YOLOv8 ve YOLOX#

Bilgisayarlı görü alanı, gerçek zamanlı nesne algılama mimarilerinin sürekli gelişiminden büyük ölçüde etkilenmiştir. Bu yolculuktaki iki önemli dönüm noktası Ultralytics YOLOv8 ve YOLOX'tir. Her iki model de sınırlayıcı kutu tahminlerini kolaylaştırmak için anchorsız tasarım yaklaşımını benimserken, derin öğrenme araştırmaları ve dağıtım ekosistemi geliştirmesinde farklı dönemleri ve felsefeleri temsil eder.

Bu kapsamlı teknik karşılaştırma, geliştiricilerin ve araştırmacıların görü yapay zekâ uygulamaları için en uygun çözümü seçmesine yardımcı olmak amacıyla ilgili mimarileri, eğitim yöntemlerini ve gerçek dünya performans metriklerini inceler.

Model Geçmişleri#

Her çerçevenin kökenini ve tasarım hedeflerini anlamak, mimari farklılıkları ve ekosistem olgunluğunu değerlendirmek için kritik bir bağlam sağlar.

Ultralytics YOLOv8#

Ultralytics bünyesinde Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen ve 10 Ocak 2023'te yayımlanan YOLOv8, Ultralytics ekosisteminde önemli bir sıçramaya işaret etti. YOLOv5'in büyük başarısı üzerine inşa edilen YOLOv8; nesne algılama, örnek bölütleme, görüntü sınıflandırma ve poz tahmini dahil olmak üzere çok çeşitli görevleri yerel olarak işleyebilen, büyük ölçüde iyileştirilmiş ve son teknoloji bir mimari sundu.

Başlıca avantajı, birleşik bir Python API'si, kapsamlı belgeler ve Weights & Biases ile Comet gibi MLOps araçlarıyla yerel entegrasyonlar sağlayan, iyi bakımlı Ultralytics ekosistemidir; bu ekosistem "sıfırdan kahramana" kesintisiz bir deneyim sunar.

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 hedefledi. Arxiv makalelerinde ayrıntılı olarak açıklanan YOLOX, YOLO ailesini anchorsız tasarıma yönlendirmesi ve eğitim kararlılığını ve yakınsamayı iyileştiren ayrıştırılmış bir başlık entegre etmesiyle büyük yankı uyandırdı.

2021'de oldukça etkili olan YOLOX GitHub deposu, öncelikle araştırma odaklı bir kod tabanı olmayı sürdürüyor. Modern çerçevelerde bulunan kapsamlı görev çeşitliliği ve geliştirilmiş dağıtım işlem hatlarından yoksun olduğundan, üretim ortamına dağıtım için daha fazla manuel yapılandırma gerektiriyor.

YOLOX Belgelerini Görüntüle

Mimari Yenilikler#

Her iki model de anchorsız bir yaklaşım kullanarak eğitim öncesinde karmaşık, veri kümesine özgü anchor box kümelemesi gereksinimini ortadan kaldırır. Bu, sezgisel ayar parametrelerinin sayısını azaltır ve algılama başlığını basitleştirir.

Ayrıştırılmış Başlıklar ve Özellik Çıkarımı#

YOLOX, YOLO serisine ayrıştırılmış bir başlığın entegrasyonuna öncülük etti. Geleneksel olarak sınıflandırma ve regresyon görevleri, tek bir birleşik başlıkta gerçekleştirilirdi; bu da eğitim sırasında çoğunlukla çakışan gradyanlara yol açardı. YOLOX, sınıflandırma ve konumlandırma dallarını ayırarak daha hızlı yakınsama sağladı.

YOLOv8 bu kavramı benimsedi ve önemli ölçüde geliştirdi. Omurgasında, eski C3 modülünün yerini alan son teknoloji C2f (iki evrişimli Aşamalar Arası Kısmi Darboğaz) modülünü kullanır. Bu, önemli bir hesaplama yükü eklemeden gradyan akışını ve özellik gösterimini iyileştirir. Ayrıca YOLOv8, sınıflandırma skorları ile Intersection over Union (IoU) birleşimine göre pozitif örnekleri dinamik olarak eşleştiren Task-Aligned Assigner kullanan gelişmiş bir anchorsız algılama başlığı uygular ve bunun sonucunda daha yüksek doğruluk elde eder.

