Link to this sectionYOLOX ve YOLO11#
Bilgisayarlı görüdeki evrim, büyük ölçüde yüksek doğruluk ile çıkarım hızını dengeleyen gerçek zamanlı nesne algılama çerçeveleri arayışıyla şekillenmiştir. Bu yolculuktaki en dikkate değer kilometre taşları arasında YOLOX ve Ultralytics YOLO11 yer alır. Her iki model de alana önemli katkılarda bulunmuş olsa da, temel mimarileri, tasarım felsefeleri ve geliştirici ekosistemleri birbirinden oldukça farklıdır.
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.
Link to this sectionYOLOX Genel Bakış#
18 Temmuz 2021'de Megvii'deki araştırmacılar Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından tanıtılan YOLOX, YOLO serisinde önemli bir değişimi temsil ediyordu. Çapa içermeyen (anchor-free) bir tasarım sunarak akademik araştırmalar ile endüstriyel uygulamalar arasındaki boşluğu başarıyla doldurdu.
Daha fazla teknik arka plan için orijinal YOLOX Arxiv makalesini inceleyebilirsin.
Link to this sectionTemel 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.
Link to this sectionUltralytics YOLO11 Genel Bakış#
27 Eylül 2024'te Ultralytics'te Glenn Jocher ve Jing Qiu tarafından yayınlanan YOLO11, bilgisayarlı görüde çok yönlülüğü ve kullanım kolaylığını yeniden tanımlayan son teknoloji bir modeldir. Yıllara dayanan temel araştırmalar üzerine inşa edilmiş olup, birçok görevde üstün performans gösteren, üretime hazır, oldukça rafine bir çözüm sunar.
Link to this sectionUltralytics Avantajı#
YOLO11 sadece bir nesne dedektörü değildir; örnek segmentasyonu, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu (OBB) algılamayı destekleyen birleşik bir çerçevedir. Hız, parametre sayısı ve doğruluk arasında sorunsuz bir dengeyi önceliklendiren oldukça verimli bir mimariye sahiptir.
Dahası YOLO11, veri etiketleme, model eğitimi ve dağıtım için modern bir ekosistem sağlayan Ultralytics Platform ile tam entegredir.
YOLO11 hakkında daha fazla bilgi edinin
Link to this sectionPerformans 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 YOLOX'tan tutarlı bir şekilde daha iyi performans gösterir. Örneğin, YOLO11m sadece 20.1M parametre ile 51.5 mAP elde ederken, YOLOXx benzer bir 51.1 mAP elde eder ancak 99.1M parametre gibi devasa bir miktar gerektirir. Eğitim ve çıkarım sırasındaki bu bellek verimliliği, YOLO11'i RT-DETR gibi eski veya transformer tabanlı modellerin tipik ağır CUDA bellek gereksinimlerinden kaçınarak uç yapay zeka cihazlarında dağıtım için oldukça 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.
Link to this sectionEkosistem ve Kullanım Kolaylığı#
İki çerçeve arasındaki en çarpıcı farklardan biri geliştirici deneyimidir.
YOLOX genellikle depoları kopyalamayı, karmaşık ortamlar kurmayı ve modelleri ONNX veya TensorRT gibi biçimlere eğitip dışa aktarmak için ayrıntılı komut satırı bağımsız değişkenleri çalıştırmayı gerektirir.
Bunun aksine, Ultralytics YOLO11 inanılmaz derecede basit bir Python API ve CLI sunar. Ultralytics kütüphanesi veri artırmayı, hiperparametre ayarlamayı ve dışa aktarmayı 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")This well-maintained ecosystem is backed by extensive documentation and seamless integration with tools like Weights & Biases for experiment tracking.
Link to this sectionİdeal Kullanım Senaryoları#
Bu modeller arasında seçim yapmak genellikle dağıtım ortamının özelliklerine bağlıdır.
Link to this sectionNe 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.
Link to this sectionNe zaman YOLO11 kullanılır?#
- Üretim Dağıtımları: Sağlam, bakımlı kodun ve yüksek doğruluğun vazgeçilmez olduğu akıllı perakende veya güvenlik alarm sistemleri gibi 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 Uç Cihazlar: Düşük parametre sayısı ve yüksek iş hacmi nedeniyle YOLO11, Raspberry Pi üzerinde veya CoreML ve NCNN aracılığıyla mobil uç düğümlerinde dağıtım için idealdir.
Link to this sectionİleriye Bakış: YOLO26 Avantajı#
YOLO11, YOLOX'a göre devasa bir sıçramayı temsil etse de, bilgisayarlı görü alanı hızla ilerliyor. Bugün yeni projelere başlayan geliştiriciler için Ultralytics YOLO26 kesin tavsiyedir.
Ocak 2026'da yayınlanan YOLO26, YOLO11'in mimari parlaklığını alır ve birkaç çığır açan özellik sunar:
- Uçtan Uca NMS'siz Tasarım: YOLO26, Non-Maximum Suppression (NMS) işlem sonrası adımlarını ortadan kaldırır ve daha hızlı, daha basit dağıtım hatları için yerel olarak çıkarım akışı sağlar (ilk olarak YOLOv10 içinde keşfedilen bir kavram).
- %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 görüntüleri ve otonom robotik için kritik olan küçük nesne tanımada kayda değer iyileştirmeler elde eder.
Günümüzdeki modern bilgisayarlı görü görevlerinin büyük çoğunluğu için hattını YOLO26 ile güçlendirmek, hız, doğruluk ve dağıtım kolaylığının mutlak en iyi dengesini sağlayacaktır.