Link to this sectionYOLOv10 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerindeki hızlı ilerlemelerle şekillenmektedir. Bu detaylı teknik karşılaştırma, verimlilik ve tasarım paradigmalarının sınırlarını zorlayan iki etkili modeli inceliyor: YOLOv10 ve YOLOX. Mimari farklılıklarını, performans metriklerini ve eğitim metodolojilerini inceleyerek, geliştiriciler ve araştırmacılar sağlam görü sistemleri dağıtmak için bilinçli kararlar alabilirler.

Link to this sectionModel Geçmişleri ve Kökenleri#

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

Link to this sectionYOLOv10: Gerçek Uçtan Uca Algılama için NMS'yi Ortadan Kaldırma#

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

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

YOLOv10 hakkında daha fazla bilgi edin

Link to this sectionYOLOX: Araştırma ve Endüstri Arasındaki Boşluğu Kapatma#

YOLOX, geleneksel YOLO tasarımının çapasız (anchor-free) bir versiyonu olarak ortaya çıktı ve özellikle endüstriyel topluluklarda dağıtımı kolaylaştırmayı hedefleyen rekabetçi performanslı 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
• Dokümanlar: YOLOX Resmi Dokümantasyonu

YOLOX hakkında daha fazla bilgi edinin

Link to this sectionMimari Öne Çıkanlar ve Yenilikler#

Her iki çerçeve de geleneksel çapa tabanlı (anchor-based) dedektörlerden ayrılır, ancak nesne algılama hattındaki farklı sorunları çözerler.

Link to this sectionYOLOX Mimarisi#

YOLOX, 2021 yılında ekosisteme birçok önemli güncelleme getirdi. Birincil katkısı, çapasız dedektör tasarımına geçiş yapmasıydı. Önceden tanımlanmış çapa kutularını ortadan kaldırarak YOLOX, farklı veri setleri için gereken tasarım parametrelerini ve sezgisel ayarlamaları büyük ölçüde azalttı.

Ayrıca YOLOX, sınıflandırma ve regresyon görevlerini ayıran bir ayrıştırılmış başlık (decoupled head) kullanır. Bu, iki hedef arasındaki çatışmayı çözerek eğitim sırasında yakınsamayı önemli ölçüde hızlandırdı. Ayrıca, COCO dataset içinde yaygın olan kalabalık sahnelerin ve tıkanıklıkların üstesinden gelmeyi iyileştiren gelişmiş etiket ataması için SimOTA'dan yararlanır.

Link to this sectionYOLOv10 Mimarisi#

YOLOX algılama başlığını geliştirmiş olsa da, çıkarım sırasında NMS (Non-Maximum Suppression) işlemine güvenmeye devam etti ve bu da gecikme değişkenliğine neden oldu. YOLOv10, NMS'siz eğitim için tutarlı çift atama stratejisi getirerek bu kusuru özellikle hedefledi. Eğitim sırasında hem bire-çok hem de bire-bir etiket atamalarını kullanır, ancak çıkarım sırasında bire-çok başlığını tamamen devre dışı bırakır ve NMS son işleme olmadan temiz tahminler üretir.

YOLOv10 ayrıca bütünsel bir verimlilik-doğruluk odaklı model tasarımına sahiptir. Hafif sınıflandırma başlıkları ve uzamsal-kanal ayrıştırılmış aşağı örnekleme (downsampling) içerir, bu da doğruluktan ödün vermeden parametre sayısını ve FLOP'ları büyük ölçüde azaltır.

Link to this sectionPerformans Karşılaştırması#

Bu modelleri NVIDIA T4 GPU gibi donanımlarda değerlendirmek, ölçeğe bağlı olarak belirgin avantajlar ortaya koymaktadır. Aşağıda kapsamlı karşılaştırma tablosu yer almaktadır.

Yukarıda görüldüğü gibi, YOLOv10 olağanüstü derecede iyi ölçeklenir. YOLOv10x varyantı en yüksek doğruluğu (54.4 mAP) elde ederken, YOLOv10n varyantı TensorRT entegrasyonu ile en hızlı çıkarımı sağlar. Buna karşılık, eski YOLOX nano modeli, ağır kısıtlamalı ortamlar için en küçük toplam kaplama alanına sahiptir.

Link to this sectionEğitim Metodolojileri ve Kaynak Gereksinimleri#

Modelleri üretime uygularken, eğitim ekosistemi ve kaynak talepleri en az ham çıkarım hızı kadar kritiktir.

YOLOX genellikle yönetilmesi zahmetli olabilen eski ortam yapılandırmalarına güvenir. Ayrıca, eski kod tabanı, çoklu GPU dağıtımlı eğitim veya karma hassasiyetli optimizasyon sağlamak için daha fazla ortak kod gerektirir.

