YOLOv8 - YOLOX: Teknik Derinlemesine İnceleme
Doğru nesne algılama modelini seçmek, doğruluk, hız ve dağıtım karmaşıklığı arasında bir denge kuran kritik bir karardır. Bu sayfa, YOLO ailesindeki iki güçlü model arasında kapsamlı bir teknik karşılaştırma sunmaktadır: Ultralytics YOLOv8 ve YOLOX. Her ikisi de ankrajsız ve yüksek performans için tasarlanmış olsalar da, mimari, çok yönlülük ve ekosistem desteği açısından önemli ölçüde farklılık gösterirler. Bilgisayar görüşü projeniz için en iyi modeli seçmenize yardımcı olmak için bu farklılıkları inceleyeceğiz.
Ultralytics YOLOv8: Çok Yönlülük ve Performans
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş: Ultralytics
- Tarih: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Belgeler: https://docs.ultralytics.com/models/yolov8/
Ultralytics YOLOv8, önceki YOLO sürümlerinin başarıları üzerine inşa edilmiş, Ultralytics'in son teknoloji bir modelidir. Hem hız hem de doğruluk için yeni ölçütler belirleyen yeni bir backbone ağı, yeni bir anchor-free algılama başlığı ve yeni bir kayıp fonksiyonu sunar. YOLOv8'i farklı kılan temel özellik, sadece bir nesne algılayıcısı değil, kapsamlı bir çerçeve olarak tasarlanmış olmasıdır.
Mimari ve Temel Özellikler
YOLOv8'in mimarisi oldukça gelişmiştir ve YOLOv5'teki C3 modülünün yerini alan bir C2f (2 kıvrımlı Çapraz Aşamalı Kısmi Darboğaz) modülüne sahiptir. Bu değişiklik, daha zengin gradyan akışı sağlar ve performansı artırır. Anchor-free (Bağlantısız) olması sayesinde, doğrudan bir nesnenin merkezini tahmin eder, bu da kutu tahminlerinin sayısını azaltır ve Non-Maximum Suppression (NMS) hızını artırır.
Güçlü Yönler
- Üstün Performans Dengesi: YOLOv8 modelleri, çeşitli ölçeklerde (aşağıdaki tabloya bakın) YOLOX dahil olmak üzere diğer birçok gerçek zamanlı dedektörden daha iyi performans göstererek, doğruluk (mAP) ve çıkarım hızı arasında olağanüstü bir denge sergiler.
- Görev Çok Yönlülüğü: Yalnızca algılamaya odaklanan modellerin aksine, YOLOv8 çoklu görevde bir güç merkezidir. Tek, birleşik bir çerçeve içinde nesne algılama, örnek segmentasyonu, görüntü sınıflandırması, poz tahmini ve nesne takibi işlemlerini destekler. Bu çok yönlülük, onu karmaşık projeler için ideal bir seçim haline getirir.
- Kullanım Kolaylığı: Ultralytics, basit bir Python API ve güçlü CLI komutları ile kolaylaştırılmış bir kullanıcı deneyimi sunar. Kapsamlı belgeler ve çok sayıda eğitim, hem yeni başlayanların hem de uzmanların modelleri eğitmesini, doğrulamasını ve dağıtmasını kolaylaştırır.
- İyi Yönetilen Ekosistem: YOLOv8, Ultralytics ekibinin aktif geliştirme ve desteği ve geniş bir açık kaynak topluluğu tarafından desteklenmektedir. MLOps için Ultralytics HUB ve Weights & Biases gibi deney izleme platformları gibi araçlarla sorunsuz bir şekilde entegre olur.
- Eğitim ve Bellek Verimliliği: Model, COCO gibi veri kümelerinde hazırda bulunan önceden eğitilmiş ağırlıklarla verimli eğitim için tasarlanmıştır. Genellikle, daha karmaşık mimarilere kıyasla eğitim ve çıkarım sırasında daha az CUDA belleği gerektirir.
Zayıflıklar
- Herhangi bir yüksek performanslı modelde olduğu gibi, daha büyük YOLOv8 varyantları (L/X), yüksek çözünürlüklü girdilerde eğitim ve gerçek zamanlı çıkarım için önemli miktarda hesaplama kaynağı gerektirir.
