YOLOX ve PP-YOLOE+#

Sağlam bir bilgisayarlı görü işlem hattı tasarlarken uygun nesne algılama modelini seçmek kritik bir karardır. Gerçek zamanlı nesne algılayıcıları arasındaki rekabet oldukça yoğundur ve çok sayıda mimari, çıkarım hızı ile algılama doğruluğu arasında en iyi dengeyi sunmaya çalışır. Bu teknik karşılaştırmada iki önemli modeli, YOLOX ve PP-YOLOE+'ı değerlendireceğiz. Mimari tasarımlarını, eğitim yöntemlerini ve performans ölçütlerini inceleyerek geliştiricilerin ve araştırmacıların dağıtım ortamlarına uygun aracı seçmeleri için gereken bilgileri sunmayı amaçlıyoruz.

Mimari Yenilikler ve Tasarım#

Her iki model de YOLO'nun önceki sürümlerindeki belirli sorunları çözmek için tasarlandı, ancak hız-doğruluk ödünleşimini ele almak için temelden farklı yaklaşımlar benimsiyor.

YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii bünyesinde geliştirilen YOLOX, 18 Temmuz 2021'de yayımlandı. Bağlayıcısız tasarımı bütünüyle benimseyerek YOLO ailesinde önemli bir değişime öncülük etti. Temel araştırmayı resmî Arxiv makalelerinde, özgün kaynak kodunu ise YOLOX GitHub deposunda inceleyebilirsin.

YOLOX, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık kullanarak eğitim sırasındaki yakınsama hızını önemli ölçüde artırır. Ayrıca pozitif örnekleri dinamik olarak atamak için SimOTA gibi gelişmiş etiket atama stratejilerini kullanıma sundu. Bu sayede model, özellikle hesaplama kaynaklarının ciddi ölçüde kısıtlı olduğu uç yapay zekâ ortamlarında son derece verimli çalışır.

YOLOX hakkında daha fazla bilgi edin

PP-YOLOE+: Yüksek Performanslı Endüstriyel Algılama#

PaddlePaddle Geliştiricileri tarafından Baidu bünyesinde 2 Nisan 2022'de kullanıma sunulan PP-YOLOE+, PP-YOLO serisinin yüksek düzeyde optimize edilmiş bir sürümüdür. Arxiv yayınlarında ayrıntıları açıklanan PP-YOLOE+, Baidu ekosistemine derinlemesine entegredir ve PaddlePaddle çatısını gerektirir. Model yapılandırmalarını PaddleDetection GitHub deposunda bulabilirsin.

PP-YOLOE+, güçlü bir CSPRepResNet omurgasına dayanır ve Görev Hizalaması Öğrenimi (TAL) ile birlikte Verimli Görev Hizalamalı başlık (ET-head) kullanır. Bu mimari, COCO veri kümesinde etkileyici ortalama Ortalama Kesinlik (mAP) değerlerine ulaşır; bu da onu doğruluğun asgari bağımlılıklardan daha öncelikli olduğu endüstriyel kusur algılama ve yoğun sunucu tarafı işleme için güçlü bir seçenek hâline getirir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Performans Karşılaştırmaları#

Dağıtım için farklı ölçeklerdeki modellerin nasıl performans gösterdiğini anlamak önemlidir. Aşağıdaki tabloda mAP ve TensorRT biçimine aktarıldıklarındaki çıkarım hızları dâhil temel ölçütler yer alıyor.

Kullanım Alanları ve Öneriler#

YOLOX ile PP-YOLOE+ arasında seçim yapmak, projenin özel gereksinimlerine, dağıtım kısıtlarına ve ekosistem tercihlerine bağlıdır.

YOLOX Ne Zaman Seçilmeli#

YOLOX şu durumlarda iyi bir tercihtir:

• Çapasız Algılama Araştırmaları: Yeni algılama başlıklarını veya kayıp fonksiyonlarını denemek için YOLOX'in yalın, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano sürümünün son derece küçük boyutunun (0.91M parametre) kritik olduğu mikrodenetleyicilere veya eski mobil donanımlara dağıtım.
• SimOTA Etiket Atama Çalışmaları: Optimal taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini inceleyen araştırma projeleri.

PP-YOLOE+'ı Ne Zaman Seçmeli#

PP-YOLOE+ şu durumlarda önerilir:

• PaddlePaddle Ekosistemiyle Entegrasyon: Altyapısı ve araçları Baidu'nun PaddlePaddle çerçevesi üzerine kurulu kuruluşlar.
• Paddle Lite ile Uç Dağıtım: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Sunucu Tarafında Yüksek Doğruluklu Tespit: Çerçeve bağımlılığının önemli olmadığı güçlü GPU sunucularında en yüksek tespit doğruluğuna öncelik veren senaryolar.

