YOLOv8 ve YOLOX#
Bilgisayarlı görü alanının gelişimi, gerçek zamanlı nesne algılama mimarilerinin sürekli evriminden büyük ölçüde etkilenmiştir. Bu yolculuktaki iki önemli kilometre taşı Ultralytics YOLOv8 ve YOLOX'tur. Her iki model de sınırlayıcı kutu tahminlerini basitleştirmek için çapadan bağımsız tasarım yaklaşımını benimserken derin öğrenme araştırmalarının ve dağıtım ekosistemi geliştirmenin farklı dönemlerini ve felsefelerini temsil eder.
Bu kapsamlı teknik karşılaştırma, geliştiricilerin ve araştırmacıların bilgisayarlı görü yapay zekâ uygulamaları için en uygun çözümü seçmelerine yardımcı olmak amacıyla iki modelin mimarilerini, eğitim yöntemlerini ve gerçek dünya performans ölçümlerini inceler.
Modellerin Arka Planı#
Her çerçevenin kökenini ve tasarım hedeflerini anlamak, mimari farklılıkları ve ekosistem olgunluğu hakkında kritik bir bağlam sağlar.
Ultralytics YOLOv8#
Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından Ultralytics'te geliştirilen ve 10 Ocak 2023'te yayımlanan YOLOv8, Ultralytics ekosisteminde önemli bir sıçramaya işaret etti. YOLOv5'in büyük başarısını temel alan YOLOv8; nesne algılama, örnek segmentasyonu, görüntü sınıflandırma ve poz tahmini dâhil olmak üzere çok çeşitli görevleri yerel olarak yerine getirebilen, büyük ölçüde iyileştirilmiş ve son teknoloji ürünü bir mimari sundu.
Başlıca avantajı, birleşik bir Python API'si, kapsamlı belgeler ve Weights & Biases ile Comet gibi MLOps araçlarıyla yerel entegrasyonlar sunan, bakımı iyi yapılan Ultralytics ekosistemidir. Bu ekosistem, sorunsuz bir "sıfırdan kahramana" deneyimi sağlar.
YOLOX#
Megvii'den Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından 18 Temmuz 2021'de tanıtılan YOLOX, akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu kapatmayı amaçladı. Arxiv makalesinde ayrıntılı olarak açıklanan YOLOX, YOLO ailesini çapadan bağımsız tasarıma yönlendirerek ve eğitim kararlılığını ve yakınsamayı iyileştiren ayrıştırılmış bir başlık entegre ederek ses getirdi.
2021'de büyük etki yaratmış olsa da YOLOX GitHub deposu ağırlıklı olarak araştırma odaklı bir kod tabanı olmayı sürdürüyor. Modern çerçevelerde bulunan kapsamlı görev çeşitliliğinden ve kullanıma hazır dağıtım işlem hatlarından yoksun olduğundan üretim ortamına dağıtım için daha fazla elle yapılandırma gerektiriyor.
Mimari Yenilikler#
Her iki model de çapadan bağımsız bir yaklaşım benimseyerek eğitimden önce karmaşık, veri kümesine özgü çapa kutusu kümelemesi gereksinimini ortadan kaldırır. Bu, sezgisel yöntemlerle ayarlanması gereken parametrelerin sayısını azaltır ve algılama başlığını basitleştirir.
Ayrıştırılmış Başlıklar ve Özellik Çıkarımı#
YOLOX, YOLO serisine ayrıştırılmış başlık entegrasyonuna öncülük etti. Geleneksel olarak sınıflandırma ve regresyon görevleri tek bir birleşik başlıkta gerçekleştirilirdi; bu da eğitim sırasında çoğu zaman çakışan gradyanlara yol açardı. Sınıflandırma ve konum belirleme dallarını ayıran YOLOX, daha hızlı yakınsama sağladı.
YOLOv8 bu yaklaşımı benimsedi ve önemli ölçüde geliştirdi. Omurgasında, eski C3 modülünün yerini alan son teknoloji ürünü C2f (iki evrişimli Aşamalar Arası Kısmi Darboğaz) modülünü kullanır. Bu, hesaplama yükünü önemli ölçüde artırmadan gradyan akışını ve özellik temsilini iyileştirir. Ayrıca YOLOv8, sınıflandırma puanları ile Kesişim-Birleşim (IoU) birleşimine göre pozitif örnekleri dinamik olarak eşleştiren Task-Aligned Assigner kullanan gelişmiş, çapadan bağımsız bir algılama başlığı uygular ve böylece daha yüksek doğruluk sağlar.
Ultralytics YOLO modelleri olağanüstü bellek verimliliği sağlayacak şekilde tasarlanmıştır. YOLOv8, Transformer tabanlı mimarilere veya optimize edilmemiş araştırma kod tabanlarına kıyasla eğitim sırasında çok daha az CUDA belleği gerektirir; böylece geliştiriciler standart tüketici donanımlarında daha büyük toplu iş boyutları kullanabilir.
