YOLOX ve PP-YOLOE+#

Sağlam bir bilgisayarlı görü işlem hattı tasarlarken uygun nesne algılama modelini seçmek kritik bir karardır. Gerçek zamanlı nesne algılayıcıları alanı son derece rekabetçidir ve çok sayıda mimari, çıkarım hızı ile algılama doğruluğu arasında ideal dengeyi sunmaya çalışır. Bu teknik karşılaştırmada iki öne çıkan modeli, YOLOX ve PP-YOLOE+'ı değerlendireceğiz. Mimari tasarımlarını, eğitim yöntemlerini ve performans ölçümlerini inceleyerek geliştiricilere ve araştırmacılara dağıtım ortamları için doğru aracı seçmelerine yardımcı olacak içgörüler sunmayı amaçlıyoruz.

Mimari Yenilikler ve Tasarım#

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

YOLOX: Araştırma ile Endüstri Arasında Köprü Kuruyor#

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

YOLOX, sınıflandırma ve regresyon görevlerini ayıran ayrıştırılmış bir başlık kullanır; bu da eğitim sırasında yakınsama hızını önemli ölçüde artırır. Ayrıca pozitif örnekleri dinamik olarak atamak için SimOTA gibi gelişmiş etiket atama stratejilerini kullanıma sundu. Bu özellik, modeli özellikle işlem kaynaklarının ciddi ölçüde kısıtlı olduğu uç yapay zekâ ortamlarında son derece verimli kılar.

YOLOX hakkında daha fazla bilgi edin

PP-YOLOE+: Yüksek Performanslı Endüstriyel Algılama#

Baidu'daki PaddlePaddle geliştiricileri tarafından 2 Nisan 2022'de tanıtılan PP-YOLOE+, PP-YOLO serisinin yüksek düzeyde optimize edilmiş bir evrimini temsil eder. Arxiv yayınlarında ayrıntılı olarak açıklanan PP-YOLOE+, Baidu ekosistemine derinlemesine entegre edilmiştir ve PaddlePaddle çerçevesini gerektirir. Model yapılandırmalarını PaddleDetection GitHub deposunda bulabilirsin.

PP-YOLOE+, güçlü bir CSPRepResNet omurgasına dayanır ve Task Alignment Learning (TAL) ile birlikte Efficient Task-aligned head (ET-head) kullanır. Bu mimari, COCO veri kümesinde olağanüstü ortalama Kesinlik (mAP) elde eder; bu da onu doğruluğun minimum bağımlılıklara göre önceliklendirildiği endüstriyel kusur algılama ve yoğun sunucu tarafı işleme için güçlü bir seçenek hâline getirir.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Performans Karşılaştırmaları#

Dağıtım için bu modellerin farklı ölçeklerde nasıl performans gösterdiğini anlamak önemlidir. Aşağıdaki tabloda TensorRT ile dışa aktarıldıklarında mAP ve çıkarım hızları da dahil olmak üzere temel ölçümler özetlenmektedir.

Kullanım Alanları ve Öneriler#

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

YOLOX Ne Zaman Seçilmeli?#

YOLOX şu durumlar için güçlü bir seçenektir:

• Çapasız Algılama Araştırması: Yeni algılama başlıklarını veya kayıp işlevlerini denemek için YOLOX'in temiz, çapasız mimarisini temel alan akademik araştırmalar.
• Ultra Hafif Uç Cihazlar: YOLOX-Nano varyantının son derece küçük ayak izinin (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 etkisini inceleyen araştırma projeleri.

PP-YOLOE+ Ne Zaman Seçilmeli#

PP-YOLOE+ şu durumlarda önerilir:

• PaddlePaddle Ekosistemi Entegrasyonu: Mevcut altyapısı Baidu'nun PaddlePaddle çerçevesi ve araçları üzerine kurulmuş kuruluşlar.
• Paddle Lite Uç Dağıtımı: Özellikle Paddle Lite veya Paddle çıkarım motoru için yüksek düzeyde optimize edilmiş çıkarım çekirdeklerine sahip donanımlara dağıtım.
• Yüksek Doğruluklu Sunucu Tarafı Algılama: Çerçeve bağımlılığının sorun olmadığı güçlü GPU sunucularında en yüksek algılama doğruluğuna öncelik veren senaryolar.

