOLOv10 ve YOLOX. Geliştiriciler ve araştırmacılar; mimari farklılıklarını, performans ölçütlerini ve eğitim yöntemlerini inceleyerek sağlam görü sistemlerini dağıtmak için bilinçli kararlar alabilir.

Modellerin Geçmişi ve Kökenleri#

Bu derin öğrenme modellerinin kökenlerini anlamak, mimari hedefleri ve amaçlanan kullanım alanları hakkında değerli bir bağlam sağlar.

YOLOv10: Gerçek Uçtan Uca Algılama için NMS'yi Ortadan Kaldırma#

Uzun süredir devam eden gecikme darboğazlarını gidermek için geliştirilen YOLOv10, YOLO ailesine yerel bir uçtan uca yaklaşım kazandırdı.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu ve diğerleri
• Kuruluş: Tsinghua Üniversitesi
• Tarih: 23 Mayıs 2024
• ArXiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Belgeler: Ultralytics YOLOv10 Belgeleri

YOLOv10 hakkında daha fazla bilgi edin

YOLOX: Araştırma ve Endüstri Arasındaki Uçurumu Kapatma#

YOLOX, geleneksel YOLO tasarımının çapasız bir sürümü olarak ortaya çıktı ve özellikle endüstriyel topluluklarda dağıtımı kolaylaştırmayı hedefleyen, rekabetçi performans sunan daha yalın bir yöntem sağladı.

• Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
• Kuruluş: Megvii
• Tarih: 18 Temmuz 2021
• ArXiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Belgeler: YOLOX Resmî Belgeleri

YOLOX hakkında daha fazla bilgi edin

Mimari Öne Çıkanlar ve Yenilikler#

Her iki çerçeve de geleneksel çapa tabanlı algılayıcılardan farklılaşsa da nesne algılama iş akışındaki farklı sorunları çözüyor.

YOLOX Mimarisi#

YOLOX, 2021'de ekosisteme birçok önemli güncelleme getirdi. Başlıca katkısı, çapasız algılayıcı tasarımına geçişiydi. Önceden tanımlanmış çapa kutularını ortadan kaldırarak YOLOX, farklı veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarların sayısını önemli ölçüde azalttı.

Ayrıca YOLOX, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık kullanıyor. Bu, iki hedef arasındaki çelişkiyi gidererek eğitim sırasında yakınsamayı önemli ölçüde hızlandırdı. Model ayrıca gelişmiş etiket ataması için SimOTA kullanıyor ve COCO veri kümesinde sıkça görülen kalabalık sahneleri ve örtüşmeleri daha iyi ele alıyor.

YOLOv10 Mimarisi#

YOLOX algılama başlığını iyileştirmiş olsa da çıkarım sırasında gecikme değişkenliğine yol açan Maksimum Olmayan Bastırma'ya (NMS) dayanmaya devam etti. YOLOv10, NMS'siz eğitim için tutarlı çiftli atama stratejisini kullanıma sunarak bu kusuru özellikle hedefledi. Eğitim sırasında hem çoktan-bire hem de birden-bire etiket atamalarını kullanıyor; çıkarım sırasında ise çoktan-bire başlığını tamamen devre dışı bırakarak NMS son işlemesi olmadan temiz tahminler üretiyor.

YOLOv10 ayrıca verimlilik ve doğruluğu bütünsel olarak gözeten bir model tasarımına sahip. Hafif sınıflandırma başlıkları ve uzamsal-kanal ayrık alt örneklemesi kullanarak doğruluktan ödün vermeden parametre sayısını ve FLOPs değerini önemli ölçüde azaltıyor.

Performans Karşılaştırması#

Bu modelleri NVIDIA T4 GPU gibi donanımlarda değerlendirmek, ölçeğe bağlı olarak belirgin avantajları ortaya çıkarıyor. Aşağıda kapsamlı karşılaştırma tablosu yer alıyor.

Yukarıda görüldüğü gibi YOLOv10, farklı ölçeklere olağanüstü uyum sağlıyor. YOLOv10x varyantı en yüksek doğruluğa (54.4 mAP) ulaşırken YOLOv10n varyantı, TensorRT entegrasyonuyla en hızlı çıkarımı sunuyor. Buna karşılık eski YOLOX nano modeli, kaynakların çok kısıtlı olduğu ortamlar için en küçük genel ayak izine sahip.

Eğitim Yöntemleri ve Kaynak Gereksinimleri#

Üretim ortamları için modeller uygularken eğitim ekosistemi ve kaynak gereksinimleri, ham çıkarım hızı kadar kritik önem taşır.

YOLOX çoğu zaman yönetimi zahmetli olabilen eski ortam yapılandırmalarına dayanıyor. Ayrıca eski kod tabanı, çoklu GPU dağıtık eğitim veya karma hassasiyet optimizasyonu için daha fazla standart kod gerektiriyor.

