YOLOX ve PP-YOLOE+ karşılaştırması#

Sağlam bir computer vision boru hattı tasarlarken, uygun nesne tespiti modelini seçmek kritik bir karardır. Gerçek zamanlı nesne dedektörlerinin manzarası, çıkarım hızı ile tespit doğruluğu arasında nihai dengeyi sunmaya çalışan sayısız mimariyle oldukça rekabetçidir. Bu teknik karşılaştırmada, iki önemli modeli değerlendireceğiz: YOLOX ve PP-YOLOE+. Mimari tasarımlarını, eğitim metodolojilerini ve performans metriklerini inceleyerek, geliştiricilere ve araştırmacılara dağıtım ortamları için doğru aracını seçmekte ihtiyaç duydukları içgörüleri sağlamayı amaçlıyoruz.

Mimari 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.

YOLOX: Araştırma ve Endüstriyi Birleştirmek#

Megvii şirketinden Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından geliştirilen YOLOX, 18 Temmuz 2021'de piyasaya sürüldü. Çapa içermeyen (anchor-free) tasarımı tamamen benimseyerek YOLO ailesinde önemli bir değişime işaret etti. Temel araştırmayı resmi Arxiv paper belgesinde ve orijinal kaynak kodunu YOLOX GitHub repository deposunda inceleyebilirsin.

YOLOX, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık (decoupled head) entegre ederek eğitim sırasında yakınsama hızını önemli ölçüde artırır. Ek olarak, pozitif örnekleri dinamik olarak atamak için SimOTA gibi gelişmiş etiket atama stratejileri tanıttı. Bu, özellikle hesaplama kaynaklarının kesin bir şekilde sınırlı olduğu edge AI ortamlarında modeli oldukça verimli kılar.

YOLOX hakkında daha fazla bilgi edin

PP-YOLOE+: Yüksek Performanslı Endüstriyel Algılama#

Baidu bünyesindeki PaddlePaddle Yazarları tarafından 2 Nisan 2022'de tanıtılan PP-YOLOE+, PP-YOLO serisinin son derece optimize edilmiş bir evrimini temsil eder. Arxiv publication yayınlarında detaylandırıldığı üzere, PP-YOLOE+ Baidu ekosistemine derinlemesine entegre edilmiştir ve PaddlePaddle çerçevesini gerektirir. Modelin yapılandırmaları PaddleDetection GitHub repository deposunda bulunabilir.

PP-YOLOE+ güçlü bir CSPRepResNet omurgasına güvenir ve Görev Hizalama Öğrenimi (TAL) ile birlikte Verimli Görev Hizalanmış kafa (ET-head) kullanır. Bu mimari, COCO veri kümesi üzerinde olağanüstü bir ortalama Ortalama Kesinlik (mAP) elde ederek burayı doğruluk oranının minimum bağımlılıkların önüne konulduğu endüstriyel kusur tespiti ve ağır sunucu tarafı işleme için zorlu bir seçenek haline getirir.

PP-YOLOE+ hakkında daha fazla bilgi edin

Performans Karşılaştırmaları#

Bu modellerin farklı ölçeklerde nasıl performans gösterdiğini anlamak dağıtım için çok önemlidir. Aşağıdaki tablo, TensorRT formatına aktarıldığında mAP ve çıkarım hızları dahil olmak üzere temel metrikleri özetlemektedir.

Kullanım Durumları ve Öneriler#

YOLOX ve PP-YOLOE+ arasında seçim yapmak, özel proje gereksinimlerine, dağıtım kısıtlamalarına ve ekosistem tercihlerine bağlıdır.

Ne 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.

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şunlar için önerilir:

• PaddlePaddle Ekosistem Entegrasyonu: Altyapısı Baidu's PaddlePaddle çerçevesi ve araçları üzerine kurulmuş olan kuruluşlar.
• 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.

Ultralytics (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 Tespiti: ProgLoss ve STAL'ın çok küçük nesneler üzerindeki doğruluğu önemli ölçüde artırdığı havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolar.

Ultralytics Avantajı: YOLO26 ile Tanışın#

Hem YOLOX hem de PP-YOLOE+ belirgin avantajlar sunarken, yapay zekanın hızlı evrimi en son doğruluğu benzersiz kullanım kolaylığı ile birleştiren araçlar talep etmektedir. İşte Ultralytics modelleri, özellikle yakın zamanda yayınlanan Ultralytics YOLO26, eski araştırma depolarını geride bırakmaktadır.

Ocak 2026'da yayınlanan YOLO26, modern object detection ve ötesi için yeni bir standart belirleyerek rakip çerçeveler tarafından eşi benzeri görülmemiş bir geliştirici deneyimi sunar.

Geliştiriciler Neden YOLO26'yı Seçiyor#

1. Uçtan Uca NMS İçermeyen Tasarım: YOLOv10 öncülük edilen konseptler üzerine inşa edilen YOLO26, yerel olarak uçtan ucadır. Non-Maximum Suppression (NMS) son işlemini tamamen kaldırarak, son derece tutarlı gecikme süreleri sağlar ve edge ortamları için dışa aktarma boru hatlarını büyük ölçüde basitleştirir.
2. Yeni Nesil Optimizasyon: Eğitim kararlılığı, SGD ve Muon'un bir hibriti olan (Moonshot AI'nın Kimi K2'si gibi LLM metodolojilerinden esinlenen) MuSGD Optimizer tarafından devrim yaratır. Bu, daha hızlı yakınsama garanti eder. Dahası, YOLO26 küçük nesne tanımayı büyük ölçüde iyileştirmek için ProgLoss + STAL kullanır; bu, aerial imagery ve robotik içeren uygulamalar için çok önemli bir özelliktir.
3. Benzersiz Donanım Verimliliği: Distribution Focal Loss (DFL) kaldırılarak, YOLO26 bellek gereksinimlerini büyük ölçüde düşürür. %43'e varan daha hızlı CPU çıkarımı sunarak, özel GPU hızlandırmasından yoksun cihazlar için kesin seçim haline gelir.
4. Aşırı Çok Yönlülük: Kesinlikle tespite odaklanan PP-YOLOE+'ın aksine, YOLO26 çok sayıda görevde birleşik destek sunar. instance segmentation için özel bir anlamsal segmentasyon kaybı, doğru pose estimation için Residual Log-Likelihood Estimation (RLE) ve Oriented Bounding Boxes (OBB) için gelişmiş açı kaybı mekanizmaları içerir.

YOLO26 hakkında daha fazla bilgi edin

Sorunsuz Ekosistem Entegrasyonu#

Ultralytics, karmaşık çerçeve kurulumlarının frustrasyonunu ortadan kaldırır. Birleşik Python API'sini veya sezgisel Ultralytics Platform kullanarak, sadece birkaç satır kodla modelleri 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 sunar.

Özet#

YOLOX ve PP-YOLOE+ arasında seçim yapmak genellikle birincil çerçeve kısıtlamalarına dayanır; ister PyTorch tabanlı esnekliği ister Baidu'nun PaddlePaddle'ı ile derin entegrasyonu tercih et. Bununla birlikte, yapay zeka altyapılarını geleceğe hazırlamak isteyen kuruluşlar için Ultralytics YOLO26 çok daha üstün bir alternatif sunar. Devrim niteliğindeki NMS'siz tasarımı, hafif bellek ayak izi ve kapsamlı görev çok yönlülüğü ile YOLO26, ekiplerin benzeri görülmemiş bir kolaylıkla daha hızlı, daha akıllı ve daha verimli bilgisayarlı görü uygulamaları oluşturmasını sağlar.