YOLOX ve PP-YOLOE+
Sağlam bir bilgisayarlı görü işlem hattı tasarlarken uygun nesne algılama modelini seçmek kritik bir karardır. Gerçek zamanlı nesne algılayıcıları alanında rekabet yoğundur ve çok sayıda mimari, çıkarım hızı ile algılama doğruluğu arasında en iyi dengeyi kurmayı hedefler. Bu teknik karşılaştırma, önde gelen iki model olan YOLOX ve PP-YOLOE+'ın mimari tasarımlarını, eğitim yöntemlerini ve performans ölçütlerini değerlendirerek geliştiricilerin ve araştırmacıların dağıtım ortamlarına uygun aracı seçmesine yardımcı olur.
Mimari Yenilikler ve Tasarım#
Her iki model de önceki YOLO sürümlerindeki belirli sorunları çözmek için tasarlandı; ancak hız-doğruluk ödünleşimine farklı yaklaşımlar getiriyorlar.
YOLOX: Araştırma ile Sektör Arasında Köprü Kuruyor#
Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii'de geliştirilen YOLOX, 18 Temmuz 2021'de yayımlandı. Çapasız tasarımı bütünüyle benimseyerek YOLO ailesinde önemli bir değişime imza attı. Temel araştırmayı resmî arXiv makalelerinde, özgün kaynak kodunu ise YOLOX GitHub deposunda inceleyebilirsin.
YOLOX, sınıflandırma ve regresyon görevlerini birbirinden ayıran ayrık bir başlık kullanır; bu, eğitim sırasında yakınsama hızını önemli ölçüde artırır. Ayrıca pozitif örnekleri dinamik olarak atamak için SimOTA gibi gelişmiş etiket atama stratejileri sunmuştur. Bu sayede model verimli çalışır ve en küçük sürümleri, işlem kaynaklarının ciddi ölçüde kısıtlı olduğu uç yapay zekâ ortamları için uygundur.
YOLOX hakkında daha fazla bilgi edin
PP-YOLOE+: Yüksek Performanslı Endüstriyel Algılama#
PaddlePaddle Yazarları tarafından Baidu'da geliştirilen PP-YOLOE+, 2 Nisan 2022'de tanıtıldı ve PP-YOLO serisinin optimize edilmiş bir devamı oldu. arXiv yayınlarında ayrıntıları verilen PP-YOLOE+, Baidu ekosistemine derinlemesine entegre edilmiştir ve PaddlePaddle çerçevesini gerektirir. Model yapılandırmalarını PaddleDetection GitHub deposunda bulabilirsin.
PP-YOLOE+, CSPRepResNet omurgasına dayanır ve Task Alignment Learning (TAL) ile birlikte Efficient Task-aligned head (ET-head) kullanır. Bu mimari, COCO veri kümesinde yüksek ortalama Ortalama Hassasiyet (mAP) elde eder; bu da onu doğruluğun asgari bağımlılıklardan daha öncelikli olduğu endüstriyel kusur algılama ve yoğun sunucu tarafı işlemleri için sağlam 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.
| Model | boyut (piksel) | mAPval50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametre (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+, karşılaştırılabilir her boyutta YOLOX'ten daha doğrudur ve s boyutundan itibaren daha az FLOP kullanır; genel olarak en yüksek doğruluğa PP-YOLOE+x ulaşır. Ancak YOLOX, düşük güçlü mikrodenetleyiciler ve eski mobil donanımlar için çok uygun Nano ve Tiny gibi son derece hafif sürümler sunar.
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:
- Uçta NMS'siz Dağıtım: Maksimum Olmayanların Bastırılması (NMS) son işleminin karmaşıklığı olmadan tutarlı ve düşük gecikmeli çıkarım gerektiren uygulamalar.
- Yalnızca CPU Kullanılan Ortamlar: Özel GPU hızlandırması olmayan cihazlarda YOLO26'nın (YOLO26n ile YOLO11n karşılaştırıldığında) %43'e varan daha hızlı CPU çıkarımı belirleyici bir avantaj sağlar.
- Küçük Nesne Algılama: Havadan drone görüntüleri veya IoT sensör analizi gibi zorlu senaryolarda ProgLoss ve STAL, çok küçük nesnelerin doğruluğunu artırır.
Ultralytics'in Avantajı: YOLO26 ile Tanış#
YOLOX ve PP-YOLOE+ farklı avantajlar sunsa da yapay zekânın hızla gelişmesi, yüksek doğruluğu kullanım kolaylığıyla birleştiren araçları gerekli kılıyor. Eski araştırma depolarından ayrılan Ultralytics modelleri, özellikle Ultralytics YOLO26, bu noktada öne çıkıyor.