Ultralytics (YOLO26) Ne Zaman Seçilmeli?#

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

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

Ultralytics Avantajı: YOLO26 ile Tanışın#

Hem YOLOX hem de PP-YOLOE+ kendine özgü avantajlar sunsa da yapay zekânın hızlı gelişimi, en son teknoloji doğruluğunu benzersiz kullanım kolaylığıyla birleştiren araçlar gerektirir. İşte bu noktada Ultralytics modelleri, özellikle yakın zamanda yayımlanan Ultralytics YOLO26, eski araştırma depolarını geride bırakır.

Ocak 2026'da yayımlanan YOLO26, modern nesne algılama ve ötesi için yeni bir standart belirler ve rakip çerçevelerin kolayca eşleşemediği bir geliştirici deneyimi sunar.

Geliştiriciler YOLO26'yı neden seçiyor?#

1. Uçtan Uca NMS'siz Tasarım: YOLOv10 ile öncülüğü yapılan kavramlar üzerine inşa edilen YOLO26, yerel olarak uçtan uca çalışır. Maksimum olmayan bastırma (NMS) son işleme adımını tamamen kaldırarak son derece tutarlı gecikme sağlar ve uç ortamlar için dışa aktarma işlem hatlarını büyük ölçüde basitleştirir.
2. Yeni Nesil Optimizasyon: SGD ile Muon'un birleşimi olan MuSGD Optimizer, Moonshot AI'ın Kimi K2'si gibi LLM yöntemlerinden esinlenerek eğitim kararlılığını dönüştürür. Bu, daha hızlı yakınsamayı garanti eder. Ayrıca YOLO26, küçük nesne tanıma performansını büyük ölçüde artırmak için ProgLoss + STAL kullanır; bu, hava görüntüleri ve robotik uygulamaları için kritik bir özelliktir.
3. Eşsiz Donanım Verimliliği: Dağılımsal Odak Kayıp (DFL) kaldırılarak YOLO26 bellek gereksinimlerini büyük ölçüde azaltır. Özel GPU hızlandırmasından yoksun cihazlar için onu kesin tercih hâline getiren %43'e varan daha hızlı CPU çıkarımı sunar.
4. Üstün Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'ın aksine YOLO26, çok sayıda görev için birleşik destek sunar. Örnek bölütleme için özel bir anlamsal bölütleme kaybı, doğru poz tahmini için Artık Log-Olasılık Tahmini (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için gelişmiş açı kaybı mekanizmaları içerir.

Sorunsuz Ekosistem Entegrasyonu#

Ultralytics, karmaşık çerçeve kurulumlarının yarattığı zorlukları ortadan kaldırır. Birleşik Python API'sini veya sezgisel Ultralytics Platformu kullanarak modelleri yalnızca 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 arayanlara mükemmel yetenekler sunar.

Özet#

YOLOX ile PP-YOLOE+ arasındaki seçim çoğu zaman temel çerçeve kısıtlamalarına bağlıdır: PyTorch tabanlı esnekliği mi yoksa Baidu'nun PaddlePaddle ile derin entegrasyonunu mu tercih ediyorsun? Ancak yapay zekâ altyapılarını geleceğe hazırlamak isteyen kuruluşlar için Ultralytics YOLO26 çok daha üstün bir alternatif sunar. Devrim niteliğindeki NMS'siz tasarımı, düşük bellek kullanımı ve kapsamlı görev çok yönlülüğüyle YOLO26, ekiplerin benzeri görülmemiş bir kolaylıkla daha hızlı, daha akıllı ve daha verimli bilgisayarlı görü uygulamaları geliştirmesini sağlar.