Performans Karşılaştırması#

Modeller gerçek dünyada dağıtım için değerlendirilirken doğruluğu (mAP) çıkarım gecikmesi ve model karmaşıklığıyla dengelemek büyük önem taşır. Aşağıdaki tablo, COCO veri kümesindeki performans metriklerini vurgular.

Görüldüğü üzere YOLOv8 modelleri, eşdeğer parametre sayılarına sahip YOLOX modellerinden sürekli olarak daha iyi performans gösterir. Örneğin YOLOv8m, YOLOXm'in %46,9 değerine kıyasla %50,2 mAP elde ederek TensorRT kullanırken rekabetçi GPU çıkarım hızlarını koruyarak kesinlikte önemli bir sıçrama sergiler.

Eğitim ve Ekosistem Avantajları#

Bu iki çözüm arasındaki en belirgin farklardan biri geliştirici deneyimidir. YOLOX'i eğitmek çoğu zaman karmaşık ortam kurulumları, betiklerde manuel değişiklikler ve bellek sızıntılarını veya dışa aktarma sorunlarını gidermek için PyTorch dahili yapısı hakkında derin bilgi gerektirir.

Buna karşılık Ultralytics ekosistemi bu karmaşıklığı soyutlayarak son derece sezgisel bir Python API'si ve Komut Satırı Arayüzü (CLI) sunar.

Kolaylaştırılmış Python API'si#

Özel bir veri kümesi üzerinde son teknoloji bir YOLOv8 modelini eğitmek yalnızca 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, algılama, bölütleme ve yönlendirilmiş sınırlayıcı kutu (OBB) görevlerindeki iş akışlarını standartlaştırarak üretim uygulamalarının pazara sunulma süresini büyük ölçüde azaltır. Ayrıca yerleşik dışa aktarma işlevleri, özel C++ operatörleri yazmadan ONNX, OpenVINO ve CoreML'e sorunsuz dönüşüm sağlar.

İdeal Kullanım Alanları#

Bu mimariler arasındaki seçim proje 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 anchor tabanlı yöntemlerden anchorsız yöntemlere geçişi inceleyen araştırmacılar için değerli bir eğitim aracı olmaya devam eder.
• Karmaşık Çok Görevli Uygulamalar: Nesne izleme ve örnek bölütlemenin eş zamanlı olarak gerçekleştirilmesini gerektiren uygulamalar, bu yetenekler doğrudan Ultralytics kütüphanesine yerleşik olduğundan YOLOv8'i büyük ölçüde tercih edecektir.

İleriye Bakış: Alternatif Modeller#

YOLOv8, YOLOX'e kıyasla büyük bir iyileştirme olsa da yapay zekâ alanı inanılmaz bir hızla ilerliyor. Yeni projelere başlayan kullanıcıların Ultralytics YOLO26 modelini değerlendirmesini önemle tavsiye ediyoruz. Ocak 2026'da yayımlanan YOLO26, görü yapay zekâsı için yeni altın standardı temsil eder.

YOLO26, dağıtım işlem hatlarını basitleştirmek için Maksimum Olmayan Bastırma son işleme adımını tamamen ortadan kaldıran devrim niteliğinde bir Uçtan Uca NMS'siz Tasarım sunar. Yeni MuSGD Optimize Edicisi ve Distribution Focal Loss'un (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 işlevlerini de kullanıma sunar.

Alternatif olarak kullanıcılar, farklı görevlerde güçlü performans sunan ve Ultralytics ekosistemi içinde iyi desteklenen bir başka öncül model olan YOLO11 modelini de değerlendirebilir.

Sonuç#

YOLOX, YOLO ailesinde ayrıştırılmış başlıkların ve anchorsız tasarımın gücünü başarıyla ortaya koydu. Ancak Ultralytics YOLOv8 bu kavramları alıp mimariyi geliştirdi ve kullanım kolaylığı ve görev çeşitliliği açısından eşsiz olmaya devam eden, üretime hazır bir ekosistemle birleştirdi. Geliştiriciler bir Ultralytics modeli seçerek üstün performansa, bellek açısından verimli eğitime ve denemelerden gerçek dünya etkisine geçişi sorunsuz hâle getiren güçlü bir dağıtım araçları paketine erişim kazanır.