Ocak 2026'da yayımlanan YOLO26, akıcı bir geliştirici deneyimiyle modern nesne algılama ve diğer görsel görevler için yeni bir standart belirliyor.
Geliştiriciler Neden YOLO26'yı Seçiyor?#
- Uçtan Uca NMS'siz Tasarım: YOLOv10'un YOLO modellerine kazandırdığı NMS'siz eğitim yaklaşımını temel alan YOLO26, yerel uçtan uca çıkarımı destekler. İsteğe bağlı bire bir başlığı (
nms=False) ile NMS son işlemesini atlayarak tutarlı gecikme süreleri sağlar ve uç ortamlar için dışa aktarma işlem hatlarını basitleştirir. - Eğitim Optimizasyonu: LLM yöntemlerinden, örneğin Moonshot AI'ın Kimi K2'sinden ilham alan SGD ve Muon melezi MuSGD Optimizer, eğitim kararlılığını ve yakınsama hızını artırır. YOLO26 ayrıca küçük nesne algılamayı iyileştirmek için ProgLoss + STAL (Aşamalı Kayıp ve Küçük Nesne Farkındalıklı Etiket Ataması) kullanır; bu, hava görüntüleri ve robotik uygulamaları için kritik bir özelliktir.
- Donanım Verimliliği: Distribution Focal Loss (DFL) kaldırılarak YOLO26 algılama başlığını ve dışa aktarım grafiğini basitleştirir. YOLO26n, özel GPU hızlandırması olmayan cihazlar için güçlü bir seçenek oluşturarak YOLO11n'den %43'e kadar daha hızlı CPU çıkarımı sağlar.
- Çok Yönlülük: Yalnızca algılamaya odaklanan PP-YOLOE+'ın aksine YOLO26, çok sayıda görev için birleşik destek sunar. Örnek segmentasyonu için özel bir anlamsal segmentasyon kaybı, doğru poz tahmini için Residual Log-Likelihood Estimation (RLE) ve Yönlendirilmiş Sınırlayıcı Kutular (OBB) için özel bir açı kaybı içerir.
Ekosistem Entegrasyonu#
Ultralytics, karmaşık çerçeve kurulumlarına gerek bırakmaz. Birleşik Python API'sini veya sezgisel Ultralytics Platform arayüzünü kullanarak modelleri yalnızca birkaç satır kodla eğitebilir, doğrulayabilir ve dışa aktarabilirsin.
from ultralytics import YOLO
# 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 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 sağlam mimarileri değerlendiren kullanıcılar için YOLO11, mevcut dağıtımlarda güvenilir bir seçenek olmaya devam ederken Transformer tabanlı RT-DETR, dikkat mekanizmalarına dayalı çözümler arayanlara güçlü olanaklar sunar.
Özet#
YOLOX ile PP-YOLOE+ arasında seçim yapmak çoğu zaman temel çerçeve kısıtlarına bağlıdır: PyTorch tabanlı esnekliği mi, yoksa Baidu'nun PaddlePaddle'ıyla derin entegrasyonu mu tercih ediyorsun? Ancak yeni yapay zekâ altyapısı planlayan kuruluşlar için önerilen alternatif Ultralytics YOLO26'dır. İsteğe bağlı NMS'siz çıkarım, düşük bellek kullanımı ve geniş görev desteğiyle YOLO26, ekiplerin hızlı ve verimli bilgisayarlı görü uygulamaları geliştirmesine yardımcı olur.
Yorumlar6
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
UltralyticsAssistantUltralytics
👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!
For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.
If you have specific questions or need further assistance, please provide more details about your use case. For example:
- What type of dataset are you working with?
- Are there specific metrics or constraints you are prioritizing?
Join the Ultralytics community for more discussions and insights:
- Real-time chat? Join us on Discord 🎧.
- Prefer forum-style discussions? Check out Discourse.
- Or head over to our Subreddit to connect with other users.
Additionally, ensure you're using the latest version of the
ultralyticspackage for optimal performance and features. Upgrade with the following command:pip install -U ultralyticsThis is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊
Glenn JocherUltralytics(düzenlendi)@UltralyticsAssistant Thanks for the automated response.
@Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.
For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.
Amine-Torki
"YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...
-1
Glenn JocherUltralytics(düzenlendi)@Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.
Amine-Torki(düzenlendi)
Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.
Glenn JocherUltralytics(düzenlendi)