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

Link to this sectionKod Örneği: Kolaylaştırılmış Eğitim#

Birleşik Ultralytics API'sini kullanarak, sadece birkaç satır Python koduyla son teknoloji modelleri sorunsuz bir şekilde eğitebilirsin. Bu, C++ operatörlerinin manuel derlenmesini veya karmaşık yapılandırma dosyalarını gerektirmez.

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 sözdizimi, otomatik karma hassasiyete, otomatik veri artırmaya ve Weights & Biases gibi araçlarla kullanıma hazır entegrasyona anında erişim sağlar.

Link to this sectionKullanım Durumları ve Öneriler#

YOLOv10 ve YOLOX arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Link to this sectionNe Zaman YOLOv10 Seçilmeli#

YOLOv10 şunlar için güçlü bir seçimdir:

• NMS'siz Gerçek Zamanlı Tespit: Non-Maximum Suppression (NMS) olmadan uçtan uca tespitten yararlanan ve dağıtım karmaşıklığını azaltan uygulamalar.
• Dengeli Hız-Doğruluk Takasları: Çeşitli model ölçeklerinde çıkarım hızı ile tespit doğruluğu arasında güçlü bir denge gerektiren projeler.
• Tutarlı Gecikme Süreli Uygulamalar: robotik veya otonom sistemler gibi öngörülebilir çıkarım sürelerinin kritik olduğu dağıtım senaryoları.

Link to this sectionNe Zaman YOLOX Seçilmeli#

YOLOX şunlar için önerilir:

• Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
• SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.

Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#

Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:

• NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
• Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Link to this sectionGörü YZ'nin Geleceği: YOLO26 ile Tanışın#

YOLOv10 ve YOLOX önemli dönüm noktalarını temsil etse de, bilgisayarlı görü alanı durmaksızın ilerlemektedir. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 kesin bir öneridir.

Ocak 2026'da piyasaya sürülen Ultralytics YOLO26, YOLOv10'un öncülük ettiği uçtan uca NMS'siz tasarımın temel atılımı üzerine inşa edilmiş olup, onu daha fazla kararlılık ve hız için geliştirir.

YOLO26, birkaç büyük ileri atılım yaparak öne çıkıyor:

• %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) bileşenini stratejik olarak kaldırarak, YOLO26 GPU içermeyen uç cihazlarda çok daha üstün performans elde eder.
• MuSGD Optimize Edici: LLM eğitim kararlılığından esinlenen bu yeni SGD ve Muon hibriti, daha hızlı yakınsama ve oldukça kararlı eğitim süreçleri sağlar.
• ProgLoss + STAL: Bu gelişmiş kayıp fonksiyonları, hava görüntüleri ve IoT sensörleri için kritik bir faktör olan küçük nesne tanımada kayda değer iyileştirmeler sağlar.
• Eşsiz Çok Yönlülük: Kesinlikle bir nesne dedektörü olan YOLOX'un aksine, YOLO26 Örnek Segmentasyonu, Poz Tahmini, Görüntü Sınıflandırma ve OBB Algılama özelliklerini tek bir birleşik kütüphanede yerel olarak destekler.

YOLO26 hakkında daha fazla bilgi edin

Link to this sectionGerçek Dünya Uygulamaları#

Doğru modeli seçmek, çeşitli endüstrilerdeki gerçek dünya uygulamalarının başarısını belirler.

Link to this sectionYüksek Hızlı Video Analitiği#

Akıllı şehir trafik yönetimi gibi yoğun video akışlarını işlemek için YOLOv10, NMS'siz son işleme özelliği sayesinde önemli bir avantaj sağlar. NMS darboğazını ortadan kaldırmak, tutarlı düşük gecikme süresine olanak tanır ve bu da onu BoT-SORT gibi takip algoritmalarıyla eşleştirmek için ideal hale getirir.

Link to this sectionEski Uç Cihaz Dağıtımı#

Tamamen evrişimli paradigmalar için optimize edilmiş eski akademik kurulumlar veya eski Android uygulamaları için, daha eski PyTorch ortamlarını korumanın kabul edilebilir bir ödünleşim olduğu durumlarda YOLOX-Tiny gibi daha küçük modeller hala özel kullanım durumları bulabilir.

Link to this sectionModern 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 özelliği, onu otonom navigasyon ve ayrıntılı envanter yönetimi için benzersiz şekilde nitelikli kılar.

Derin öğrenme araç setini genişletmek için ek karşılaştırmalar yapmak istersen, bu modellerin esnek YOLO11 veya transformer destekli RT-DETR gibi alternatiflerle nasıl kıyaslandığını da keşfedebilirsin.