İdeal Kullanım Senaryoları
YOLOv8'in çok yönlülüğü ve kullanım kolaylığı, onu yüksek doğruluk ve gerçek zamanlı performans dengesi gerektiren uygulamalar için ideal kılar:
- Gerçek zamanlı nesne tespiti: Güvenlik sistemleri, robotik ve otonom araçlar gibi uygulamalar.
- Çok Yönlü Görüntü İşleme Yapay Zeka Çözümleri: Tarım, üretim ve sağlık hizmetleri gibi sektörlerde.
- Hızlı Prototipleme ve Dağıtım: Kullanıcı dostu arayüzü ve TensorRT ve OpenVINO gibi entegrasyonları sayesinde hızlı proje geliştirme döngüleri için mükemmeldir.
YOLOv8 hakkında daha fazla bilgi edinin
YOLOX: Yüksek Performans ve Basitlik
- Yazarlar: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun
- Kuruluş: Megvii
- Tarih: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- Belgeler: https://yolox.readthedocs.io/en/latest/
YOLOX, basitleştirilmiş bir tasarımla yüksek performans elde etmeyi amaçlayan başka bir anchor içermeyen YOLO modelidir. 2021'de Megvii tarafından tanıtıldı ve nesne algılama alanındaki gelişmiş teknikleri YOLO çerçevesine entegre ederek önemli katkılarda bulundu.
Mimari ve Temel Özellikler
YOLOX ayrıca eğitimi basitleştirmek ve genellemeyi iyileştirmek için bağlantısız bir yaklaşım kullanır. Temel mimari yenilikleri arasında sınıflandırma ve yerelleştirme görevlerini ayıran ayrık bir başlık ve SimOTA (Basitleştirilmiş Optimal Taşıma Ataması) adlı gelişmiş bir etiket atama stratejisi bulunur. Ayrıca MixUp gibi güçlü veri artırma teknikleri de kullanır.
Güçlü Yönler
- Yüksek Doğruluk: YOLOX, özellikle daha büyük model varyantlarında fark edilen, piyasaya sürüldüğü sırada son teknoloji olan rekabetçi doğruluk elde eder.
- Verimli Çıkarım: Özellikle GPU donanımında olmak üzere, birçok gerçek zamanlı uygulama için uygun hızlı çıkarım hızları sunar.
- Esnek Backbone'lar: Çeşitli backbone'ları destekler ve bir dereceye kadar özelleştirmeye olanak tanır.
Zayıflıklar
- Görev Sınırlaması: YOLOX öncelikli olarak nesne algılamaya odaklanmıştır ve YOLOv8'in (segmentasyon, poz vb.) yerleşik çoklu görev çok yönlülüğünden yoksundur. Bu görevleri uygulamak önemli ölçüde özel kod ve çaba gerektirir.
- Ekosistem ve Destek: Açık kaynaklı olmasına rağmen, entegre ekosistem, kapsamlı araçlar (Ultralytics HUB gibi) ve Ultralytics YOLOv8 ile bulunan yüksek düzeyde sürekli bakım ve topluluk desteğinden yoksundur.
- Performans Gecikmesi: Aşağıdaki tabloda gösterildiği gibi, YOLOX modelleri genellikle doğruluk gibi kritik metriklerde YOLOv8 muadillerinden daha düşük performans gösterir.
- CPU Performansı: CPU çıkarım hızları, açık CPU performans metrikleri sağlayan YOLOv8'den farklı olarak, resmi kıyaslamalarda kolayca bulunamaz ve bu da CPU ile sınırlı dağıtımlar için değerlendirmeyi zorlaştırır.
İdeal Kullanım Senaryoları
YOLOX, çoklu görev yeteneklerinin gerekli olmadığı yüksek nesne algılama doğruluğuna öncelik veren uygulamalar için çok uygundur:
- Yüksek Performanslı Nesne Algılama: Endüstriyel inceleme gibi güçlü nesne algılama doğruluğu gerektiren senaryolar.
- Uç Nokta Dağıtımı: YOLOX-Nano gibi daha küçük varyantlar, kaynak kısıtlı uç nokta cihazları için uygundur.
