YOLOv10 ve YOLOX
Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerindeki hızlı gelişmelerle ilerliyor. Bu ayrıntılı teknik karşılaştırma, algılayıcı verimliliğini ve tasarımını ileri taşıyan iki etkili modeli inceliyor: YOLOv10 ve YOLOX. Geliştiriciler ve araştırmacılar, mimari farklılıkları, performans ölçütlerini ve eğitim yöntemlerini inceleyerek sağlam görme sistemlerini dağıtmak için bilinçli kararlar verebilir.
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 anchor-free bir sürümü olarak ortaya çıktı ve özellikle endüstriyel topluluklarda dağıtımı kolaylaştırmayı hedefleyen, rekabetçi performans sunan daha basit 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 YOLO tasarımına birkaç önemli yenilik getirdi. Başlıca katkısı, anchor-free dedektör tasarımına geçişti. Önceden tanımlanmış anchor kutularını ortadan kaldırarak YOLOX, farklı veri kümeleri için gereken tasarım parametrelerinin ve sezgisel ayarlamaların sayısını azalttı.
Ayrıca YOLOX, sınıflandırma ve regresyon görevlerini birbirinden ayıran bir ayrık başlık kullanır. Bu, iki hedef arasındaki çatışmayı çözdü ve eğitim sırasında yakınsamayı hızlandırdı. YOLOX ayrıca, COCO veri kümesinde sık görülen kalabalık sahnelerin ve örtüşmelerin daha iyi ele alınmasını sağlayan dinamik etiket ataması için SimOTA kullanır.
YOLOX'ta kullanılan tasarım gibi anchor-free tasarımlar, model ayarlama karmaşıklığını azaltır. Geliştiricilerin artık en uygun anchor kutusu boyutlarını belirlemek için özel veri kümelerinde k-means kümelemesi yapması gerekmez; böylece hazırlık süresinden tasarruf edilir.
YOLOv10 Mimarisi#
YOLOX, algılama başlığını geliştirmiş olsa da çıkarım sırasında hâlâ gecikme değişkenliğine yol açan Maksimum Olmayanların Bastırılması (NMS) yöntemine dayanıyordu. YOLOv10, NMS içermeyen eğitim için tutarlı ikili atama stratejisini sunarak bu sınırlamayı doğrudan hedefledi. Eğitim sırasında hem bire-çok hem de bire-bir etiket atamalarını kullanır; ancak çıkarım sırasında bire-çok başlığını tamamen kaldırabilir ve NMS son işlemine gerek kalmadan tahminler üretebilir (Ultralytics paketinde bu başlığı nms=False ile seç).
YOLOv10 ayrıca verimlilik ve doğruluğu bütüncül biçimde temel alan bir model tasarımına sahiptir. Hafif sınıflandırma başlıkları ve uzamsal-kanal ayrık alt örneklemesi kullanarak doğruluktan ödün vermeden parametre sayısını ve FLOP değerini azaltır.
Performans Karşılaştırması#
Bu modelleri NVIDIA T4 GPU gibi donanımlarda değerlendirmek, ölçeğe bağlı olarak farklı avantajlar ortaya çıkarır. Aşağıdaki tablo iki model ailesini karşılaştırıyor.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Yukarıda görüldüğü gibi YOLOv10 iyi ölçeklenir. YOLOv10x varyantı en yüksek doğruluğa (54.4 mAP) ulaşırken, YOLOv10n varyantı raporlanan en hızlı TensorRT çıkarımını sunar. Buna karşılık YOLOX-Nano, kaynakları ciddi ölçüde kısıtlı ortamlar için en küçük ayak izine (416 pikselde 0.91M parametre) sahiptir.
Eğitim Yöntemleri ve Kaynak Gereksinimleri#
Üretim ortamları için modeller uygularken eğitim ekosistemi ve kaynak gereksinimleri, ham çıkarım hızı kadar kritik önem taşır.
YOLOX, bağımlılıkları ve ortam yapılandırması güncel yazılım yığınlarında yönetilmesi zahmetli olabilen eski bir kod tabanına dayanır.
