Link to this sectionYOLOX ve PP-YOLOE+ karşılaştırması#
Sağlam bir bilgisayarlı görü hattı tasarlarken, uygun nesne algılama modelini seçmek kritik bir karardır. Gerçek zamanlı nesne dedektörleri alanı oldukça rekabetçidir ve çok sayıda mimari, çıkarım hızı ile algılama doğruluğu arasında en iyi dengeyi sunmak için çabalar. Bu teknik karşılaştırmada iki öne çıkan modeli değerlendireceğiz: YOLOX ve PP-YOLOE+. Mimari tasarımlarını, eğitim metodolojilerini ve performans metriklerini inceleyerek, geliştiricilere ve araştırmacılara dağıtım ortamları için doğru aracı seçmeleri adına gereken içgörüleri sağlamayı hedefliyoruz.
Link to this sectionMimari Yenilikler ve Tasarım#
Her iki model de önceki YOLO sürümlerindeki belirli sorunları gidermek için tasarlanmış olsa da, hız-doğruluk dengesini çözmek için temel olarak farklı yaklaşımlar benimserler.
Link to this sectionYOLOX: Araştırma ve Endüstriyi Birleştirmek#
Megvii'den Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından geliştirilen YOLOX, 18 Temmuz 2021'de yayınlandı. YOLO ailesinde çapasız (anchor-free) tasarımı tamamen benimseyerek önemli bir değişime işaret etti. Temel araştırmayı resmi Arxiv makalelerinde ve orijinal kaynak kodunu YOLOX GitHub deposunda inceleyebilirsin.
YOLOX, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir kafa (decoupled head) yapısını entegre eder, bu da eğitim sırasındaki yakınsama hızını önemli ölçüde artırır. Ayrıca, pozitif örnekleri dinamik olarak atamak için SimOTA gibi gelişmiş etiket atama stratejileri getirmiştir. Bu, modeli özellikle hesaplama kaynaklarının kesin bir şekilde sınırlı olduğu uç yapay zeka ortamlarında oldukça verimli kılar.
YOLOX hakkında daha fazla bilgi edin
Link to this sectionPP-YOLOE+: Yüksek Performanslı Endüstriyel Algılama#
Baidu'daki PaddlePaddle yazarları tarafından 2 Nisan 2022'de tanıtılan PP-YOLOE+, PP-YOLO serisinin yüksek oranda optimize edilmiş bir evrimini temsil eder. Arxiv yayınlarında detaylandırılan PP-YOLOE+, Baidu ekosistemine derinden entegredir ve PaddlePaddle çerçevesini gerektirir. Modelin konfigürasyonları PaddleDetection GitHub deposunda bulunabilir.
PP-YOLOE+ relies on a powerful CSPRepResNet backbone and utilizes an Efficient Task-aligned head (ET-head) alongside Task Alignment Learning (TAL). This architecture achieves outstanding mean Average Precision (mAP) on the COCO dataset, making it a formidable choice for industrial defect detection and heavy server-side processing where accuracy is prioritized over minimal dependencies.
PP-YOLOE+ hakkında daha fazla bilgi edin
Link to this sectionPerformans Karşılaştırmaları#
Understanding how these models perform across different scales is essential for deployment. The table below outlines key metrics, including mAP and inference speeds when exported to TensorRT.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+x en yüksek mutlak doğruluğa ulaşsa da, YOLOX, düşük güçlü mikro denetleyiciler ve eski mobil donanımlar için oldukça uygun olan son derece hafif varyantlar (Nano ve Tiny) sunar.
Link to this sectionKullanım Durumları ve Öneriler#
YOLOX ve PP-YOLOE+ arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.
Link to this sectionNe Zaman YOLOX Seçilmeli#
YOLOX şunlar için güçlü bir tercihtir:
- Anchor-Free Algılama Araştırmaları: Yeni algılama başlıkları veya kayıp fonksiyonlarını denemek için YOLOX'un temiz, anchor-free mimarisini temel olarak kullanan akademik araştırmalar.
- Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (0.91M parametre) kritik olduğu mikrodenetleyicilerde veya eski mobil donanımlarda dağıtım yapmak.
- SimOTA Etiket Atama Çalışmaları: Optimum taşıma tabanlı etiket atama stratejilerini ve bunların eğitim yakınsaması üzerindeki etkilerini araştıran araştırma projeleri.
Link to this sectionPP-YOLOE+ Ne Zaman Seçilmeli#
PP-YOLOE+ şunlar için önerilir:
- PaddlePaddle Ekosistem Entegrasyonu: Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulu mevcut altyapıya sahip organizasyonlar.
- Paddle Lite Uç Birim Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım yapmak.
- Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında maksimum algılama doğruluğunu önceliklendiren senaryolar.
Link to this sectionUltralytics (YOLO26) Ne Zaman Seçilmeli#
Çoğu yeni proje için, Ultralytics YOLO26 performans ve geliştirici deneyiminin en iyi kombinasyonunu sunar:
- NMS-Free Uç Dağıtımı: Non-Maximum Suppression işlem sonrası karmaşıklığı olmadan tutarlı, düşük gecikmeli çıkarım gerektiren uygulamalar.
- Sadece CPU Ortamları: YOLO26'nın %43'e kadar daha hızlı CPU çıkarımının belirleyici bir avantaj sağladığı, özel GPU hızlandırması olmayan cihazlar.
- Küçük Nesne Algılama: ProgLoss ve STAL'ın küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı hava drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.
Link to this sectionUltralytics Avantajı: YOLO26 ile Tanışın#
Hem YOLOX hem de PP-YOLOE+ belirgin avantajlar sunsa da, yapay zekanın hızlı evrimi, son teknoloji doğruluğu eşsiz bir kullanım kolaylığı ile birleştiren araçlar talep ediyor. Ultralytics modelleri, özellikle yakın zamanda yayınlanan Ultralytics YOLO26, işte bu noktada eski araştırma depolarını geride bırakıyor.
Ocak 2026'da yayınlanan YOLO26, modern nesne algılama ve ötesi için yeni bir standart oluşturarak, rakip çerçeveler tarafından sunulamayan bir geliştirici deneyimi sağlar.
Link to this sectionGeliştiriciler Neden YOLO26'yı Seçiyor#
- Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülük edilen kavramların üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlemini tamamen kaldırarak, oldukça tutarlı bir gecikme süresi sağlar ve uç ortamlar için dışa aktarma hatlarını önemli ölçüde basitleştirir.
- Yeni Nesil Optimizasyon: Eğitim kararlılığı, SGD ve Muon'un (Moonshot AI'nın Kimi K2'si gibi LLM metodolojilerinden esinlenilmiştir) bir melezi olan MuSGD Optimizer ile devrim yaratmıştır. Bu, daha hızlı yakınsamayı garanti eder. Ayrıca YOLO26, hava görüntüleri ve robotik içeren uygulamalar için kritik bir özellik olan küçük nesne tanımayı önemli ölçüde iyileştirmek için ProgLoss + STAL kullanır.
- Unmatched Hardware Efficiency: By removing Distribution Focal Loss (DFL), YOLO26 drastically lowers memory requirements. It boasts up to 43% faster CPU inference, making it the definitive choice for devices lacking dedicated GPU acceleration.
- Aşırı Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'ın aksine, YOLO26 çok sayıda görevde birleşik destek sunar. Örnek segmentasyonu için özel bir semantik segmentasyon kaybını, poz tahmini için Residual Log-Likelihood Estimation (RLE) yöntemini ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için gelişmiş açı kaybı mekanizmalarını bünyesinde barındırır.
YOLO26 hakkında daha fazla bilgi edin
Link to this sectionSorunsuz Ekosistem Entegrasyonu#
Ultralytics, karmaşık çerçeve kurulumlarının yarattığı hayal kırıklığını ortadan kaldırır. Birleşik Python API'sini veya sezgisel Ultralytics Platformunu kullanarak modelleri sadece birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilirsin.
from ultralytics import YOLO
# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train on a custom dataset with minimal CUDA memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Effortlessly run inference
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX natively, fully benefiting from the NMS-free architecture
model.export(format="onnx")Ultralytics ekosistemindeki diğer sağlam mimarileri değerlendiren kullanıcılar için YOLO11, eski dağıtımlar için son derece güvenilir bir seçenek olmaya devam ederken, transformer tabanlı RT-DETR dikkat tabanlı çözümler arayanlar için mükemmel yetenekler sağlar.
Link to this sectionÖzet#
YOLOX ve PP-YOLOE+ arasında seçim yapmak genellikle birincil çerçeve kısıtlamalarına dayanır; yani PyTorch tabanlı esnekliği mi yoksa Baidu'nun PaddlePaddle'ı ile derin entegrasyonu mu tercih ettiğinize bağlıdır. Ancak, yapay zeka altyapılarını geleceğe hazırlamak isteyen kuruluşlar için Ultralytics YOLO26 çok daha üstün bir alternatif sağlar. Devrim niteliğindeki NMS'siz tasarımı, hafif bellek ayak izi ve kapsamlı görev çok yönlülüğü ile YOLO26, ekiplerin daha hızlı, daha akıllı ve daha verimli bilgisayarlı görü uygulamalarını benzeri görülmemiş bir kolaylıkla oluşturmasını sağlar.