Başla

YOLOX ve YOLO11

Bilgisayarlı görünün gelişimini, yüksek doğruluğu çıkarım hızıyla dengeleyen gerçek zamanlı nesne tespit çerçevelerini bulma arayışı yönlendirdi. Bu yolculuğun en önemli dönüm noktaları arasında YOLOX ve Ultralytics YOLO11 yer alır. Her iki model de alana önemli katkılarda bulunmuş olsa da temel mimarileri, tasarım yaklaşımları ve geliştirici ekosistemleri birbirinden oldukça farklıdır.

Bu teknik karşılaştırma, bir sonraki yapay zekâ projen için bilinçli bir karar vermene yardımcı olmak üzere modellerin mimarilerini, performans ölçütlerini, eğitim yöntemlerini ve ideal dağıtım senaryolarını inceliyor.

YOLOX'e Genel Bakış#

Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından Megvii bünyesinde 18 Temmuz 2021'de tanıtılan YOLOX, YOLO serisinde önemli bir değişimi temsil etti. Ankorsuz bir tasarım sunarak akademik araştırmayla endüstriyel uygulama arasındaki uçurumu kapatmaya yardımcı oldu.

Daha fazla teknik bilgi için özgün YOLOX arXiv makalesini inceleyebilirsin.

Temel Mimari Özellikler#

YOLOX, ayrıştırılmış bir başlığı ve ankorsuz bir mekanizmayı benimseyerek geleneksel ankor tabanlı tespit yaklaşımından ayrıldı. Bu tasarım, tasarım parametrelerinin sayısını azalttı ve modelin çeşitli kıyaslamalardaki performansını iyileştirdi. Ayrıca eğitim sürecini hızlandırmak ve yakınsamayı iyileştirmek için SimOTA gibi etiket atama stratejileri sundu.

YOLOX, dönemine göre mükemmel doğruluk sunsa da ağırlıklı olarak sınırlayıcı kutu nesne algılamaya odaklanır ve başka karmaşık görü görevleri için kullanıma hazır yerel destek sunmaz.

YOLOX hakkında daha fazla bilgi edin

Çapasız Tasarım

Önceden tanımlanmış ankor kutularını ortadan kaldıran YOLOX, farklı veri kümeleri için gereken sezgisel ayarları önemli ölçüde azalttı ve ankorsuz yöntemlere yönelik araştırmalar için güçlü bir temel oluşturdu.

Ultralytics YOLO11'e Genel Bakış#

Glenn Jocher ve Jing Qiu tarafından Ultralytics bünyesinde 27 Eylül 2024'te yayımlanan YOLO11, çok yönlülük ve kullanım kolaylığına odaklanan, üretime hazır bir modeldir. Yıllar süren YOLO araştırmalarını temel alır ve birçok görevde iyi performans gösterir.

Ultralytics Avantajı#

YOLO11 yalnızca bir nesne algılayıcısı değildir; örnek bölümlemeyi, görüntü sınıflandırmayı, poz tahminini ve yönlendirilmiş sınırlayıcı kutu (OBB) tespitini destekleyen birleşik bir çerçevedir. Verimli mimarisi hız, parametre sayısı ve doğruluk arasında denge kurar.

Ayrıca YOLO11, veri etiketleme, model eğitimi ve dağıtımı için kapsamlı ve akıcı bir ekosistem sağlayan Ultralytics Platform ile tam entegre çalışır.

Performans ve Metrik Karşılaştırması#

Bu modelleri karşılaştırdığımızda performans dengesi netleşiyor. YOLO11, çoğu boyut kategorisinde kendisine karşılık gelen YOLOX modellerine kıyasla daha az parametre ve FLOP ile daha yüksek ortalama Ortalama Hassasiyet (mAP) değerine ulaşıyor.

Modelboyut
(piksel)
mAPval50-95Hız
CPU ONNX
(ms)
Hız
T4 TensorRT10
(ms)
parametre
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Görüldüğü üzere YOLO11 modelleri, daha az parametre kullanırken doğruluk bakımından sürekli olarak YOLOX'ten daha iyi performans gösterir. Örneğin YOLO11m yalnızca 20.1M parametreyle 51.5 mAP değerine ulaşırken YOLOXx benzer bir 51.1 mAP değeri için 99.1M parametre gerektirir. Bu parametre verimliliği, eğitim ve çıkarım sırasındaki bellek kullanımını azaltır ve YOLO11'i uç yapay zekâ cihazlarına dağıtım için uygun kılar; ayrıca RT-DETR gibi eski veya Transformer tabanlı modellerde yaygın olan yüksek CUDA belleği gereksinimlerinden kaçınır.

Verimli Eğitim

Ultralytics modelleri, eğitim sırasında genellikle YOLOX ve Transformer tabanlı mimarilerden daha az GPU belleği gerektirir; böylece araştırmacılar standart tüketici donanımlarında güçlü modeller eğitebilir.