Buna karşılık YOLOv10, geliştirici deneyimini kolaylaştıran Ultralytics ekosistemine entegre edilmiştir. Ultralytics YOLO modelleri, eğitim sırasında RT-DETR gibi Transformer tabanlı mimarilere kıyasla daha az CUDA belleği de kullanır.
Kod Örneği: Sadeleştirilmiş Eğitim#
Birleşik Ultralytics API'sini kullanarak C++ işleçlerini elle derlemeden veya karmaşık yapılandırma dosyalarını düzenlemeden, yalnızca birkaç satır Python koduyla modeller eğitebilirsin.
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: Özel GPU hızlandırması olmayan cihazlarda YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Görü Yapay Zekâsının Geleceği: YOLO26 Sahneye Çıkıyor#
YOLOv10 ve YOLOX önemli kilometre taşları olsa da alan gelişmeye devam ediyor. Yeni projelere başlayan geliştiriciler için önerilen seçenek Ultralytics YOLO26.
Ocak 2026'da yayımlanan Ultralytics YOLO26, YOLO modellerine YOLOv10 tarafından kazandırılan uçtan uca, NMS içermeyen tasarımı temel alır ve bunu isteğe bağlı bire bir başlık (nms=False) olarak sunar.
YOLO26 ayrıca birkaç başka iyileştirme de sunar:
- CPU'da %43'e Kadar Daha Hızlı Çıkarım: Dağılımsal Odak Kaybı (DFL) kaldırıldığı için YOLO26n, CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da GPU içermeyen uç cihazlarda avantaj sağlar.
- MuSGD Optimizasyon Algoritması: LLM eğitiminden esinlenen bu SGD ve Muon melezi, daha hızlı yakınsama ve istikrarlı eğitim süreçleri sağlar.
- ProgLoss + STAL: Aşamalı Kayıp ve küçük hedefleri dikkate alan etiket ataması, hava görüntüleri ve IoT sensörleri açısından kritik olan küçük nesnelerin tanınmasını iyileştirir.
- Çok Yönlülük: Yalnızca nesne algılamaya odaklanan YOLOX'tan farklı olarak YOLO26, tek ve birleşik bir kütüphane içinde yerel olarak örnek segmentasyonunu, anlamsal segmentasyonu, derinlik tahminini, görüntü sınıflandırmasını, poz tahminini ve OBB algılamayı destekler.
Üretime geçişin en kolay yolu için geliştiriciler, veri kümelerine açıklama eklemek, YOLO26 modellerini bulutta eğitmek ve minimum kurulumla dışa aktarmak ya da dağıtmak için Ultralytics Platform kullanabilir.
Gerçek Dünya Uygulamaları#
Doğru model, dağıtım senaryosuna ve sektöre bağlıdır.
Yüksek Hızlı Video Analitiği#
Akıllı şehirlerde trafik yönetimi gibi yoğun video akışlarını işlemek için YOLOv10, NMS içermeyen tasarımı sayesinde avantaj sağlar. NMS darboğazını ortadan kaldırmak gecikmeyi tutarlı kılar ve modeli BoT-SORT gibi izleme algoritmalarıyla birlikte kullanıma uygun hâle getirir.
Eski Uç Cihazlara Dağıtım#
YOLOX etrafında oluşturulmuş eski akademik kurulumlarda veya eski Android uygulamalarında, eski PyTorch ortamlarını sürdürmenin kabul edilebilir bir ödün olduğu durumlarda YOLOX-Tiny gibi daha küçük modeller hâlâ işe yarayabilir.
Modern Uç Cihazlar ve IoT Cihazları#
Robotik, dronlar ve perakende rafı analizi gibi yeni nesil donanım dağıtımları için önerilen çözüm YOLO26'dır. Daha düşük CPU gecikmesi ve iyileştirilmiş küçük nesne algılama özellikleri, YOLO26'yı otonom navigasyon ve ayrıntılı envanter yönetimi için çok uygun kılar.
Derin öğrenme araç setini genişletmek için başka karşılaştırmaları da inceleyebilir; bu modellerin esnek YOLO11 veya Transformer destekli RT-DETR gibi alternatiflerle nasıl karşılaştırıldığını görebilirsin.
Yorumlar
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.