Link to this sectionYOLOv8 ve YOLOX#

Bilgisayarlı görü dünyası, gerçek zamanlı nesne tespiti mimarilerinin sürekli evrimiyle büyük ölçüde şekillenmiştir. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLOv8 ve YOLOX'tur. Her iki model de sınırlayıcı kutu tahminlerini kolaylaştırmak için çapasız (anchor-free) bir tasarım paradigmasını benimsemiş olsa da, derin öğrenme araştırmaları ve dağıtım ekosistemi geliştirme süreçlerinde farklı dönemleri ve felsefeleri temsil ederler.

Bu kapsamlı teknik karşılaştırma, geliştiricilerin ve araştırmacıların yapay zeka uygulamaları için en uygun çözümü seçmelerine yardımcı olmak amacıyla ilgili mimarileri, eğitim metodolojilerini ve gerçek dünya performans metriklerini incelemektedir.

Link to this sectionModel Geçmişleri#

Her çerçevenin kökenlerini ve tasarım hedeflerini anlamak, mimari farklılıkları ve ekosistem olgunlukları için kritik bir bağlam sağlar.

Link to this sectionUltralytics YOLOv8#

Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından Ultralytics bünyesinde geliştirilen ve 10 Ocak 2023'te yayınlanan YOLOv8, Ultralytics ekosisteminde önemli bir sıçrama yarattı. YOLOv5'in muazzam başarısının üzerine inşa edilen YOLOv8, nesne tespiti, örnek bölümleme, görüntü sınıflandırma ve poz tahmini dahil olmak üzere çok çeşitli görevleri yerel olarak yerine getirebilen, yüksek düzeyde rafine edilmiş, son teknoloji bir mimari sundu.

Birincil avantajı, birleşik bir Python API, kapsamlı dokümantasyon ve Weights & Biases ve Comet gibi MLOps araçlarıyla yerel entegrasyonlar sunarak sorunsuz bir "sıfırdan profesyonelliğe" deneyimi sağlayan, iyi korunmuş Ultralytics ekosisteminde yatmaktadır.

Ultralytics Platformu üzerinde YOLOv8'i keşfet

Link to this sectionYOLOX#

18 Temmuz 2021'de Megvii'den Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından tanıtılan YOLOX, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu doldurmayı hedefledi. Arxiv makalelerinde detaylandırılan YOLOX, YOLO ailesini çapasız bir tasarıma kaydırarak ve eğitim kararlılığını ve yakınsamasını artıran ayrıştırılmış bir başlık (decoupled head) entegre ederek ses getirdi.

2021'de oldukça etkili olsa da, YOLOX GitHub deposu ağırlıklı olarak araştırma odaklı bir kod tabanı olarak kalmıştır. Modern çerçevelerde bulunan kapsamlı görev çok yönlülüğünden ve cilalı dağıtım hatlarından yoksundur ve üretim dağıtımı için daha fazla manuel yapılandırma gerektirir.

YOLOX Dokümantasyonunu Görüntüle

Link to this sectionMimari Yenilikler#

Her iki model de çapasız bir yaklaşım kullanarak, eğitim öncesinde karmaşık ve veri setine özel çapa kutusu kümelemesine olan ihtiyacı ortadan kaldırır. Bu, sezgisel ayarlama parametrelerinin sayısını azaltır ve tespit başlığını basitleştirir.

Link to this sectionAyrıştırılmış Başlıklar ve Özellik Çıkarımı#

YOLOX, YOLO serisine ayrıştırılmış bir başlığın entegrasyonunda öncü oldu. Geleneksel olarak, sınıflandırma ve regresyon görevleri tek bir birleşik başlıkta gerçekleştiriliyordu, bu da genellikle eğitim sırasında çelişkili gradyanlara yol açıyordu. Sınıflandırma ve yerelleştirme dallarını ayırarak YOLOX, daha hızlı yakınsama sağladı.

YOLOv8 bu kavramı benimsedi ve önemli ölçüde geliştirdi. Omurgasında, eski C3 modülünün yerini alan son teknoloji ürünü bir C2f (iki konvolüsyonlu Çapraz Aşamalı Kısmi Darboğaz) modülü kullanır. Bu, önemli bir hesaplama yükü eklemeden gradyan akışını ve özellik temsilini geliştirir. Ayrıca YOLOv8, sınıflandırma puanları ile Kesişim Üzerinden Birleşim (IoU) kombinasyonuna dayalı olarak pozitif örnekleri dinamik olarak eşleştiren Görev Hizalamalı Atayıcı (Task-Aligned Assigner) kullanarak gelişmiş bir çapasız tespit başlığı uygular ve bu da üstün doğruluk sağlar.

Link to this sectionPerformans Karşılaştırması#

Gerçek dünya dağıtımı için modelleri değerlendirirken, doğruluğu (mAP) çıkarım gecikmesi ve model karmaşıklığı ile dengelemek son derece önemlidir. Aşağıdaki tablo, COCO veri setindeki performans metriklerini vurgulamaktadır.

