YOLOX ve YOLO11#
Bilgisayarlı görü evrimi, yüksek doğruluk ile çıkarım hızını dengeleyen gerçek zamanlı nesne tespiti framework'lerinin arayışıyla büyük ölçüde yönlendirilmiştir. Bu yolculuktaki en dikkat çekici kilometre taşları arasında YOLOX ve Ultralytics YOLO11 bulunmaktadır. Her iki model de alana önemli katkılarda bulunmuş olsa da, temel mimarileri, tasarım felsefeleri ve geliştirici ekosistemleri büyük ölçüde farklılık göstermektedir.
Bu kapsamlı teknik karşılaştırma, bir sonraki yapay zeka projeniz için bilinçli bir karar vermenize yardımcı olmak adına mimarilerini, performans metriklerini, eğitim metodolojilerini ve ideal dağıtım senaryolarını inceler.
YOLOX Genel Bakış#
18 Temmuz 2021'de Megvii şirketinden araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından tanıtılan YOLOX, YOLO serisinde önemli bir değişimi temsil etmiştir. Çapalama (anchor-free) tasarımı sunarak akademik araştırma ile endüstriyel uygulama arasındaki boşluğu başarıyla kapatmıştır.
Daha fazla teknik arka plan için orijinal YOLOX Arxiv paper makalesini inceleyebilirsin.
Temel Mimari Özellikler#
YOLOX, ayrıştırılmış bir başlık (decoupled head) ve çapa içermeyen bir mekanizma benimseyerek geleneksel çapa tabanlı (anchor-based) algılamadan uzaklaştı. Bu tasarım, tasarım parametrelerinin sayısını azalttı ve modelin çeşitli kıyaslama testlerindeki performansını iyileştirdi. Ayrıca, eğitim sürecini hızlandırmak ve yakınsamayı iyileştirmek için SimOTA gibi gelişmiş etiket atama stratejileri getirdi.
YOLOX kendi dönemine göre mükemmel doğruluk sunsa da, öncelikli olarak sınırlayıcı kutu (bounding box) nesne algılamaya odaklanır ve diğer karmaşık görü görevleri için kutudan çıkar çıkmaz yerel bir desteğe sahip değildir.
YOLOX hakkında daha fazla bilgi edin
Önceden tanımlanmış çapa kutularını ortadan kaldırarak YOLOX, farklı veri kümeleri için gereken sezgisel ayarlamaları önemli ölçüde azalttı ve çapa içermeyen metodolojiler üzerine yapılan araştırmalar için güçlü bir temel oluşturdu.
Ultralytics YOLO11 Genel Bakış#
Ultralytics bünyesinde Glenn Jocher ve Jing Qiu tarafından 27 Eylül 2024'te yayınlanan YOLO11, bilgisayarlı görüde çok yönlülüğü ve kullanım kolaylığını yeniden tanımlayan son teknoloji ürünü bir modeldir. Yıllar süren temel araştırmalar üzerine inşa edilmiş olup, çok sayıda görevde üstün performans gösteren, üretime hazır, son derece gelişmiş bir çözüm sunar.
Ultralytics Avantajı#
YOLO11 yalnızca bir nesne dedektörü değildir; instance segmentation, image classification, pose estimation ve oriented bounding box (OBB) tespiti işlemlerini destekleyen birleşik bir framework'tür. Hız, parametre sayısı ve doğruluk arasında kusursuz bir dengeyi önceleyen son derece verimli bir mimariye sahiptir.
Ayrıca YOLO11, veri etiketleme, model eğitimi ve dağıtımı için kolaylaştırılmış bir ekosistem sunan Ultralytics Platform ile tamamen entikedir.
YOLO11 hakkında daha fazla bilgi edinin
Performans ve Metrik Karşılaştırması#
Bu modeller karşılaştırıldığında, performans dengesi netleşir. YOLO11, çoğu boyut kategorisinde YOLOX muadillerine kıyasla önemli ölçüde daha az parametre ve FLOP ile daha yüksek ortalama Hassasiyet (mAP) elde eder.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Gösterildiği gibi, YOLO11 modelleri daha yalın bir parametre ayak izini korurken doğruluk açısından tutarlı bir şekilde YOLOX'u geride bırakmaktadır. Örneğin YOLO11m yalnızca 20.1M parameters ile 51.5 mAP elde ederken, YOLOXx benzer bir 51.1 mAP elde etmekte ancak devasa bir 99.1M parameters gerektirmektedir. Eğitim ve çıkarım sırasındaki bu bellek verimliliği, RT-DETR gibi daha eski veya Transformer tabanlı modellerin tipik olarak gerektirdiği yüksek CUDA bellek gereksinimlerinden kaçınarak YOLO11'i uç yapay zeka (edge AI) cihazlarında dağıtım için son derece uygun hale getirir.