Ekosistem ve Kullanım Kolaylığı#

İki çerçeve arasındaki en büyük farklardan biri geliştirici deneyimidir.

YOLOX ile model eğitmek ve ONNX veya TensorRT gibi biçimlere aktarmak için genellikle depoları klonlamak, karmaşık ortamlar kurmak ve ayrıntılı komut satırı bağımsız değişkenleri çalıştırmak gerekir.

Buna karşılık Ultralytics YOLO11, basit bir Python API'si ve CLI sunar. Ultralytics kütüphanesi veri artırmayı, hiperparametre ayarını ve dışa aktarımı otomatik olarak yönetir.

from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO11 modeli yükle
model = YOLO("yolo11n.pt")

# # Modeli özel verilerle eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eğitilmiş modeli optimize edilmiş dağıtım için TensorRT'ye aktar
model.export(format="engine")

Bu iyi bakımı yapılan ekosistem, kapsamlı belgelerle ve deney takibi için Weights & Biases gibi araçlarla entegrasyonlarla desteklenir.

İdeal Kullanım Alanları#

Bu modeller arasındaki seçim genellikle dağıtım ortamının özelliklerine bağlıdır.

YOLOX ne zaman kullanılmalı#

  • Eski Sistemler: Özellikle özgün YOLOX kod tabanı veya 2021'in başlarındaki nesne algılama yöntemleri temel alınarak oluşturulmuş, çalışır durumdaki bir hattın varsa.
  • Akademik Temel Modeller: 2021 döneminin temel çapasız mimarileriyle doğrudan kıyaslama gerektiren araştırmalar yürütürken.

YOLO11 ne zaman kullanılmalı#

  • Üretim Dağıtımları: Sağlam, bakımı sürdürülen kodun ve yüksek doğruluğun gerekli olduğu akıllı perakende veya güvenlik alarm sistemleri gibi ticari uygulamalar için.
  • Çok Görevli Hatlar: Bir projenin tek ve birleşik bir çerçeve kullanarak nesneleri izlemesi, insan pozlarını tahmin etmesi ve örnekleri segmente etmesi gerektiğinde.
  • Kaynakları Kısıtlı Uç Cihazlar: YOLO11, düşük parametre sayısı ve yüksek verimi sayesinde Raspberry Pi veya CoreML ve NCNN aracılığıyla mobil uç düğümlere dağıtım için uygundur.

İleriye Bakış: YOLO26'nın Avantajı#

YOLO11, YOLOX'e kıyasla önemli bir ilerleme olsa da bilgisayarlı görü alanı hızla gelişiyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 önerilir.

Ocak 2026'da yayımlanan YOLO26, YOLO11'i temel alır ve çeşitli yeni özellikler sunar:

  • Uçtan Uca, NMS İçermeyen Tasarım: YOLO26'nın isteğe bağlı bire bir başlığı (nms=False), daha hızlı ve basit dağıtım işlem hatları için Maksimum Olmayan Bastırma (NMS) son işlemini ortadan kaldırır (bu yaklaşım ilk olarak YOLOv10 modelinde incelenmiştir).
  • CPU'da %43'e Varan Daha Hızlı Çıkarım: Distribution Focal Loss (DFL) kaldırılıp NMS içermeyen çıkarım sunulduğundan YOLO26n CPU'da YOLO11n'den %43'e kadar daha hızlı çalışır; bu da düşük güçlü uç cihazlara fayda sağlar.
  • MuSGD İyileştiricisi: Moonshot AI'ın Kimi K2'si gibi LLM eğitim yeniliklerinden ilham alan MuSGD iyileştiricisi (SGD ile Muon'un hibriti), kararlı eğitim ve hızlı yakınsama sağlar.
  • ProgLoss + STAL: Aşamalı Kayıp ve Küçük Hedefleri Dikkate Alan Etiket Ataması (STAL), drone görüntüleri ve otonom robotik için kritik olan küçük nesne tespitini iyileştirir.

YOLO26, modern bilgisayarlı görü görevlerinin çoğu için hız, doğruluk ve dağıtım kolaylığı arasında en iyi dengeyi sunar.

Katkıda Bulunanlar

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. shah0nawazGitHub

    Is the latency comparison on the same machine? If yes, please if you can give me the reference , I am working on the latency accuracy trade-off research.

    1. Glenn JocherUltralytics

      @shah0nawaz I can’t confirm that the listed latencies were measured on the same machine, so I wouldn’t treat them as a controlled comparison for your research. The YOLO11 performance table specifies T4/TensorRT10, while the official YOLOX benchmarks report V100 timings and do not establish the provenance of the YOLOX latencies shown here. For a defensible latency–accuracy trade-off, benchmark both on the same GPU with matched input size, batch size, precision, runtime version, and timing boundaries, explicitly stating whether preprocessing and NMS are included.