YOLOv10 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerindeki hızlı gelişmelerle ilerlemektedir. Bu kapsamlı teknik karşılaştırma, verimlilik ve tasarım paradigmalarının sınırlarını zorlayan iki etkili modeli inceler: YOLOv10 ve YOLOX. Geliştiriciler ve araştırmacılar, mimari farklılıklarını, performans metriklerini ve eğitim metodolojilerini inceleyerek sağlam görü sistemlerini dağıtmak için bilinçli kararlar verebilir.

Model 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 çözmek için geliştirilen YOLOv10, YOLO ailesine yerel uçtan uca bir yaklaşım getirdi.

• 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 Boşluğu Kapatma#

YOLOX, geleneksel YOLO tasarımının anchorsuz bir sürümü olarak ortaya çıktı ve özellikle endüstriyel topluluklarda dağıtımı kolaylaştırmayı hedefleyen, rekabetçi performansa sahip daha basit bir metodoloji sundu.

• 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 Resmi Belgeleri

YOLOX hakkında daha fazla bilgi edin

Mimari Öne Çıkanlar ve Yenilikler#

Her iki framework de geleneksel anchor tabanlı algılayıcılardan ayrılır, ancak nesne algılama işlem hattındaki farklı sorunları çözer.

YOLOX Mimarisi#

YOLOX, 2021 yılında ekosisteme birçok kritik güncelleme getirdi. Birincil katkısı, anchorsuz algılayıcı tasarımına geçişti. Önceden tanımlanmış anchor kutularını ortadan kaldıran YOLOX, farklı veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını büyük ölçüde azalttı.

Ayrıca YOLOX, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık kullanır. Bu, iki hedef arasındaki çakışmayı çözüp eğitim sırasında yakınsamayı önemli ölçüde hızlandırdı. Ayrıca, COCO veri kümesinde yaygın olan kalabalık sahnelerin ve örtüşmelerin işlenmesini iyileştiren gelişmiş etiket ataması için SimOTA kullanır.

YOLOv10 Mimarisi#

YOLOX algılama başlığını iyileştirmiş olsa da çıkarım sırasında gecikme değişkenliğine neden olan Maksimum Olmayan Bastırma (NMS) işlemine dayanmaya devam etti. YOLOv10, NMS'siz eğitim için tutarlı ikili atama stratejisi sunarak özellikle bu kusuru hedef aldı. Eğitim sırasında hem çoktan-bire hem de birden-bire etiket atamalarını kullanır; ancak çıkarım sırasında çoktan-bire başlığını tamamen kaldırarak NMS son işleme adımı olmadan temiz tahminler üretir.

YOLOv10 ayrıca bütünsel, verimlilik-doğruluk odaklı bir model tasarımına sahiptir. Hafif sınıflandırma başlıkları ile uzamsal ve kanal açısından ayrıştırılmış alt örneklemeyi bir araya getirerek doğruluktan ödün vermeden parametre sayısını ve FLOP'ları büyük ölçüde azaltır.

Performans Karşılaştırması#

Bu modellerin NVIDIA T4 GPU gibi donanımlar üzerinde değerlendirilmesi, ölçeğe bağlı olarak belirgin avantajlar ortaya koyar. Aşağıda kapsamlı karşılaştırma tablosu yer almaktadır.

Yukarıda görüldüğü gibi YOLOv10 son derece iyi ölçeklenir. YOLOv10x varyantı en yüksek doğruluğa (54.4 mAP) ulaşırken YOLOv10n varyantı TensorRT entegrasyonunu kullanarak en hızlı çıkarımı sunar. Buna karşılık, eski YOLOX nano modeli, kaynakların ciddi şekilde kısıtlı olduğu ortamlar için en küçük genel ayak izine sahiptir.

Eğitim Metodolojileri ve Kaynak Gereksinimleri#

Modeller üretimde uygulanırken eğitim ekosistemi ve kaynak gereksinimleri, ham çıkarım hızı kadar kritiktir.

YOLOX çoğu zaman yönetimi zahmetli olabilen eski ortam yapılandırmalarına dayanır. Ayrıca eski kod tabanı, çok GPU'lu dağıtık eğitim veya düşük hassasiyetli optimizasyon elde etmek için daha fazla şablon kodu gerektirir.