Ultralytics'i (YOLO26) Ne Zaman Seçmeli#

Yeni projelerin çoğu için Ultralytics YOLO26, performans ve geliştirici deneyiminin en iyi bileşimini sunar:

• NMS Olmadan Uç Dağıtımı: Maksimum Olmayan Bastırma son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
• Yalnızca CPU Kullanılan Ortamlar: YOLO26'nın CPU'da %43'e varan daha hızlı çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması bulunmayan cihazlar.
• Küçük Nesne Algılama: ProgLoss ve STAL'ın çok küçük nesnelerde doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics'in Avantajı: YOLO26 ile Tanış#

Hem YOLOX hem de PP-YOLOE+ kendine özgü avantajlar sunsa da yapay zekânın hızla gelişmesi, son teknoloji doğruluğu benzersiz kullanım kolaylığıyla birleştiren araçları gerekli kılıyor. İşte bu noktada Ultralytics modelleri, özellikle yakın zamanda yayımlanan Ultralytics YOLO26, eski araştırma depolarının önüne geçiyor.

Ocak 2026'da yayımlanan YOLO26, modern nesne algılama ve ötesi için yeni bir standart belirliyor; rakip çatıların sunamadığı bir geliştirici deneyimi sağlıyor.

Geliştiriciler Neden YOLO26'yı Seçiyor?#

1. Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülüğü yapılan kavramları temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığıyla (nms=False) Maksimum Olmayan Bastırma (NMS) son işleme adımını atlayarak son derece tutarlı gecikme sağlar ve uç ortamlar için dışa aktarma işlem hatlarını büyük ölçüde basitleştirir.
2. Yeni Nesil Optimizasyon: Eğitim kararlılığı, LLM yöntemlerinden (Moonshot AI'nin Kimi K2'si gibi) ilham alan SGD ile Muon'un birleşimi MuSGD Optimizer ile yeniden şekilleniyor. Bu yöntem daha hızlı yakınsama sağlıyor. Ayrıca YOLO26, hava görüntüleri ve robotik uygulamaları için kritik olan küçük nesne tanımayı önemli ölçüde iyileştirmek üzere ProgLoss + STAL kullanıyor.
3. Rakipsiz Donanım Verimliliği: YOLO26, Distribution Focal Loss (DFL) yöntemini kaldırarak algılama başlığını ve dışa aktarma grafiğini basitleştirir. Özel GPU hızlandırması bulunmayan cihazlar için onu kesin bir seçenek hâline getiren, CPU çıkarımında %43'e kadar daha yüksek hız sunar.
4. Üstün Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'ın aksine YOLO26, çok sayıda görev için birleşik destek sunar. Örnek segmentasyonu için özel anlamsal segmentasyon kaybı, doğru poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için gelişmiş açı kaybı mekanizmaları içerir.

Ekosistemle Sorunsuz Entegrasyon#

Ultralytics, karmaşık çatı kurulumlarının yarattığı güçlükleri ortadan kaldırır. Birleşik Python API'yi veya kullanımı kolay Ultralytics Platform hizmetini kullanarak modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilirsin.

from ultralytics import YOLO

# En yeni YOLO26 küçük modelini yükle
model = YOLO("yolo26s.pt")

# CUDA bellek yükünü en aza indirerek özel veri kümesiyle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Çıkarımı zahmetsizce çalıştır
predictions = model("https://ultralytics.com/images/bus.jpg")

# ONNX'e yerel olarak aktar, NMS içermeyen mimariden tümüyle yararlan
model.export(format="onnx", nms=False)

Ultralytics ekosistemindeki diğer güçlü mimarileri değerlendiren kullanıcılar için YOLO11, eski sistem dağıtımlarında son derece güvenilir bir seçenek olmaya devam ederken Transformer tabanlı RT-DETR, attention tabanlı çözümler arayanlara mükemmel özellikler sunar.

Özet#

YOLOX ile PP-YOLOE+ arasında seçim yapmak çoğu zaman temel çerçeve kısıtlarına bağlıdır: PyTorch tabanlı esnekliği mi tercih ediyorsun, yoksa Baidu'nun PaddlePaddle'ı ile derin entegrasyonu mu? Ancak yapay zekâ altyapısını geleceğe hazırlamak isteyen kuruluşlar için Ultralytics YOLO26 çok daha üstün bir alternatif sunar. İsteğe bağlı NMS içermeyen çıkarımı, düşük bellek kullanımı ve kapsamlı görev esnekliğiyle YOLO26, ekiplerin bilgisayarlı görü uygulamalarını benzeri görülmemiş bir kolaylıkla daha hızlı, akıllı ve verimli biçimde geliştirmesini sağlar.