Performans Karşılaştırması#
Gerçek dünyada dağıtım için modelleri değerlendirirken doğruluğu (mAP) çıkarım gecikmesi ve model karmaşıklığıyla dengelemek kritik önemdedir. Aşağıdaki tablo, COCO veri kümesindeki performans ölçümlerini öne çıkarıyor.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (M) | FLOPs (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 | 165.1 |
| 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 |
Görüldüğü üzere YOLOv8 modelleri, eşit sayıda parametreye sahip YOLOX modellerinden tutarlı biçimde daha iyi performans gösteriyor. Örneğin YOLOv8m, YOLOXm'nin %46,9 değerine kıyasla %50,2 mAP elde ederek, TensorRT kullanırken rekabetçi GPU çıkarım hızlarını koruyup hassasiyette önemli bir sıçrama kaydediyor.
Eğitim ve Ekosistem Avantajları#
Bu iki çözüm arasındaki en belirgin farklardan biri geliştirici deneyimidir. YOLOX'i eğitmek çoğu zaman karmaşık ortam kurulumları, komut dosyalarında elle değişiklikler ve bellek sızıntılarını ya da dışa aktarma sorunlarını ayıklamak için PyTorch iç işleyişi hakkında derin bilgi gerektirir.
Buna karşılık Ultralytics ekosistemi bu karmaşıklığı ortadan kaldırarak son derece sezgisel bir Python API'si ve Komut Satırı Arayüzü (CLI) sunar.
Kolaylaştırılmış Python API'si#
Özel bir veri kümesinde son teknoloji ürünü bir YOLOv8 modelini eğitmek için yalnızca birkaç satır kod gerekir:
from ultralytics import YOLO
# Nesne algılama için önceden eğitilmiş bir YOLOv8 modeli yükle
model = YOLO("yolov8n.pt")
# Modeli COCO8 örnek veri kümesi üzerinde eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Modeli kolayca doğrula
metrics = model.val()
# Üretim için ONNX'e sorunsuzca aktar
model.export(format="onnx")Bu API, algılama, segmentasyon ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerindeki iş akışlarını standartlaştırarak üretim uygulamalarının pazara sunulma süresini büyük ölçüde kısaltır. Ayrıca yerleşik dışa aktarma işlevleri, özel C++ işleçleri yazmadan ONNX, OpenVINO ve CoreML biçimlerine sorunsuz dönüşüm sağlar.
İdeal Kullanım Alanları#
Bu mimariler arasında seçim yapmak projenin kısıtlarına bağlıdır; ancak YOLOv8 çok daha esnek bir temel sunar.
- Yüksek Hızlı Uç Analitiği: NVIDIA Jetson gibi cihazlarda gerçek zamanlı işleme için YOLOv8, hız ve doğruluk arasında eşsiz bir denge sunar ve yerel TensorRT entegrasyonu sayesinde kolayca dağıtılabilir.
- Akademik Araştırma: YOLOX, PyTorch içinde çapa tabanlı yöntemlerden çapadan bağımsız yöntemlere geçişi inceleyen araştırmacılar için değerli bir eğitim aracı olmayı sürdürüyor.
- Karmaşık Çok Görevli Uygulamalar: Nesne izleme ve örnek segmentasyonunu aynı anda gerektiren uygulamalarda, bu yetenekler doğrudan Ultralytics kitaplığına dâhil olduğundan YOLOv8 belirgin biçimde öne çıkar.
İleriye Bakış: Alternatif Modeller#
YOLOv8, YOLOX'e kıyasla büyük bir gelişme olsa da yapay zekâ alanı inanılmaz bir hızla ilerliyor. Yeni projelere başlayan kullanıcılara Ultralytics YOLO26 modelini değerlendirmelerini önemle tavsiye ediyoruz. Ocak 2026'da yayımlanan YOLO26, görsel yapay zekâ için yeni altın standardı temsil ediyor.
YOLO26, isteğe bağlı bire bir başlığı (nms=False) daha basit dağıtım işlem hatları için Maksimum Olmayan Bastırma son işlemesini ortadan kaldıran devrim niteliğinde bir Uçtan Uca NMS'siz Tasarıma sahiptir. Yenilikçi MuSGD Optimizer ile birlikte Distribution Focal Loss'un (DFL) kaldırılması, YOLO26'nın YOLO11'e kıyasla CPU çıkarımını %43'e kadar hızlandırmasını sağlar. Ayrıca hava görüntüleri ve robotik için kritik öneme sahip küçük nesne tanımada çarpıcı iyileştirmeler sunan ProgLoss + STAL (Aşamalı Kayıp ve Küçük Hedef Farkındalıklı Etiket Atama) özelliğini de kullanıma sunar.
Ultralytics ekosisteminde güçlü performans sunan, iyi desteklenen bir başka önceki model olarak kullanıcılar YOLO11 modelini de değerlendirebilir.
Sonuç#
YOLOX, ayrıştırılmış başlıkların ve çapadan bağımsız tasarımın YOLO ailesindeki gücünü başarıyla gösterdi. Ancak Ultralytics YOLOv8 bu kavramları ele alıp mimariyi geliştirdi ve kullanım kolaylığı ile görev çeşitliliği bakımından hâlâ rakipsiz olan, üretime hazır bir ekosistemle sundu. Ultralytics modelini tercih eden geliştiriciler; üstün performansa, bellek açısından verimli eğitime ve deneme aşamasından gerçek dünya etkisine geçişi sorunsuz kılan güçlü dağıtım araçlarına erişir.