Buna karşılık YOLOv10, modern PyTorch iş akışlarıyla sorunsuz şekilde bütünleşir; ancak geliştirici deneyimini gerçekten dönüştüren Ultralytics ekosistemidir. Ultralytics modelleri, RT-DETR gibi Transformer tabanlı mimarilere kıyasla eğitim sırasında önemli ölçüde daha düşük CUDA bellek kullanımıyla öne çıkar.

Kod Örneği: Kolaylaştırılmış Eğitim#

Birleşik Ultralytics API'sini kullanarak en yeni modelleri yalnızca birkaç satır Python koduyla sorunsuzca eğitebilirsin. Bu yaklaşım, C++ operatörlerini manuel olarak derleme veya karmaşık yapılandırma dosyaları kullanma ihtiyacını ortadan kaldırır.

from ultralytics import YOLO

# Initialize a pre-trained YOLOv10 model
model = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export the optimized model to ONNX format
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 ile YOLOX arasındaki seçim, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

YOLOv10 Ne Zaman Seçilmeli?#

YOLOv10 şu durumlar için güçlü bir tercihtir:

• NMS'siz Gerçek Zamanlı Algılama: Maksimum Olmayan Bastırma olmadan uçtan uca algılamadan yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Dengesi: 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 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.

Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#

YOLOv10 ve YOLOX önemli kilometre taşlarını temsil etse de bilgisayarlı görü alanı durmaksızın ilerlemektedir. Günümüzde yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 kesin öneridir.

Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLOv10 tarafından öncülük edilen uçtan uca NMS'siz tasarımın temel atılımını geliştirerek daha da yüksek kararlılık ve hız için iyileştirir.

YOLO26, ileriye dönük birçok büyük atılımla öne çıkar:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Dağılım Odaklı Kayıp (DFL) stratejik olarak kaldırılarak YOLO26, GPU içermeyen uç cihazlarda çok daha üstün performans elde eder.
• MuSGD Optimizasyonu: LLM eğitimindeki kararlılıktan esinlenen bu yeni SGD ve Muon hibriti, daha hızlı yakınsama ve son derece kararlı eğitim çalıştırmaları sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve IoT sensörleri için kritik bir faktör olan küçük nesne tanımada dikkate değer iyileştirmeler sağlar.
• Eşsiz Çok Yönlülük: Kesinlikle yalnızca bir nesne algılayıcısı olan YOLOX'in aksine YOLO26, tek ve birleşik bir kütüphane içinde yerel olarak Örnek Bölütlemeyi, Poz Tahminini, Görüntü Sınıflandırmayı ve OBB Algılamayı destekler.

Gerçek Dünya Uygulamaları#

Doğru modelin seçilmesi, çeşitli sektörlerdeki gerçek dünya dağıtımlarının başarısını belirler.

Yüksek Hızlı Video Analizi#

Akıllı şehirlerde trafik yönetimi gibi yoğun video akışlarını işlemek için YOLOv10, NMS'siz son işleme sayesinde önemli bir avantaj sağlar. NMS darboğazının ortadan kaldırılması, tutarlı ve düşük gecikmeye olanak tanıyarak onu BoT-SORT gibi takip algoritmalarıyla birlikte kullanmak için ideal hâle getirir.

Eski Uç Dağıtımları#

Saf evrişimsel paradigmalar için yoğun şekilde optimize edilmiş eski akademik kurulumlarda veya eski Android uygulamalarında YOLOX-Tiny, eski PyTorch ortamlarını korumanın kabul edilebilir bir ödün olduğu özel kullanım alanlarında hâlâ tercih edilebilir.

Modern Uç ve IoT Cihazları#

Robotik, dronlar ve perakende raf analizi gibi yeni nesil donanım dağıtımları için YOLO26 nihai çözümdür. Büyük ölçüde azaltılmış CPU gecikmesi ve üstün küçük nesne algılama yeteneği, onu otonom navigasyon ve ayrıntılı envanter yönetimi için benzersiz şekilde uygun kılar.

Derin öğrenme araç setini genişletmek için ek karşılaştırmalara göz atabilir ve bu modellerin esnek YOLO11 veya Transformer destekli RT-DETR gibi alternatiflerle nasıl karşılaştırıldığını inceleyebilirsin.