Görüldüğü üzere, YOLOv8 modelleri eşdeğer parametre sayılarında YOLOX muadillerinden tutarlı bir şekilde daha iyi performans gösterir. Örneğin, YOLOv8m %50.2 mAP değerine ulaşırken YOLOXm %46.9 mAP değerine sahiptir; bu, TensorRT kullanılarak GPU çıkarım hızları korunurken hassasiyette önemli bir sıçrama sergiler.

Link to this sectionEğitim ve Ekosistem Avantajları#

Bu iki çözüm arasındaki en belirgin farklardan biri geliştirici deneyimidir. YOLOX'u eğitmek genellikle karmaşık ortam kurulumları, manuel komut dosyası değişiklikleri ve bellek sızıntılarını veya dışa aktarma sorunlarını gidermek için PyTorch iç işleyişine dair derin bilgi gerektirir.

Buna karşılık, Ultralytics ekosistemi bu karmaşıklığı ortadan kaldırarak son derece sezgisel bir Python API ve Komut Satırı Arayüzü (CLI) sunar.

Link to this sectionModernize Edilmiş Python API#

Özel bir veri setinde son teknoloji bir YOLOv8 modelini eğitmek sadece birkaç satır kod gerektirir:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model for object detection
model = YOLO("yolov8n.pt")

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

# Easily validate the model
metrics = model.val()

# Export seamlessly to ONNX for production
model.export(format="onnx")

Bu API, tespit, segmentasyon ve yönlendirilmiş sınırlayıcı kutu (OBB) görevleri arasındaki iş akışlarını standartlaştırarak üretim uygulamaları için pazara sunma süresini ciddi ölçüde azaltır. Ayrıca, yerleşik dışa aktarma işlevleri, özel C++ operatörleri yazmadan ONNX, OpenVINO ve CoreML'e sorunsuz dönüştürmeye olanak tanır.

Link to this sectionİdeal Kullanım Senaryoları#

Bu mimariler arasında seçim yapmak proje kısıtlamalarına bağlıdır, ancak YOLOv8 çok daha esnek bir temel sağlar.

• Yüksek Hızlı Uç Analitiği: NVIDIA Jetson gibi cihazlarda gerçek zamanlı işleme için YOLOv8, yerel TensorRT entegrasyonu aracılığıyla kolayca dağıtılabilen, hız ve doğruluk açısından eşsiz bir denge sunar.
• Akademik Araştırma: YOLOX, PyTorch içinde çapa tabanlıdan çapasız metodolojilere geçişi inceleyen araştırmacılar için değerli bir eğitim aracı olmaya devam etmektedir.
• Karmaşık Çok Görevli Uygulamalar: Eş zamanlı nesne takibi ve örnek bölümleme gerektiren uygulamalar, bu yetenekler doğrudan Ultralytics kütüphanesine yerleşik olduğundan YOLOv8'i fazlasıyla tercih edecektir.

Link to this sectionİleriye Bakış: Alternatif Modeller#

YOLOv8, YOLOX'a göre büyük bir gelişme olsa da, yapay zeka alanı inanılmaz hızlı ilerliyor. Yeni projelere başlayan kullanıcılar için Ultralytics YOLO26 modelini değerlendirmelerini şiddetle tavsiye ederiz. Ocak 2026'da yayınlanan YOLO26, yapay zeka görüşü için yeni altın standardı temsil eder.

YOLO26, daha basit dağıtım hatları için Maksimum Olmayan Bastırma (NMS) sonrası işlemini tamamen ortadan kaldıran devrim niteliğinde bir Uçtan Uca NMS'siz Tasarım sunar. Yeni MuSGD Optimize Edici ve Dağılım Odaklı Kaybın (DFL) kaldırılmasıyla birlikte YOLO26, YOLOv8'e kıyasla %43'e kadar daha hızlı CPU çıkarımı elde eder. Ayrıca, hava görüntüleri ve robotik için kritik olan küçük nesne tanımada çarpıcı iyileştirmeler sunan ProgLoss + STAL kayıp fonksiyonlarını tanıtır.

Alternatif olarak, kullanıcılar Ultralytics ekosistemi içinde farklı görevlerde güçlü performans sunan bir diğer sağlam ve iyi desteklenen önceki model olarak YOLO11 modelini de düşünebilirler.

Link to this sectionSonuç#

YOLOX, YOLO ailesinde ayrıştırılmış başlıkların ve çapasız tasarımın gücünü başarıyla kanıtladı. Ancak Ultralytics YOLOv8, bu kavramları aldı, mimariyi rafine etti ve kullanım kolaylığı ve görev çok yönlülüğü açısından eşsiz kalan, üretime hazır bir ekosistemle sarmaladı. Bir Ultralytics modeli seçerek geliştiriciler, üstün performansa, bellek açısından verimli eğitime ve deneyden gerçek dünya etkisine geçişi sorunsuz hale getiren sağlam bir dağıtım araçları paketine erişim kazanırlar.