Ultralytics modelleri, YOLOX ve transformer tabanlı mimarilere kıyasla eğitim sırasında önemli ölçüde daha az GPU belleği gerektirir, bu da araştırmacıların standart tüketici donanımlarında güçlü modeller eğitmelerine olanak tanır.
Ekosistem ve Kullanım Kolaylığı#
İki çerçeve arasındaki en çarpıcı farklardan biri geliştirici deneyimidir.
YOLOX genellikle depoları klonlamayı, karmaşık ortamlar kurmayı ve modelleri ONNX veya TensorRT gibi formatlara eğitip dışarı aktarmak için ayrıntılı komut satırı argümanları çalıştırmayı gerektirir.
Buna karşın, Ultralytics YOLO11 inanılmaz derecede basit bir Python API ve CLI sunar. Ultralytics kütüphanesi data augmentation, hyperparameter tuning ve dışarı aktarma işlemlerini otomatik olarak yönetir.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")Bu iyi bakımlı ekosistem, kapsamlı dokümantasyon ve deney takibi için Weights & Biases gibi araçlarla sorunsuz entegrasyon ile desteklenmektedir.
İdeal Kullanım Senaryoları#
Bu modeller arasında seçim yapmak genellikle dağıtım ortamının özelliklerine bağlıdır.
Ne zaman YOLOX kullanılır?#
- Eski Sistemler: MegEngine çerçevesi veya 2021 başlarındaki nesne algılama paradigmaları etrafında açıkça oluşturulmuş yerleşik bir hattın varsa.
- Akademik Temeller: 2021 döneminden kalma temel çapa içermeyen mimarilere karşı doğrudan kıyaslama gerektiren araştırmalar yürütürken.
Ne zaman YOLO11 kullanılır?#
- Üretim Dağıtımları: Sağlam, bakımı yapılan kodun ve yüksek doğruluğun tartışılamaz olduğu smart retail veya security alarm systems içindeki ticari uygulamalar için.
- Çok Görevli Hatlar: Bir proje, tek ve birleşik bir çerçeve kullanarak nesneleri takip etmeyi, insan pozlarını tahmin etmeyi ve örnekleri segmentlere ayırmayı gerektirdiğinde.
- Kaynak Kısıtlı Edge Cihazları: Düşük parametre sayısı ve yüksek iş hacmi nedeniyle YOLO11; Raspberry Pi üzerinde veya CoreML ve NCNN aracılığıyla mobil edge düğümlerinde dağıtım için idealdir.
İleriye Bakış: YOLO26 Avantajı#
YOLO11, YOLOX'a kıyasla devasa bir sıçramayı temsil ederken, bilgisayarlı görü alanı hızla ilerlemektedir. Bugün yeni projelere başlayan geliştiriciler için kesin tavsiye Ultralytics YOLO26 modelidir.
Ocak 2026'da yayınlanan YOLO26, YOLO11'in mimari parlaklığını alır ve birkaç çığır açan özellik sunar:
- Uçtan Uca NMS İçermeyen Tasarım: YOLO26, Maksimum Bastırma Olmayan (NMS) son işlem adımını ortadan kaldırarak daha hızlı ve daha basit dağıtım boru hatları için çıkarımı yerel olarak akışa alır (bu kavram ilk olarak YOLOv10 içinde incelenmiştir).
- %43'e Kadar Daha Hızlı CPU Çıkarımı: Distribution Focal Loss (DFL) kaldırılması sayesinde YOLO26, CPU'larda ve düşük güç tüketen uç cihazlarda çok daha verimlidir.
- MuSGD Optimizer: Moonshot AI'ın LLM eğitim yeniliklerinden esinlenen MuSGD optimizer, son derece kararlı eğitim süreçleri ve hızlı yakınsama sağlar.
- Gelişmiş Kayıp Fonksiyonları: ProgLoss + STAL kullanan YOLO26, drone imagery ve otonom robotik için kritik olan küçük nesne tanımada dikkat çekici gelişmeler elde eder.
Modern bilgisayarlı görü görevlerinin büyük çoğunluğu için, boru hattını YOLO26 kullanacak şekilde güncellemek hız, doğruluk ve dağıtım basitliğinin kesinlikle en iyi dengesini sağlayacaktır.