Buna karşılık YOLOv10, modern PyTorch iş akışlarına sorunsuz biçimde entegre oluyor; ancak geliştirici deneyimini gerçekten dönüştüren Ultralytics ekosistemi. Ultralytics modelleri, RT-DETR gibi Transformer tabanlı mimarilere kıyasla eğitim sırasında önemli ölçüde daha az CUDA belleği kullanmalarıyla öne çıkıyor.

Kod Örneği: Sadeleştirilmiş Eğitim#

Birleşik Ultralytics API'sini kullanarak son teknoloji modelleri yalnızca birkaç satır Python koduyla kolayca eğitebilirsin. Böylece C++ operatörlerini elle derlemek veya karmaşık yapılandırma dosyaları kullanmak gerekmez.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLOv10 modelini başlat
model = YOLO("yolov10s.pt")

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

# Modelin performansını doğrula
metrics = model.val()

# Optimize edilmiş modeli ONNX biçimine aktar
model.export(format="onnx")

Bu basit söz dizimi, otomatik karma hassasiyet, otomatik veri artırma ve Weights & Biases gibi araçlarla kullanıma hazır entegrasyona anında erişim sağlar.

Kullanım Alanları ve Öneriler#

YOLOv10 ve YOLOX arasındaki seçim, projene özgü gereksinimlere, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10'u Ne Zaman Seçmeli?#

YOLOv10 şu durumlar için güçlü bir seçenektir:

• NMS Olmadan Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Hız ve Doğruluk Arasında Dengeli Ödünleşimler: Çeşitli model ölçeklerinde çıkarım hızı ile algılama doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Gerektiren Uygulamalar: Robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda önerilir:

• Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (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 etkilerini inceleyen araştırma projeleri.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

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

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

Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#

YOLOv10 ve YOLOX önemli dönüm noktaları olsa da bilgisayarlı görü dünyası durmaksızın ilerliyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 kesin tercihtir.

Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLOv10'un öncülük ettiği uçtan uca, NMS'siz tasarımın temel atılımını daha da geliştirerek kararlılığı ve hızı artırıyor.

YOLO26, ileriye yönelik birçok büyük atılımla öne çıkıyor:

• %43'e Varan Daha Hızlı CPU Çıkarımı: Distribution Focal Loss'u (DFL) stratejik olarak kaldıran YOLO26, GPU'su olmayan uç cihazlarda çok daha yüksek performans sağlıyor.
• MuSGD Optimize Edicisi: LLM eğitimindeki kararlılıktan ilham alan bu yeni SGD ve Muon melezi, daha hızlı yakınsama ve son derece kararlı eğitim süreçleri sağlıyor.
• ProgLoss + STAL: Bu gelişmiş kayıp işlevleri, hava görüntüleri ve IoT sensörleri için kritik önem taşıyan küçük nesneleri tanıma becerisinde kayda değer iyileşmeler sağlıyor.
• Eşsiz Çok Yönlülük: Yalnızca nesne algılama yapan YOLOX'ten farklı olarak YOLO26; örnek bölümleme, poz tahmini, görüntü sınıflandırma ve OBB algılama görevlerini tek bir birleşik kitaplıkta yerel olarak destekliyor.

Gerçek Dünya Uygulamaları#

Doğru modeli seçmek, çeşitli sektörlerdeki gerçek dünya dağıtımlarının başarısını belirler.

Yüksek Hızlı Video Analitiği#

Akıllı şehirlerde trafik yönetimi gibi yoğun video akışlarını işlemek için YOLOv10, NMS'siz son işlemesi sayesinde önemli bir avantaj sunuyor. NMS darboğazını ortadan kaldırmak, tutarlı ve düşük gecikme sağlıyor; bu da YOLOv10'u BoT-SORT gibi izleme algoritmalarıyla birlikte kullanmak için ideal kılıyor.

Eski Uç Cihazlara Dağıtım#

Daha eski akademik kurulumlarda veya tamamen evrişim temelli paradigmalara göre yoğun biçimde optimize edilmiş eski Android uygulamalarında YOLOX-Tiny gibi daha küçük modeller, eski PyTorch ortamlarını sürdürmenin kabul edilebilir bir ödün olduğu özel kullanım alanlarında hâlâ tercih edilebilir.

Modern Uç Cihazlar ve IoT Cihazları#

Robotik, dronlar ve perakende rafı analizi gibi yeni nesil donanım dağıtımları için YOLO26 nihai çözümdür. CPU gecikmesinin büyük ölçüde azalması ve küçük nesneleri tanımadaki üstünlüğü, YOLO26'yı otonom navigasyon ve ayrıntılı envanter yönetimi için benzersiz biçimde uygun kılıyor.

Derin öğrenme araç setini genişletmek için başka karşılaştırmaları da inceleyebilir; bu modellerin esnek YOLO11 veya Transformer destekli RT-DETR gibi alternatiflerle nasıl karşılaştırıldığını görebilirsin.