- Araştırma ve Geliştirme: Tasarımı, onu ankrajsız (anchor-free) dedektörler üzerine yapılan akademik araştırmalar için uygun bir seçenek haline getirir.
YOLOX hakkında daha fazla bilgi edinin
Performans Analizi: YOLOv8 - YOLOX Karşılaştırması
COCO veri kümesi üzerindeki performans metriklerinin doğrudan karşılaştırılması, YOLOv8 ve YOLOX arasındaki temel ödünleşimleri ortaya koymaktadır. En kritik metrik olan doğruluk (mAP), YOLOv8 için açık bir avantaj göstermektedir. Karşılaştırılabilir tüm model boyutlarında YOLOv8, önemli ölçüde daha yüksek mAP puanları sunar. Örneğin, YOLOv8x, YOLOX-x'in 51,1 mAP'sine kıyasla 53,9 mAP'ye ulaşır ve belirgin şekilde daha iyi performans gösterir.
Verimliliği analiz ederken, resim daha karmaşıktır. YOLOX modelleri, küçük (s) ve orta (m) ölçeklerde parametreler ve FLOP'lar açısından biraz daha kompakt olma eğilimindedir. Ancak, YOLOv8 modelleri büyük (l) ve ekstra büyük (x) ölçeklerde çok daha parametre verimli hale gelir. Çıkarım hızı için YOLOX, GPU'da orta boy modeller için hafif bir avantaj gösterirken, YOLOv8 en büyük ölçekte daha hızlıdır.
Önemli olarak, bu verimlilik YOLOv8'in üstün doğruluğuna karşı tartılmalıdır. Ayrıca, Ultralytics, YOLOv8'in bir GPU'nun bulunmadığı birçok gerçek dünya uygulaması için kritik bir faktör olan ve YOLOX'un resmi verilerinin eksik olduğu bir metrik olan CPU çıkarımı için son derece optimize edildiğini gösteren şeffaf CPU kıyaslamaları sağlar.
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4 TensorRT10 (ms) |
parametreler (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Sonuç: Neden Ultralytics YOLOv8 Tercih Edilen Seçenek?
YOLOX, anchor-free nesne tespit araçları için önemli bir adım olmasına rağmen, Ultralytics YOLOv8 daha gelişmiş, çok yönlü ve kullanıcı dostu bir çözümü temsil ediyor. YOLOv8, yalnızca temel nesne algılama metriği olan doğrulukta YOLOX'u aşmakla kalmıyor, aynı zamanda yeteneklerini çok çeşitli görme görevlerine de genişletiyor.
Geliştiriciler ve araştırmacılar için seçim açıktır. YOLOv8 şunları sunar:
- Daha Yüksek Doğruluk ve Verimlilik: Rekabetçi hızları korurken doğruluğu ön planda tutan, daha iyi bir genel performans paketi.
- Çoklu Görev Desteği: Algılama, segmentasyon, sınıflandırma, poz ve izleme için birleşik bir çerçeve.
- Gelişen Bir Ekosistem: Sürekli güncellemeler, kapsamlı belgeler, profesyonel destek ve Ultralytics HUB gibi güçlü araçlar.
- Dağıtım Esnekliği: GPU ve CPU için şeffaf performans metrikleri ve ONNX ve TensorRT gibi formatlara kolay aktarım.
En son teknoloji performansı, kullanım kolaylığı ve sağlam, iyi yönetilen bir çerçeve gerektiren projeler için YOLOv8 kesin seçimdir.
Diğer Modelleri İnceleyin
Nesne algılama modellerini keşfiniz burada durmamalı. Bu alan sürekli gelişiyor. Tam bir resim elde etmek için bu modelleri diğerleriyle karşılaştırmayı düşünün:
- YOLOv8 - YOLOv7 karşılaştırması
- YOLOv8 - YOLOv5 karşılaştırması
- RT-DETR - YOLOv8 Karşılaştırması
- YOLOX - YOLOv7 Karşılaştırması
- Ultralytics'in YOLOv10 ve YOLO11 gibi performansı daha da ileriye taşıyan en son modellerini keşfedin.
